CN106295851A - 一种集卡信息服务与调度***及其工作方法 - Google Patents

Abstract

本发明公开了一种集卡信息服务与调度***及其工作方法，所述的***包括集卡客户端和码头信息收集处理平台，所述的集卡客户端和码头信息收集处理平台通过无线网络连接。所述的方法包括以下步骤：预约集卡集港时间；收集处理集卡集港预约信息；预测集卡到达时间；优化堆场二次翻箱顺序。本发明采用了集卡客户端和码头信息收集处理平台，实现了集卡信息服务与调度的功能，提高了码头作业效率、降低了码头运营成本。本发明采用了集卡客户端，集卡司机使用移动终端上的集卡集港预约APP进行集港预约，避免了集卡高峰期集中入港造成的港口拥堵等问题。本发明采用了集卡到达时间预测***，可以预测出较为精确的集卡到港时间以及集卡到港先后顺序。

Description

一种集卡信息服务与调度***及其工作方法

技术领域

本发明涉及一种港口码头的作业调度决策技术，特别是一种码头集卡的信息服务与调度方法。

背景技术

外集卡(港口外集装箱卡车)到港信息作为码头作业调度的重要依据，广泛应用于码头机械设备、资源分配的调度决策中，其获取方式、信息质量以及信息的利用与集装箱码头生产作业效率息息相关。现阶段，集装箱码头外集卡随机入港，随着港口吞吐量增加，闸口集卡排队拥堵现象严重，加剧了港区环境污染，造成港区的交通拥堵，降低了多式联运效率，降低了码头作业效率，增加了码头作业成本。对于码头的提箱作业过程，其效率受翻箱量影响，还受龙门吊的任务分配以及移动路径的影响。外集卡到港时间不确定，外集卡的提箱顺序与目标箱在堆场的堆存位置不匹配导致大量翻箱、外集卡等待，也影响龙门吊的移动路径与作业成本。如果可以及时获取准确的外集卡到港信息便可以提前对提箱翻箱作业过程进行优化、调整，提高码头的作业效率。

发明内容

为解决现有技术中存在的上述问题，本发明要设计一种能够提高码头作业效率、降低码头运营成本的集卡信息服务与调度***及其工作方法。

为了实现上述目的，本发明的技术方案如下：一种集卡信息服务与调度***，包括集卡客户端和码头信息收集处理平台，所述的集卡客户端和码头信息收集处理平台通过无线网络连接；

所述的集卡客户端上安装集卡集港预约APP，集卡司机使用移动终端上的集卡集港预约APP进行集港预约；当集卡司机需要集港时，登录集卡客户端集卡集港预约APP，查询货物相关信息、船舶航次相关信息和集港相关信息，根据港口的预约规则选择集港时间，预约集港，完成预约集港后集卡司机根据预约时间段进行集港；

所述的码头信息收集处理平台上安装集卡集港预约信息收集处理***、集卡到达时间预测***和堆场二次翻箱优化***；

所述的集卡集港预约信息收集处理***获取集卡司机拟集港时间，利用集卡GPS实时定位到已预约集卡的所在位置，并通知码头闸口提前处理预约集港的集卡的相关信息；

所述的集卡到达时间预测***根据集卡集港预约信息收集处理***提供的集卡集港预约信息，构建基于支持向量机和卡尔曼滤波的集卡到达时间动态预测模型；

所述的堆场二次翻箱优化***根据集卡到达时间预测***提供的集卡到达时间，以提箱总成本最小为目标，考虑翻箱时间、龙门吊移动时间和集卡最长在港时间的约束，构建堆场翻箱与集卡提箱顺序同步优化模型，同时优化集卡的提箱顺序、翻倒箱的落箱位以及龙门吊的任务分配。

一种集卡信息服务与调度***的工作方法，包括以下步骤：

A、预约集卡集港时间

当集卡司机需要集港时，登录客户端集卡集港预约APP，查询货物相关信息、船舶航次相关信息和集港相关信息，根据港口的预约规则选择集港时间，预约集港，完成预约集港后集卡司机根据预约时间段进行集港；

B、收集处理集卡集港预约信息

集卡集港预约信息收集处理***获取集卡司机拟集港时间，利用集卡GPS实时定位到已预约集卡的所在位置，作为集卡到达时间预测模型的输入变量输入模型当中，并将集卡预约信息实时反馈更新至集卡客户端；同时，码头闸口提前处理预约集港的集卡的相关信息；

C、预测集卡到达时间

为准确预测集卡到达时间，获得集卡到达的先后顺序，集卡到达时间预测***构建基于支持向量机和卡尔曼滤波的集卡到达时间动态预测模型；在利用支持向量机模型得到初始预测结果的基础上，通过卡尔曼滤波动态实时更新路段行驶时间预测值，最后通过综合分析得到集卡到达时间的预测值；预测过程中涉及到的参数及变量定义如下：

T：集卡总行驶时间，相对出发位置的集卡到达时间；

U：集卡已行驶路段集合

V：仍需行驶路段集合

a_i：路段i，i＝1，2，3，…，I

a_ij：路段a_i的子路段j，j＝1，2，3，…，J；

a_sm：集卡当前位置，s、m分别为当前位置路段编号和子路段编号；

α_ij：0-1变量，若集卡已行驶过路段i子路段j则为1，否则为0；

β_ij：0-1变量，若路段i子路段j包含于集卡行驶路径中则为1，否则为0；

x_ij：路段i子路段j行驶时间；

路段i子路段j行驶时间的支持向量机模型的预测值；

z_ij：路段i子路段j行驶时间的测量值；

t_ij：集卡到达路段i子路段j的末端节点时的GPS时间；

E_t：当集卡位于路段i子路段j时的天气情况，根据恶劣程度划分等级，1表示良好天气，0表示完全无法通行的天气，0≤E_t≤1；

W_t：当集卡位于路段i子路段j时的星期数，W_t∈[1,2,3,4,5,6,7]，表示星期一至星期天；

M_t：当集卡位于路段i子路段j时的日期数，M_t∈[1,2,3,…,31]，表示一个月中的某天；

Φ：集装箱类型，0表示空箱，1表示20尺重箱，2表示40尺重箱；

最优滤波估计值

A_ij：状态转移量参数

H_ij：测量误差参数

w_ij：均值为0的高斯白噪声，协方差为Q

r_ij：均值为0的高斯白噪声，协方差为R

x_ij的先验误差的协方差

P_i,j:x_ij的后验误差的协方差

K_ij：卡尔曼增益矩阵

具体预测步骤如下：

C1、基于历史数据训练支持向量机模型

首先设定训练集，再使用网格搜索和交叉验证方法确定最优的支持向量机模型参数(C，v)，然后再对核函数进行选择，再通过输入参数及训练集训练支持向量机模型，得到支持向量机模型后，再把输入值输入该训练好的支持向量机模型进行预测；设定支持向量机模型的输入变量为{U,t_ij,E_t,W_t,M_t,Φ}，支持向量机模型的输出变量为

C2、基于卡尔曼算法动态更新到达时间预测值

根据车辆运行实时信息并结合支持向量机模型预测结果，通过卡尔曼滤波迭代动态更新路段行驶时间，提高预测准确性。

基于卡尔曼滤波的集卡到达时间动态预测模型：

$T=\underset{i=1}{\overset{I}{\Σ}}\underset{j=1}{\overset{N_i}{\Σ}}{z}_{ij}{\mathrm{\α}}_{ij}{\mathrm{\β}}_{ij}+\underset{i=1}{\overset{I}{\Σ}}\underset{j=1}{\overset{N_i}{\Σ}}{\hat{x}}_{ij}(1-{\mathrm{\α}}_{ij}){\mathrm{\β}}_{ij}---\left(1\right)$

${\hat{x}}_{ij}=A_{ij}{\hat{x}}_{i,j-1}+K_{ij}(z_{ij}-H_{ij}{A}_{ij}{\hat{x}}_{i,j-1})---\left(2\right)$

$K_{ij}=P_{ij}^{-}{H}_{ij}^T{(H_{ij}{P}_{ij}^{-}{H}_{ij}^T+R)}^{-1}---\left(3\right)$

$P_{ij}^{-}=A_{ij}{P}_{i,j-1}{A}_{ij}^T+Q---\left(4\right)$

$P_{i,j+1}=(I-K_{ij}{H}_{ij})P_{ij}^{-}---\left(5\right)$

$P_{i0},{\hat{x}}_{i0}\∈R,{\hat{x}}_{i0}\≠0---\left(6\right)$

式(1)表示集卡完成行驶所需要的全部时间；式(2)～(5)为卡尔曼滤波的递推方程；

基于支持向量机模型和卡尔曼滤波的集卡到达时间动态预测模型计算的过程如下：

步骤1：初始化集卡到达时间动态预测模型***状态和P_i0，令所有α_i＝0，β_i＝0，U＝{s}，集卡到达时间动态预测模型控制变量k＝1；

步骤2：在支持向量机模型中，以U、t、月份数、星期数、时间、天气情况、货物类型为输入变量，以V和为支持向量机模型的输出变量。更新β_i，若路段i包含于U或V中，则令β_i＝1，否则为0；

步骤3：根据式(4)计算先验误差协方差矩阵，根据式(3)计算卡尔曼增益矩阵，根据式(2)更新***状态根据式(1)计算集卡总行驶时间；

步骤4：若同时满足s＝U(end)，m＝J，则算法迭代结束。否则，更新***参数：若m＝J，令k＝k+1，s＝U(k)，m＝1；否则，令m＝m+1。更新后验误差协方差矩阵P_i,j+1，更新α_i，重复步骤3。

D、优化堆场二次翻箱顺序

通过集卡到达时间预测模型预测，获得集卡到达时间和先后顺序，建立堆场翻箱与集卡提箱顺序同步优化模型，以提箱总成本最小为目标，考虑翻箱时间、龙门吊移动时间、集卡最长在港时间的约束，构建堆场翻箱与集卡提箱顺序同步优化模型，同时优化集卡的提箱顺序、翻倒箱的落箱位以及龙门吊的任务分配。为求解该模型，采用基于动态规划的启发式算法，其基本思路是将多台龙门吊的调度问题分解成多个单台龙门吊的调度问题，假设每台龙门吊的作业范围是几个连续的贝位，每个贝位只能被一台龙门吊服务。采用贪婪算法求解考虑翻箱的单台龙门吊调度问题。通过贪婪算法获得每台龙门吊作业范围内的提箱总成本，将其返回到动态规划中，以优化每台龙门吊的作业范围、作业范围内目标箱的作业顺序以及翻倒箱落位，当总提箱成本最小时达到最优。具体步骤如下：

D1、龙门吊作业范围分配：以b_k表示龙门吊k作业范围内的最小贝位号，k＝1、2、…、m，g(i,j)表示贝位(i,j)范围内所有目标箱的提箱总成本的最小和；f(k,j)表示龙门吊k、k+1、…、m作业范围内所有目标箱的提箱总成本的最小和，其中r＝b_k，f(1,1)即表示所有目标箱提箱总成本的最小和。

龙门吊k、k+1、…、m的作业范围分别是{r,r+1,...,b_k+1-1}，{b_k+1,b_k+1+1,...,b_k+2-1}，…，{b_m,b_m+1,...,α}；b₂,b₃,...,b_m，将作业区域划分为m个部分，分别分配给m个龙门吊。通过式(7)、(8)求出使贝位(1,α)范围内所有目标箱的提箱总成本之和最小的b₂,b₃,...,b_m，f(1,1)即确定；

f(m,r)＝g(r,α)，r＝m,m+1,...,α (7)

$f(k,r)=\underset{j=r+1,r+2,...,\mathrm{\&alpha;}-m+k+1}{min}\{f(k+1,j)+g(r,j-1)\},k\&le;r\&le;\mathrm{\&alpha;}-m+k,1\&le;k<m---\left(8\right)$

D2、单台龙门吊调度优化：采用贪婪算法求解g(i,j)。对于作业范围是{i,i+1,...,j}的考虑翻箱的单台龙门吊的调度问题，其贪婪算法流程如下：

Step1：令t＝0；令l＝i，i是作业范围为{i,i+1,...,j}的龙门吊的初始位置。令Ψ＝{1,2,...,n}，表示该台龙门吊作业范围内未提走的集装箱的集合，n₁表示该龙门吊作业范围内集装箱的数量。

Step2：如果Ψ＝φ，停止；否则，针对Ψ内每个集装箱q，计算t时刻其阻碍箱的数量n_q。

Step3：针对Ψ内每个集装箱q，计算其翻箱成本C₁、龙门吊由l移动到l_q的移动成本C₂。

Step4：针对Ψ内每个集装箱q，计算其提箱作业的完成时间t_q。

Step5：针对Ψ内每个集装箱q，计算t_q时刻，已到港但未被服务的所有集卡的延误成本C₃。

Step6：针对Ψ内每个集装箱q，计算C₁、C₂、C₃之和C，将C最小的集装箱作为下一个提取的目标箱。

Step7：针对Ψ内每个集装箱q，若其预计最晚离开时间大于则令将集装箱作为下一个提取的目标箱。

Step8：如果执行Step13；否则，令n＝1，执行Step9。

Step9：如果执行Step13。否则，执行Step10。

Step10：对于的第n个阻碍箱，检查其是否存在第一类候选栈，如果不存在，执行Step11；如果存在一个第一类候选栈，则将其作为第n个阻碍箱的落箱位。否则，选出每个第一类候选栈中提箱顺序最早的集装箱，将这些集装箱的提箱顺序进行排序，然后在其中选择提箱顺序最早的集装箱所在的栈作为第n个阻碍箱的落箱位。n＝n+1，执行Step9。

Step11：对于的第n个阻碍箱，检查其是否存在空栈，如果不存在，执行Step12；如果存在一个空栈，则将其作为第n个阻碍箱的落箱位。否则，选择最左侧的空栈作为第n个阻碍箱的落箱位。n＝n+1，执行Step9。

Step12：选出每个第二类候选栈中提箱顺序最早的集装箱，将这些集装箱的提箱顺序进行排序，然后在其中选择提箱顺序最晚的集装箱所在的栈作为第n个阻碍箱的落箱位。n＝n+1，执行Step9。

Step13：将从Φ中剔除，令执行Step2。

其中，Step10、Step11、Step12是翻箱的启发式规则。候选栈被分为三类，一类是当前所堆存的集装箱的提箱顺序均晚于待倒箱提箱顺序的栈，称为第一类候选栈。一类是当前没有集装箱堆存的栈，称为空栈。另一类是当前所堆存的集装箱中至少有一个集装箱的提箱顺序早于待倒箱提箱顺序的栈，称为第二类候选栈。将阻碍箱移到第一类候选栈与空栈均不会引起二次翻箱，而将阻碍箱移到第二类候选栈会引起二次翻箱。因此，落箱位选择的优先顺序为：第一类候选栈→空栈→第二类候选栈。

是由贪婪算法得到的贝位(i,j)范围内所有目标箱的提箱总成本之和，是的最小和。用替换式(7)和(8)中的g(·,·)和f(·,·)，得到式(9)和(10)。

$\hat{f}(m,r)=\hat{g}(r,\mathrm{\&alpha;}),r=m,m+1,...,\mathrm{\&alpha;}---\left(9\right)$

$\hat{f}(k,r)=\underset{j=r+1,r+2,...,\mathrm{\&alpha;}-m+k+1}{min}\{\hat{f}(k+1,j)+\hat{g}(r,j-1)\},k\&le;r\&le;\mathrm{\&alpha;}-m+k,1\&le;k<m---\left(10\right)$

递归地使用式(17)和(18)求出所有目标箱提箱总成本的最小和同时确定每台龙门吊的作业范围，目标箱的提箱顺序以及翻倒箱的落箱位。

根据以上步骤，通过计算机仿真计算，得到总成本最小时的状态，即每台龙门吊的作业范围，作业范围内的作业顺序即集卡提箱顺序以及翻倒箱落位位置。同时，码头作业调度以优化结果为基础安排龙门吊作业，确定提箱作业顺序、翻倒箱落箱位置。

进一步地，所述的提箱总成本包括翻箱成本、龙门吊移动成本以及集卡的延误成本。

与现有技术相比，本发明具有以下有益效果：

1、由于本发明采用了集卡客户端和码头信息收集处理平台，实现了集卡信息服务与调度的功能，提高了码头作业效率、降低了码头运营成本。

2、由于本发明采用了集卡客户端(集卡集港预约APP)，集卡司机使用移动终端上的集卡集港预约APP进行集港预约，避免了集卡高峰期集中入港造成的港口拥堵等问题；同时，已预约的集卡入港时可快速通过闸口，提高了闸口的通过能力。另一方面，码头可以获得集卡预约到港时间、已预约集卡的实时位置。

3、由于本发明采用了集卡集港预约信息收集处理***，可以获取集卡司机拟集港时间，利用集卡GPS实时定位到已预约集卡的所在位置，并通知码头闸口提前处理预约集港的集卡的相关信息；

4、由于本发明采用了集卡到达时间预测***，构建基于支持向量机和卡尔曼滤波的集卡到达时间动态预测模型，可以根据集卡集港预约信息收集处理***提供的集卡集港预约信息，预测出较为精确的集卡到港时间以及集卡到港先后顺序。

5、由于本发明采用了通过卡尔曼滤波，处理集卡运行过程中受周围环境影响容易造成GPS信号的反射及衰减，带来随机的噪声问题，根据集卡实时信息动态调整支持向量机模型的预测输出，从而提高到达时间预测的精度和鲁棒性。

6、由于本发明采用了堆场二次翻箱优化***，可以根据集卡到达时间预测***提供的集卡到达时间，优化集卡的提箱顺序、翻倒箱的落箱位以及龙门吊的任务分配，决策出进口箱堆场提箱作业过程中的作业调度方案。提高堆场作业效率，降低码头作业成本。

附图说明

图1是本发明的流程图。

图2是本发明客户端集卡集港预约APP的预约查询***示意图。

图3是本发明客户端集卡集港预约APP的集卡入港预约界面示意图之一。

图4是本发明客户端集卡集港预约APP的集卡入港预约界面示意图之二。

图5是本发明集装箱码头集卡到达时间预测方法的流程图。

图6是本发明集卡到达预测模型中基于支持向量机的集卡到达时间预测流程图。

图7是本发明集卡到达预测模型中基于卡尔曼算法动态更新到达时间预测值方法示意图。

图8是本发明堆场二次翻箱优化方法的流程图。

具体实施方式

下面结合附图对本发明做进一步地说明。

如图1所示，本发明设计一种能够提高码头作业效率、降低码头运营成本的集卡信息服务与调度***，包括集卡客户端和码头信息收集处理平台，所述的集卡客户端和码头信息收集处理平台通过无线网络连接。

如图1所示，一种集卡信息服务与调度***的工作方法，包括以下步骤：

A、预约集卡集港时间，图2、3、4所示是集卡集港预约APP的三种应用界面。

B、收集处理集卡集港预约信息

C、预测集卡到达时间，图5所示是集卡到达时间预测方法的流程图。图6所示是集卡到达预测模型中基于支持向量机模型的集卡到达时间预测流程图。图7所示的基于卡尔曼算法动态更新到达时间预测值方法示意图。图8所示的堆场二次翻箱优化方法的流程图。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种集卡信息服务与调度***，其特征在于：包括集卡客户端和码头信息收集处理平台，所述的集卡客户端和码头信息收集处理平台通过无线网络连接；

所述的集卡客户端上安装集卡集港预约APP，集卡司机使用移动终端上的集卡集港预约APP进行集港预约；当集卡司机需要集港时，登录集卡客户端集卡集港预约APP，查询货物相关信息、船舶航次相关信息和集港相关信息，根据港口的预约规则选择集港时间，预约集港，完成预约集港后集卡司机根据预约时间段进行集港；

所述的码头信息收集处理平台上安装集卡集港预约信息收集处理***、集卡到达时间预测***和堆场二次翻箱优化***；

所述的集卡集港预约信息收集处理***获取集卡司机拟集港时间，利用集卡GPS实时定位到已预约集卡的所在位置，并通知码头闸口提前处理预约集港的集卡的相关信息；

所述的集卡到达时间预测***根据集卡集港预约信息收集处理***提供的集卡集港预约信息，构建基于支持向量机和卡尔曼滤波的集卡到达时间动态预测模型；

所述的堆场二次翻箱优化***根据集卡到达时间预测***提供的集卡到达时间，以提箱总成本最小为目标，考虑翻箱时间、龙门吊移动时间和集卡最长在港时间的约束，构建堆场翻箱与集卡提箱顺序同步优化模型，同时优化集卡的提箱顺序、翻倒箱的落箱位以及龙门吊的任务分配。

2.一种集卡信息服务与调度***的工作方法，其特征在于：包括以下步骤：

A、预约集卡集港时间

当集卡司机需要集港时，登录客户端集卡集港预约APP，查询货物相关信息、船舶航次相关信息和集港相关信息，根据港口的预约规则选择集港时间，预约集港，完成预约集港后集卡司机根据预约时间段进行集港；

B、收集处理集卡集港预约信息

集卡集港预约信息收集处理***获取集卡司机拟集港时间，利用集卡GPS实时定位到已预约集卡的所在位置，作为集卡到达时间预测模型的输入变量输入模型当中，并将集卡预约信息实时反馈更新至集卡客户端；同时，码头闸口提前处理预约集港的集卡的相关信息；

C、预测集卡到达时间

为准确预测集卡到达时间，获得集卡到达的先后顺序，集卡到达时间预测***构建基于支持向量机和卡尔曼滤波的集卡到达时间动态预测模型；在利用支持向量机模型得到初始预测结果的基础上，通过卡尔曼滤波动态实时更新路段行驶时间预测值，最后通过综合分析得到集卡到达时间的预测值；预测过程中涉及到的参数及变量定义如下：

T：集卡总行驶时间，相对出发位置的集卡到达时间；

U：集卡已行驶路段集合

V：仍需行驶路段集合

a_i：路段i，i＝1，2，3，…，I

a_ij：路段a_i的子路段j，j＝1，2，3，…，J；

a_sm：集卡当前位置，s、m分别为当前位置路段编号和子路段编号；

α_ij：0-1变量，若集卡已行驶过路段i子路段j则为1，否则为0；

β_ij：0-1变量，若路段i子路段j包含于集卡行驶路径中则为1，否则为0；

x_ij：路段i子路段j行驶时间；

路段i子路段j行驶时间的支持向量机模型的预测值；

z_ij：路段i子路段j行驶时间的测量值；

t_ij：集卡到达路段i子路段j的末端节点时的GPS时间；

E_t：当集卡位于路段i子路段j时的天气情况，根据恶劣程度划分等级，1表示良好天气，0表示完全无法通行的天气，0≤E_t≤1；

W_t：当集卡位于路段i子路段j时的星期数，W_t∈[1,2,3,4,5,6,7]，表示星期一至星期天；

M_t：当集卡位于路段i子路段j时的日期数，M_t∈[1,2,3,…,31]，表示一个月中的某天；

Φ：集装箱类型，0表示空箱，1表示20尺重箱，2表示40尺重箱；

最优滤波估计值

A_ij：状态转移量参数

H_ij：测量误差参数

w_ij：均值为0的高斯白噪声，协方差为Q

r_ij：均值为0的高斯白噪声，协方差为R

x_ij的先验误差的协方差

P_i,j:x_ij的后验误差的协方差

K_ij：卡尔曼增益矩阵

具体预测步骤如下：

C1、基于历史数据训练支持向量机模型

首先设定训练集，再使用网格搜索和交叉验证方法确定最优的支持向量机模型参数(C，v)，然后再对核函数进行选择，再通过输入参数及训练集训练支持向量机模型，得到支持向量机模型后，再把输入值输入该训练好的支持向量机模型进行预测；设定支持向量机模型的输入变量为{U,t_ij,E_t,W_t,M_t,Φ}，支持向量机模型的输出变量为

C2、基于卡尔曼算法动态更新到达时间预测值

根据车辆运行实时信息并结合支持向量机模型预测结果，通过卡尔曼滤波迭代动态更新路段行驶时间，提高预测准确性；

基于卡尔曼滤波的集卡到达时间动态预测模型：

$T=\underset{i=1}{\overset{I}{\&Sigma;}}\underset{j=1}{\overset{N_i}{\&Sigma;}}{z}_{ij}{\mathrm{\&alpha;}}_{ij}{\mathrm{\&beta;}}_{ij}+\underset{i=1}{\overset{I}{\&Sigma;}}\underset{j=1}{\overset{N_i}{\&Sigma;}}{\hat{x}}_{ij}(1-{\mathrm{\&alpha;}}_{ij}){\mathrm{\&beta;}}_{ij}---\left(1\right)$

${\hat{x}}_{ij}=A_{ij}{\hat{x}}_{i,j-1}+K_{ij}(z_{ij}-H_{ij}{A}_{ij}{\hat{x}}_{i,j-1})---\left(2\right)$

$K_{ij}=P_{ij}^{-}{H}_{ij}^T{(H_{ij}{P}_{ij}^{-}{H}_{ij}^T+R)}^{-1}---\left(3\right)$

$P_{ij}^{-}=A_{ij}{P}_{i,j-1}{A}_{ij}^T+Q---\left(4\right)$

$P_{i,j+1}=(I-K_{ij}{H}_{ij})P_{ij}^{-}---\left(5\right)$

$P_{i0},{\hat{x}}_{i0}\&Element;R,{\hat{x}}_{i0}\&NotEqual;0---\left(6\right)$

式(1)表示集卡完成行驶所需要的全部时间；式(2)～(5)为卡尔曼滤波的递推方程；

基于支持向量机模型和卡尔曼滤波的集卡到达时间动态预测模型计算的过程如下：

步骤1：初始化集卡到达时间动态预测模型***状态和P_i0，令所有α_i＝0，β_i＝0，U＝{s}，集卡到达时间动态预测模型控制变量k＝1；

步骤2：在支持向量机模型中，以U、t、月份数、星期数、时间、天气情况、货物类型为输入变量，以V和为支持向量机模型的输出变量；更新β_i，若路段i包含于U或V中，则令β_i＝1，否则为0；

步骤3：根据式(4)计算先验误差协方差矩阵根据式(3)计算卡尔曼增益矩阵，根据式(2)更新***状态根据式(1)计算集卡总行驶时间；

步骤4：若同时满足s＝U(end)，m＝J，则算法迭代结束；否则，更新***参数：若m＝J，令k＝k+1，s＝U(k)，m＝1；否则，令m＝m+1；更新后验误差协方差矩阵P_i,j+1，更新α_i，重复步骤3；

D、优化堆场二次翻箱顺序

通过集卡到达时间预测模型预测，获得集卡到达时间和先后顺序，建立堆场翻箱与集卡提箱顺序同步优化模型，以提箱总成本最小为目标，考虑翻箱时间、龙门吊移动时间、集卡最长在港时间的约束，构建堆场翻箱与集卡提箱顺序同步优化模型，同时优化集卡的提箱顺序、翻倒箱的落箱位以及龙门吊的任务分配；为求解该模型，采用基于动态规划的启发式算法，其基本思路是将多台龙门吊的调度问题分解成多个单台龙门吊的调度问题，假设每台龙门吊的作业范围是几个连续的贝位，每个贝位只能被一台龙门吊服务；采用贪婪算法求解考虑翻箱的单台龙门吊调度问题；通过贪婪算法获得每台龙门吊作业范围内的提箱总成本，将其返回到动态规划中，以优化每台龙门吊的作业范围、作业范围内目标箱的作业顺序以及翻倒箱落位，当总提箱成本最小时达到最优；具体步骤如下：

D1、龙门吊作业范围分配：以b_k表示龙门吊k作业范围内的最小贝位号，k＝1、2、…、m，g(i,j)表示贝位(i,j)范围内所有目标箱的提箱总成本的最小和；f(k,j)表示龙门吊k、k+1、…、m作业范围内所有目标箱的提箱总成本的最小和，其中r＝b_k，f(1,1)即表示所有目标箱提箱总成本的最小和；

龙门吊k、k+1、…、m的作业范围分别是{r,r+1,...,b_k+1-1}，{b_k+1,b_k+1+1,...,b_k+2-1}，…，{b_m,b_m+1,...,α}；b₂,b₃,...,b_m，将作业区域划分为m个部分，分别分配给m个龙门吊；通过式(7)、(8)求出使贝位(1,α)范围内所有目标箱的提箱总成本之和最小的b₂,b₃,...,b_m，f(1,1)即确定；

f(m,r)＝g(r,α)，r＝m,m+1,...,α (7)

$f(k,r)=\underset{j=r+1,r+2,...,\mathrm{\&alpha;}-m+k+1}{min}\{f(k+1,j)+g(r,j-1)\},k\&le;r\&le;\mathrm{\&alpha;}-m+k,1\&le;k<m---\left(8\right)$

D2、单台龙门吊调度优化：采用贪婪算法求解g(i,j)；对于作业范围是{i,i+1,...,j}的考虑翻箱的单台龙门吊的调度问题，其贪婪算法流程如下：

Step1：令t＝0；令l＝i，i是作业范围为{i,i+1,...,j}的龙门吊的初始位置；令Ψ＝{1,2,...,n}，表示该台龙门吊作业范围内未提走的集装箱的集合，n₁表示该龙门吊作业范围内集装箱的数量；

Step2：如果Ψ＝φ，停止；否则，针对Ψ内每个集装箱q，计算t时刻其阻碍箱的数量n_q；

Step3：针对Ψ内每个集装箱q，计算其翻箱成本C₁、龙门吊由l移动到l_q的移动成本C₂；

Step4：针对Ψ内每个集装箱q，计算其提箱作业的完成时间t_q；

Step5：针对Ψ内每个集装箱q，计算t_q时刻，已到港但未被服务的所有集卡的延误成本C₃；

Step6：针对Ψ内每个集装箱q，计算C₁、C₂、C₃之和C，将C最小的集装箱作为下一个提取的目标箱；

Step7：针对Ψ内每个集装箱q，若其预计最晚离开时间大于则令将集装箱作为下一个提取的目标箱；

Step8：如果执行Step13；否则，令n＝1，执行Step9；

Step9：如果执行Step13；否则，执行Step10；

Step10：对于的第n个阻碍箱，检查其是否存在第一类候选栈，如果不存在，执行Step11；如果存在一个第一类候选栈，则将其作为第n个阻碍箱的落箱位；否则，选出每个第一类候选栈中提箱顺序最早的集装箱，将这些集装箱的提箱顺序进行排序，然后在其中选择提箱顺序最早的集装箱所在的栈作为第n个阻碍箱的落箱位；n＝n+1，执行Step9；

Step11：对于的第n个阻碍箱，检查其是否存在空栈，如果不存在，执行Step12；如果存在一个空栈，则将其作为第n个阻碍箱的落箱位；否则，选择最左侧的空栈作为第n个阻碍箱的落箱位；n＝n+1，执行Step9；

Step12：选出每个第二类候选栈中提箱顺序最早的集装箱，将这些集装箱的提箱顺序进行排序，然后在其中选择提箱顺序最晚的集装箱所在的栈作为第n个阻碍箱的落箱位；n＝n+1，执行Step9；

Step13：将从Φ中剔除，令执行Step2；

其中，Step10、Step11、Step12是翻箱的启发式规则；候选栈被分为三类，一类是当前所堆存的集装箱的提箱顺序均晚于待倒箱提箱顺序的栈，称为第一类候选栈；一类是当前没有集装箱堆存的栈，称为空栈；另一类是当前所堆存的集装箱中至少有一个集装箱的提箱顺序早于待倒箱提箱顺序的栈，称为第二类候选栈；将阻碍箱移到第一类候选栈与空栈均不会引起二次翻箱，而将阻碍箱移到第二类候选栈会引起二次翻箱；因此，落箱位选择的优先顺序为：第一类候选栈→空栈→第二类候选栈；

是由贪婪算法得到的贝位(i,j)范围内所有目标箱的提箱总成本之和，是的最小和；用和替换式(7)和(8)中的g(·,·)和f(·,·)，得到式(9)和(10)；

$\hat{f}(m,r)=\hat{g}(r,\mathrm{\&alpha;}),r=m,m+1,...,\mathrm{\&alpha;}---\left(9\right)$

$\hat{f}(k,r)=\underset{j=r+1,r+2,...,\mathrm{\&alpha;}-m+k+1}{min}\{\hat{f}(k+1,j)+\hat{g}(r,j-1)\},k\&le;r\&le;\mathrm{\&alpha;}-m+k,1\&le;k<m---\left(10\right)$

递归地使用式(17)和(18)求出所有目标箱提箱总成本的最小和同时确定每台龙门吊的作业范围，目标箱的提箱顺序以及翻倒箱的落箱位；

根据以上步骤，通过计算机仿真计算，得到总成本最小时的状态，即每台龙门吊的作业范围，作业范围内的作业顺序即集卡提箱顺序以及翻倒箱落位位置；同时，码头作业调度以优化结果为基础安排龙门吊作业，确定提箱作业顺序、翻倒箱落箱位置。

3.根据权利要求2所述的一种集卡信息服务与调度***的工作方法，其特征在于：所述的提箱总成本包括翻箱成本、龙门吊移动成本以及集卡的延误成本。