一种基于人工智能的智慧陆港作业方法及系统与流程

本发明涉及智慧陆港管理领域，尤其涉及一种基于人工智能的智慧陆港作业方法及系统。

背景技术：

1、陆港在现代物流与运输网络中起着重要的枢纽作用，其中场站在陆港业务中是核心作业区域。这些场站主要依赖于物理设备和人工操作来管理和执行货物的装卸与储存作业。场站广泛使用的机械设备如叉车和起重机，操作过程中需要大量人力进行操作和维护，这不仅增加了操作成本，也影响了作业效率。在数据管理方面，大多数陆港场站仍采用传统的手工录入方式，依赖于手工录入计算机系统或纸质记录。这种处理方式效率低下，容易导致信息更新不及时和数据错误。从而影响整个运营的决策和效率。

2、此外，传统陆港场站在安全监控方面存在显著不足，如缺乏先进的监控和识别技术，使得货物损坏难以被及时发现和解决。这不仅增加了运营风险，也可能导致重大的财产损失。同时，信息化水平较低和信息共享不充分使得各部门间的协调受阻，进一步降低工作效率和服务质量。在这种背景下，传统陆港场站面临的具体问题包括：

3、（1）由于缺乏全局监控和智能化调度系统，集装箱选位的常常出现不合理现象，导致集装箱场站空位浪费和装卸不便。

4、（2）工作人员在寻找集装箱位置时，由于只能依赖有限的位置信息，对于场站不熟悉的工作人员更加浪费时间，影响工作效率。

5、（3）集装箱的装卸主要依靠工作人员操作叉车或者龙门吊来装卸集装箱，这种由人工操作的方式不仅会出现集装箱存放错误的问题，也会影响装卸效率和安全。

6、（4）依赖人工拍照记录的工作监控方式效率低下，监控安全性不足，容易出现监控盲区。

技术实现思路

1、发明的目的是针对上述技术问题，提出一种基于人工智能的智慧陆港作业方法及系统，解决了集装箱选位不合理、提箱工作效率较低、集装箱人工操作装卸、作业监控效率低下等问题，实现了场站空位的合理利用，提高陆港场站的工作效率，通过减少人工操作减少了人工可能会出现的安全问题和工作失误，通过陆港场站全局监控实现对于集装箱存放、运送的作业保障，大大减少了作业时间，本发明的目的可通过下列技术方案来实现：

2、本发明提供了一种基于人工智能的智慧陆港作业方法，包括以下步骤：

3、步骤s1、收集并预处理场站数据、集装箱信息和历史存放信息；

4、步骤s2、输入当前的集装箱信息到智能选位模块，以输出推荐存放位置；其中，

5、基于从步骤s1收集的数据构建关键特征集，智能选位模块通过随机森林模型从关键特征集中随机选择特征子集进行训练；通过评估每个特征子集在决策树中的特征重要度，并生成对应的预测结果；同时结合当前场站内集装箱剩余空位数和各类集装箱的历史需求数，计算各类集装箱的预期入站数量，作为调整因素；通过加权平均方法综合所有决策树的预测结果，并根据调整因素调整随机森林模型中的权重参数，生成推荐存放位置；

6、步骤s3、将预处理后场站数据和集装箱信息转换为一个实时全局地图，通过dijkstra算法根据终端类型的实际位置和目标位置计算导航路径；其中，

7、当终端类型是无人驾驶的自动化设备时，离线计算装卸设备到定位点距离作为路径信息，并构建对应的路径数据库进行预存储；根据在线的任务需求或设备位置变动更新基础数据库中的导航路径；

8、步骤s4、实时监测步骤s1中场站数据的实时监测数据，通过双流膨胀3d卷积网络和广义回归网络分析实时监测数据并自动检测和响应异常行为，确保场站内的安全和操作效率。

9、进一步地，步骤s1，具体为，

10、在场站的作业区域和通道部署高清摄像头和各类传感器包括温度、湿度、震动和烟雾传感器来获取场站数据；其中，

11、场站数据为场站地图、作业区域和通道的空间状态，包括布局、尺寸、容量、环境数据和实时监测数据；

12、集装箱信息包括集装箱的尺寸、类型、重量；

13、历史存放信息包括集装箱的进出场站时间和存放位置。

14、进一步地，步骤s2，具体为，

15、步骤s21，获取与集装箱关联的基础特征，包括场站数据和集装箱信息，并计算衍生特征包括集装箱的单位重量、预计离开时间和移动频率，将基础特征和衍生特征构成完整的关键特征集；

16、步骤s22，从关键特征集中随机选择特征子集，用于训练每个决策树，对于每个决策树，在分割点计算所选特征的gini不纯度减少量，评估特征在选位过程中的重要度，并基于重要度生成每个决策树的预测存放位置；

17、步骤s23，结合当前场站内集装箱剩余空位数和各类集装箱的历史需求数，预测各类集装箱的预期入站数量作为调整因素，用于优化随机森林模型中的权重参数；

18、步骤s24，通过加权平均方法综合所有决策树的预测结果，并结合调整因素进行调节，生成推荐存放位置。

19、进一步地，在步骤s22中，对于每个决策树，在分割点计算所选特征的gini不纯度减少量，评估特征在选位过程中的重要度，具体为，

20、步骤s221，对于构建每个决策树，随机从关键特征集中选择一个特征子集，用于在决策树构建过程中的节点分割；

21、步骤s222，对于决策树的每个节点，计算每个特征的gini不纯度选择最优特征进行分割，其中，最优特征为gini不纯度最低的特征，gini不纯度计算公式为：

22、,

23、其中，为节点i的gini不纯度，j为特征子集中总的类别数，p为节点i属于第j类的样本比例；

24、步骤s223，对于每个使用特征进行分割的节点，计算特征的gini不纯度减少量，其中，gini不纯度减少量计算公式为：

25、;

26、其中，为gini不纯度减少量，为节点i的不纯度，和为分割后左右子节点的gini不纯度；

27、步骤s224，累积特征的gini不纯度减少量；

28、；

29、其中，为包含特征的分割集合；

30、步骤s224，基于每个特征的累积的gini不纯度减少量进行归一化处理，得到对应的重要度得分。

31、进一步地，步骤s23，具体为，

32、步骤s231，收集当前场站内集装箱剩余空位数和各类集装箱的历史需求数；

33、步骤s232，定义目标函数，其中，q为入库数量，将各类集装箱历史入库数量据拟合成一个随机分布d，d为从随机分布d中抽样的实际需求量；

34、步骤s233，计算目标函数的期望值并最小化，获取对应的入库数量q为预测数量，即：

35、;

36、;

37、其中，i为信息集，包括当前场站内集装箱剩余空位数和历史需求量；d为基于历史需求量，将需求量d拟合成的一个随机分布，q为各类型集装箱的入库预测数量，d为实际需求量。

38、进一步地，步骤s3，具体为，

39、步骤s31、基于场站数据和集装箱数据，构建实时更新的全局地图，并在对应位置安装定位信标，用于获取定位点的位置信息；

40、步骤s32、基于终端类型，确定对应的路径信息方式，当终端类型为人工操作设备，通过dijkstra算法根据人工操作设备的实际位置和目标位置计算推荐的导航路径；当终端类型为装卸设备时，在离线阶段进行计算并保存所有装卸设备到定位点的推荐路径信息，并预存到路径数据库中；在线阶段是根据任务需求或设备位置变动，从路径数据库中提取对应的路径信息并进行优化更新，生成导航路径。

41、进一步地，步骤s4，具体为，

42、在场站中部署摄像头，用于获取实时监测数据；

43、通过双流膨胀3d卷积网络对摄像头采集到的视频流进行特征提取，包括空间特征和时间特征，用于识别复杂的行为模式；

44、将提取后的空间特征和时间特征输入到广义回归网络，广义回归网络根据训练模型预测异常行为的概率，当异常行为的概率超过预设的阈值，自动触发警报。

45、基于相同的发明构思，本发明还提供了一种基于人工智能的智慧陆港作业系统，采用如上述的智慧陆港作业方法，包括，

46、智能选位模块，收集并预处理场站数据、集装箱信息和历史存放信息，并构建关键特征集，通过随机森林模型从关键特征集中随机选择特征子集进行训练；评估每个特征子集在决策树中的特征重要度，并生成对应的预测结果；结合当前场站内集装箱剩余空位数和各类集装箱的历史需求数，计算各类集装箱的预期入站数量，作为调整因素；通过加权平均方法综合所有决策树的预测结果，并根据调整因素调整随机森林模型中的权重参数，生成推荐存放位置；

47、操作作业模块，包括寻箱单元和装卸作业单元，其中，当终端类型为人工操作设备时，在寻箱单元通过dijkstra算法根据设备的实际位置和目标位置计算导航路径，当终端类型为无人驾驶的自动化设备时，离线计算装卸设备到定位点距离作为路径信息，并构建对应的路径数据库进行预存储，根据在线的任务需求或设备位置变动更新基础数据库中的导航路径，根据导航路径导航进行自动化装卸；

48、监控模块，通过安装的高清摄像头和各种环境传感器对场站进行全方位监控；其中，视频监控为通过双流膨胀3d卷积网络和广义回归网络实时分析视频自动检测异常行为，并自动发出警报。

49、进一步地，装卸作业单元，当终端类型为装卸设备时，在离线阶段进行计算并保存所有装卸设备到定位点的推荐路径信息，并预存到路径数据库中；在线阶段是根据任务需求或设备位置变动，从路径数据库中提取对应的路径信息并进行优化更新生成导航路径，装卸设备根据导航路径进行自动化装卸。

50、进一步地，在监控模块中，视频监控具体为，通过双流膨胀3d卷积网络对高清摄像头采集到的视频流进行特征提取，包括空间特征和时间特征，用于识别复杂的行为模式；将提取后的空间特征和时间特征输入到广义回归网络，广义回归网络根据训练模型预测异常行为的概率，当异常行为的概率超过预设的阈值，自动触发警报。

51、与现有技术相比，本发明存在以下至少一种技术效果：

52、本发明通过集成的模块化设计，提高了场站的运营效率和安全水平，选位通过随机森林模型评估集装箱特征并结合实时空位数据精确预测存放位置，提高了场站的空间利用效率和操作精确度；操作作业模块通过实时导航和自动化路径更新，提高了人工和无人驾驶设备的操作效率和精确性，确保了装卸作业的流畅进行，从而大幅提升了作业速度和安全性。监控模块通过双流膨胀3d卷积网络和广义回归网络对场站的视频进行实时分析，自动检测异常行为并快速响应，从而显著提高场站的安全性和运营效率。

53、（1）在选位过程中，通过随机森林模型动态评估集装箱特征，确保每个集装箱根据实际尺寸、重量和类型被推荐到最适合的存放位置，减少了不必要的移动和重排，优化了场站的整体操作流程。同时，通过结合场站内当前的空位情况和历史数据，能够预测集装箱的流动趋势，进一步精准地调整和规划空间资源。最终，通过加权平均方法整合各决策树的输出，这样集装箱的存放位置更加合理，减少了场站空位浪费和装卸不便的情况。提升了场站空间利用率，缩短了装卸时间，同时也减少了因为选位不当造成的潜在损失，如货物损坏或运输延误，从而降低了作业成本。

54、（2）在操作作业模块，包括寻箱单元和装卸作业单元，其中寻箱单元根据提供的实时导航和位置信息，使得工作人员能够迅速定位集装箱，减少了和人为识别的错误，提高了寻箱效率，同时也提升了场站工作人员的工作体验。而装卸作业单元能够通过网络优化的再优化技术使无人驾驶的装卸设备自动导航到目的地，同时自动化装卸设备能够连续工作，不受操作人员的工作时间限制，显著提高了装卸作业的效率，同时自动化设备的智能精确控制减少了人为操作错误和事故的可能性。提高了安全性。设备的自动化运行也能降低能源消耗和维护成本。

55、（3）监控模块，通过实时监控和自动报警，提高了场站的安全性和监控效率，同时也能让管理人员能在第一时间处理突发事件。监控系统和设备上的传感器，能够收集场站设备的实时数据，减少了场站设备的人工维护成本。

技术特征：

1.一种基于人工智能的智慧陆港作业方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的智慧陆港作业方法，其特征在于，步骤s1，具体为，

3.根据权利要求2所述的智慧陆港作业方法，其特征在于，步骤s2，具体为，

4.根据权利要求3所述的智慧陆港作业方法，其特征在于，在步骤s22中，对于每个所述决策树，在分割点计算所选特征的gini不纯度减少量，评估所述特征在选位过程中的所述重要度，具体为，

5.根据权利要求4所述的智慧陆港作业方法，其特征在于，所述步骤s23，具体为，

6.根据权利要求2所述的智慧陆港作业方法，其特征在于，所述步骤s3，具体为，

7.根据权利要求6所述的智慧陆港作业方法，其特征在于，所述步骤s4，具体为，

8.一种基于人工智能的智慧陆港作业系统，采用如权利要求1至7任意一项所述的智慧陆港作业方法，其特征在于，包括，

9.根据权利要求8所述的智慧陆港作业系统，其特征在于，装卸作业单元，当所述终端类型为所述装卸设备时，在离线阶段进行计算并保存所有所述装卸设备到所述定位点的推荐路径信息，并预存到所述路径数据库中；在线阶段是根据所述任务需求或所述设备位置变动，从所述路径数据库中提取对应的所述路径信息并进行优化更新生成所述导航路径，所述装卸设备根据所述导航路径进行自动化装卸。

10.根据权利要求9所述的智慧陆港作业系统，其特征在于，在所述监控模块中，视频监控具体为，通过所述双流膨胀3d卷积网络对所述高清摄像头采集到的视频流进行特征提取，包括空间特征和时间特征，用于识别复杂的行为模式；将提取后的所述空间特征和所述时间特征输入到所述广义回归网络，所述广义回归网络根据训练模型预测所述异常行为的概率，当所述异常行为的概率超过预设的阈值，自动触发所述警报。

技术总结
本发明涉及智慧陆港管理领域，尤其涉及一种基于人工智能的智慧陆港作业方法及系统，包括步骤S1、收集并预处理场站数据和信息；步骤S2、构建关键特征集，随机选择特征子集进行训练评估特征重要度并生成对应的预测结果，综合所有预测结果，根据调整因素调整权重参数生成推荐存放位置；步骤S3、通过Dijkstra算法根据终端的实际位置和目标位置计算导航路径；步骤S4、通过双流膨胀3D卷积网络和广义回归网络分析实时监测数据并自动检测和响应异常行为。通过随机森林模型评估集装箱特征并结合实时空位数据精确预测存放位置提高空间利用效率；实时导航和自动化路径更新，提高人工和无人驾驶设备的操作效率和精确性，确保装卸作业流畅进行并自动检测异常行为。

技术研发人员：吴俊峰
受保护的技术使用者：上海文景信息科技有限公司
技术研发日：
技术公布日：2024/9/23