CN113902197A - 一种基于大数据运用的提高集装箱使用效率的方法与*** - Google Patents
一种基于大数据运用的提高集装箱使用效率的方法与*** Download PDFInfo
- Publication number
- CN113902197A CN113902197A CN202111189323.6A CN202111189323A CN113902197A CN 113902197 A CN113902197 A CN 113902197A CN 202111189323 A CN202111189323 A CN 202111189323A CN 113902197 A CN113902197 A CN 113902197A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- container
- preset
- unloading
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012937 correction Methods 0.000 claims abstract description 67
- 230000008569 process Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 206010016256 fatigue Diseases 0.000 description 191
- 230000008676 import Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- 206010016275 Fear Diseases 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请揭示一种基于大数据运用的提高集装箱使用效率的方法、***,获取预设的车载终端发送的当前位置和第一集装箱信息;调取预设的卸载位置、装载位置、标准行驶速度和标准卸货时间长度,计算出第一预计时间点;获取第二时间点和第二集装箱信息;若第二时间点晚于第一时间点,并且第二集装箱信息与第一集装箱信息相匹配,则计算出空载距离;若空载距离大于距离阈值,则获取多个传感数据序列,并输入预设的第一疲惫状态预测模型中,以得到第一疲惫数值;调取修正参数表和标准疲惫阈值;获取指定修正参数,计算出修正疲惫阈值;若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,提高集装箱利用效率,以及提高集装箱的安全性。
Description
技术领域
本申请涉及到集装箱运输领域,特别是涉及到一种基于大数据运用的提高集装箱使用效率的方法与***。
背景技术
货运集装箱运输是货运行业的一种特殊形式,车辆装载的货物是集装箱,集装内也可能装有货物。集装箱有统一的尺寸型号,能装载的货物类型也有明确要求。集装箱一般不与其他货物在同一车辆合运。集装箱内装载的货物不能运输过程中随便装卸,只能到达卸货点或装货点才能装卸货物。
为提高集装箱的使用效率,一种方法是优化集装箱的装卸方式,减少装卸时间。例如,一种集装箱用箱式高效率装卸装置(CN211110883)设计了一种新的集装箱装卸装置,提高集装箱的装卸效率,这种方法可以加快集装箱的装卸速度、或方便集装箱的使用。另一种方法是改变集装箱的形态,方便运输。例如,双拼集装箱飞翼柜(CN213139920)设计了一种双拼集装箱飞翼柜,方便将两个集装箱柜拼接在一起。
集装箱运输有两种典型的业务模式。一种是进口业务,这种业务的特点是重去空回,即进口柜集装箱运输业务,车辆将集装箱从码头运至某个卸货点,完成卸货后即返回堆场,在返回堆场过程中,集装箱为空箱;另一种是出口业务,这种业务的特点是空去重回,即出口集装箱运输业务,车辆从堆场提取空箱,到达装货点装货后运送至码头,在装货前集装箱为空箱。
上述优化集装箱的装卸方式,或者改变集装箱的形态的方式,虽然能够提高集装箱运输作业速度,但是对于上述业务中空去、空回时集装箱的利用效率并没有帮助,因此,集装箱运输过程的利用效率还有待提高。
发明内容
本申请提出一种基于大数据运用的提高集装箱使用效率的方法,包括以下步骤:
S1、获取预设的车载终端发送的当前位置和第一集装箱信息;其中,所述车载终端对应的车辆从第一码头前往预设的卸载工厂,所述第一集装箱信息至少包括所述车辆上的集装箱型号;
S2、调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,并根据所述当前位置、卸载位置、装载位置、标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点;其中,所述第一预计时间点指车辆经由卸载工厂卸货后再前往装载工厂的预计到达时间;卸载位置指卸载工厂所处位置,装载位置指装载工厂所处位置;
S3、获取装载工厂终端发送的第二时间点和第二集装箱信息,并判断所述第二时间点是否晚于所述第一预计时间点,并且判断所述第二集装箱信息是否与所述第一集装箱信息相匹配;
S4、若所述第二时间点晚于所述第一时间点,并且所述第二集装箱信息与所述第一集装箱信息相匹配,则计算出卸载位置与装载位置的空载距离,并判断所述空载距离是否大于预设的距离阈值;
S5、若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列,并将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫状态预测模型输出的第一疲惫数值;
S6、调取预设的修正参数表和标准疲惫阈值;其中,修正参数表记录了在重集装箱-空集装箱-重集装箱的运输过程中,空集装箱运输距离与修正参数的对应关系;
S7、根据所述修正参数表,获取与所述空载距离对应的指定修正参数,根据公式:修正疲惫阈值=指定修正参数×标准疲惫阈值,计算出修正疲惫阈值;并判断第一疲惫数值是否小于修正疲惫阈值;
S8、若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶。
进一步地,所述调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,并根据所述当前位置、卸载位置、装载位置、标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点的步骤S2,包括:
S201、调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度;
S202、获取所述当前位置和所述卸载位置之间的第一行驶路线,同时获取所述当前位置和所述卸载位置之间的第二行驶路线;
S203、对所述第一行驶路线的长度与所述第二行驶路线的长度进行加和处理,以得到行驶长度,将行驶长度除以标准行驶速度,得到行驶时长;
S204、将当前时间、行驶时长与标准卸货时间长度进行加和处理,以得到第一预计时间点。
进一步地,所述第一疲惫状态预测模型基于预设的神经网络模型,并采用有监督学习的方式训练而成,所述若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列,并将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫状态预测模型输出的第一疲惫数值的步骤S5之前,包括:
S41、从预设的数据库中调取多个样本传感数据序列;其中,样本传感数据序列是对样本车辆上的样本集装箱上布设的样本传感器感测得到的,并且在采集样本传感数据序列之时,样本车辆正在运输装有货物的集装箱;
S42、对所述多个样本传感数据序列进行人工标注处理,以标注上不同的疲惫数值;
S43、将标注处理后的多个样本传感数据序列,根据预设比例,划分为多个训练用传感数据序列和多个验证用传感数据序列;
S44、将所述多个训练用传感数据序列输入预设的神经网络模型中进行训练,以得到暂时疲惫状态预测模型;
S45、采用所述多个验证用传感数据序列对所述暂时疲惫状态预测模型进行验证,以得到验证结果,并判断验证结果是否为验证通过;
S46、若验证结果为验证通过,则将所述暂时疲惫状态预测模型记为第一疲惫状态预测模型。
进一步地,所述若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列,并将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫状态预测模型输出的第一疲惫数值的步骤S5,包括:
S501、若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列;所述多个传感数据序列的数量为n,n为大于1的整数;
S502、将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中,从而所述第一疲惫状态预测模型根据公式:
依次计算出n个影响曲线函数;其中,Wi(t)为第i个影响曲线函数,Pi(t)为第i个传感数据序列的传感数值随时间变化的曲线,pi(t)为与Pi(t)对应的预设的标准传感数据曲线,qi为预设的第i个偏差阈值,qi大于0;
S503、获取影响曲线函Wi(t)的取值等于qi的第一时间窗口长度,并获取影响曲线函Wi(t)的时间总长度,计算所述第一时间窗口长度除以所述时间总长度的时间比值Bi,从而得到与所述n个影响曲线函数分别对应的n个时间比值;
S504、根据公式:
进一步地,所述若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶的步骤S8,包括:
S801、若第一疲惫数值小于修正疲惫阈值,则采用预设的车内摄像头,对车辆司机的面部进行图像采集处理,以得到面部图像;
S802、将所述面部图像输入预设的第二疲惫状态预测模型中进行处理,以得到所述第二疲惫状态预测模型输出的第二疲惫数值;其中,所述第二疲惫状态预测模型基于深度卷积神经网络模型训练得到;
S803、判断所述第二疲惫数值是否小于修正疲惫阈值;
S804、若所述第二疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶。
本申请提供一种基于大数据运用的提高集装箱使用效率的***,包括:
第一集装箱信息获取单元,用于指示获取预设的车载终端发送的当前位置和第一集装箱信息;其中,所述车载终端对应的车辆从第一码头前往预设的卸载工厂,所述第一集装箱信息至少包括所述车辆上的集装箱型号;
第一预计时间点计算单元,用于指示调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,并根据所述当前位置、卸载位置、装载位置、标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点;其中,所述第一预计时间点指车辆经由卸载工厂卸货后再前往装载工厂的预计到达时间;卸载位置指卸载工厂所处位置,装载位置指装载工厂所处位置;
第一预计时间点判断单元,用于指示获取装载工厂终端发送的第二时间点和第二集装箱信息,并判断所述第二时间点是否晚于所述第一预计时间点,并且判断所述第二集装箱信息是否与所述第一集装箱信息相匹配;
空载距离判断单元,用于指示若所述第二时间点晚于所述第一时间点,并且所述第二集装箱信息与所述第一集装箱信息相匹配,则计算出卸载位置与装载位置的空载距离,并判断所述空载距离是否大于预设的距离阈值;
第一疲惫数值获取单元,用于指示若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列,并将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫状态预测模型输出的第一疲惫数值;
标准疲惫阈值调取单元,用于指示调取预设的修正参数表和标准疲惫阈值;其中,修正参数表记录了在重集装箱-空集装箱-重集装箱的运输过程中,空集装箱运输距离与修正参数的对应关系;
第一疲惫数值判断单元,用于指示根据所述修正参数表,获取与所述空载距离对应的指定修正参数,根据公式:修正疲惫阈值=指定修正参数×标准疲惫阈值,计算出修正疲惫阈值;并判断第一疲惫数值是否小于修正疲惫阈值;
连续行驶指令生成单元,用于指示若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶。
本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于大数据运用的提高集装箱使用效率的方法、***、计算机设备和存储介质,获取预设的车载终端发送的当前位置和第一集装箱信息;调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点;获取装载工厂终端发送的第二时间点和第二集装箱信息;若所述第二时间点晚于所述第一时间点,并且所述第二集装箱信息与所述第一集装箱信息相匹配,则计算出空载距离;若所述空载距离大于预设的距离阈值,则获取多个传感数据序列,并输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫数值;调取预设的修正参数表和标准疲惫阈值;获取与所述空载距离对应的指定修正参数,计算出修正疲惫阈值;若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,提高了集装箱的利用效率,以及提高了集装箱运输过程中的安全性。
本申请实现了两个技术效果,即提高了集装箱的利用效率,以及提高了集装箱运输过程中的安全性。相对于前述的集装箱运输过程的利用效率还有待提高的一个问题,本申请实现了两个技术效果,并且这两个技术效果是递进的,这是因为货运集装箱运输的特殊性所致的。具体地:
本申请先采用重去重回的方式(指免除了空集装箱返回堆场的过程),来提高集装箱的利用效率,但采用这种方式后,会导致出现集装箱运输过程中安全性急剧下降的新的问题,这是因为,集装箱车辆是特种车辆,其相对于普通车辆更难以驾驭,采用重去重回的方案后,司机将重车(重载的集装箱车辆)从A码头前往B工厂,在B工厂卸货后,空车(装载空集装箱)前往C工厂,在C工厂进行装货,成为重车,而后重车再前往D码头(D码头与A码头可以是同一个,也可以不同),因此采用的重去重回的方案,实际上是包括重车-空车-重车的三个阶段。
集装箱车是特种车辆,其空载与重载之间的驾驶具有很大的不同,在重车-空车-重车的三个阶段中,而若空车的时间较长(当然不是极长,若是极长,那么司机也容易适应这种变化),那么司机必须进行空载与重载之间的驾驶习惯的切换(若司机多次连续进行三个阶段的驾驶,那么这种切换就不止两次了,而对于频繁切换的情况,其安全性更低),而司机的驾驶习惯是有一定惯性的,因此很容易导致司机误操作,从而提高事故发生率。(若采用传统方案,即将空箱返回堆场的方案,那么司机的空车时间可视为极长,因此有足够的时间来适应,从而不会出现这个问题)。
因此,虽然本申请表面上针对的是一个技术问题,但实际上针对的是两个递进的技术问题,因此本申请实际上也具有两个递进的技术效果,即提高了集装箱的利用效率,以及提高了集装箱运输过程中的安全性。
附图说明
图1为本申请一实施例的基于大数据运用的提高集装箱使用效率的方法的流程示意图;
图2为本申请一实施例的基于大数据运用的提高集装箱使用效率的***的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请实施例提供一种基于大数据运用的提高集装箱使用效率的方法,包括以下步骤:
S1、获取预设的车载终端发送的当前位置和第一集装箱信息;其中,所述车载终端对应的车辆从第一码头前往预设的卸载工厂,所述第一集装箱信息至少包括所述车辆上的集装箱型号;
S2、调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,并根据所述当前位置、卸载位置、装载位置、标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点;其中,所述第一预计时间点指车辆经由卸载工厂卸货后再前往装载工厂的预计到达时间;卸载位置指卸载工厂所处位置,装载位置指装载工厂所处位置;
S3、获取装载工厂终端发送的第二时间点和第二集装箱信息,并判断所述第二时间点是否晚于所述第一预计时间点,并且判断所述第二集装箱信息是否与所述第一集装箱信息相匹配;
S4、若所述第二时间点晚于所述第一时间点,并且所述第二集装箱信息与所述第一集装箱信息相匹配,则计算出卸载位置与装载位置的空载距离,并判断所述空载距离是否大于预设的距离阈值;
S5、若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列,并将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫状态预测模型输出的第一疲惫数值;
S6、调取预设的修正参数表和标准疲惫阈值;其中,修正参数表记录了在重集装箱-空集装箱-重集装箱的运输过程中,空集装箱运输距离与修正参数的对应关系;
S7、根据所述修正参数表,获取与所述空载距离对应的指定修正参数,根据公式:修正疲惫阈值=指定修正参数×标准疲惫阈值,计算出修正疲惫阈值;并判断第一疲惫数值是否小于修正疲惫阈值;
S8、若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶。
如上述步骤S1-S4所述,获取预设的车载终端发送的当前位置和第一集装箱信息;其中,所述车载终端对应的车辆从第一码头前往预设的卸载工厂,所述第一集装箱信息至少包括所述车辆上的集装箱型号;调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,并根据所述当前位置、卸载位置、装载位置、标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点;其中,所述第一预计时间点指车辆经由卸载工厂卸货后再前往装载工厂的预计到达时间;卸载位置指卸载工厂所处位置,装载位置指装载工厂所处位置;获取装载工厂终端发送的第二时间点和第二集装箱信息,并判断所述第二时间点是否晚于所述第一预计时间点,并且判断所述第二集装箱信息是否与所述第一集装箱信息相匹配;若所述第二时间点晚于所述第一时间点,并且所述第二集装箱信息与所述第一集装箱信息相匹配,则计算出卸载位置与装载位置的空载距离,并判断所述空载距离是否大于预设的距离阈值。
本申请将进/出口业务整合成一个新业务,从而使得车辆在进口货运集装箱卸货后不返回堆场,直接前往出口货运集装箱的装货点装货,然后运送至码头,从而集装箱在进/出口业务中实现了无缝对接,重去重回,提高了集装箱利用率。
因此,先要确定从第一码头前往预设的卸载工厂的车辆的当前位置、第一集装箱信息、卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,这是确定其是否可以进行重车、空车、重车三个阶段连续行驶(即重去重回)的依据,其中第一个重车阶段指的是从码头前往卸载工厂,中间的空车阶段指的是由卸载工厂前往装载工厂,第二个重车阶段指的是从装载工厂前往码头。
所述调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,并根据所述当前位置、卸载位置、装载位置、标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点的步骤S2,包括:
S201、调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度;
S202、获取所述当前位置和所述卸载位置之间的第一行驶路线,同时获取所述当前位置和所述卸载位置之间的第二行驶路线;
S203、对所述第一行驶路线的长度与所述第二行驶路线的长度进行加和处理,以得到行驶长度,将行驶长度除以标准行驶速度,得到行驶时长;
S204、将当前时间、行驶时长与标准卸货时间长度进行加和处理,以得到第一预计时间点。
从而假定该车辆能够前往装载工厂的前提下,其将到达的第一预计时间点。之所以要计算出第一预计时间点,原因在于,装载工厂对于集装箱和装载时间是有要求的,若装载时间比较靠前,而在装载时间前车辆无法到达,那么时间无法匹配,因此不适应进行重去重回的策略,当然,也需要考虑集装箱是否匹配,这将在后续步骤中进行判断。其中的标准卸货时间长度,指的是按标准卸货流程,将车辆上的集装箱的货物卸下所需要的标准时长。
再获取装载工厂终端发送的第二时间点和第二集装箱信息,并判断所述第二时间点是否晚于所述第一预计时间点,并且判断所述第二集装箱信息是否与所述第一集装箱信息相匹配。由于集装箱是有不同的型号,并且能够装载不同的货物,因此需要判断所述第二集装箱信息是否与所述第一集装箱信息相匹配,而判断所述第二集装箱信息是否与所述第一集装箱信息相匹配可采用任意可行方法实现,例如判断判断所述第二集装箱信息中的集装箱型号是否与所述第一集装箱信息中的集装箱型号相同,若相同,则判定匹配。当然,还可以考虑其他更进一步的信息,例如判断进/出口业务要求的集装箱箱主是否相同,若相同才进一步判定匹配
若所述第二时间点晚于所述第一时间点,并且所述第二集装箱信息与所述第一集装箱信息相匹配,才表明该集装箱车辆适宜进行重去重回的运输,因此计算出卸载位置与装载位置的空载距离,并判断所述空载距离是否大于预设的距离阈值。而进行空载距离的判断,目的在于,确定此次重去重回的运输,是否会对司机造成较大的负担,因为重去重回的运输中,涉及到重车、空车和重车三个阶段,申请人发现在集装箱车辆这种特种车辆的驾驶过程中,若单纯处于重车或者处于空车的驾驶状态,对于司机而言千害怕的负担是较轻的,而涉及到重车、空车和重车三个阶段,司机需要切换两次驾驶习惯,这会造成额外负担,使得司机更易疲惫,造成安全性下降。若空车的驾驶状态极短,例如卸载工厂与装载工厂相邻,那么这种负担倒是可以忽视,若空车的驾驶状态较长,则需要考虑这种驾驶对司机的影响了。因此,进行空车距离的判断,是为了判断司机是否适合进行重去重回的连续驾驶的起启,而前文的集装箱信息等判断,是为了判断车辆是否适合进行重去重回的行驶。
进一步地,本申请还可以在卸载工厂处对集装箱进行检验,如果存在瑕疵,将不可以进行出口货物的装柜与运输。
如上述步骤S5-S8所述,若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列,并将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫状态预测模型输出的第一疲惫数值;调取预设的修正参数表和标准疲惫阈值;其中,修正参数表记录了在重集装箱-空集装箱-重集装箱的运输过程中,空集装箱运输距离与修正参数的对应关系;根据所述修正参数表,获取与所述空载距离对应的指定修正参数,根据公式:修正疲惫阈值=指定修正参数×标准疲惫阈值,计算出修正疲惫阈值;并判断第一疲惫数值是否小于修正疲惫阈值;若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶。
若所述空载距离大于预设的距离阈值,表明需要考虑司机的当前状态,本申请将其数值化,即司机的第一疲惫数值。由于司机的驾驶状态是会反应在驾驶过程的,本申请在集装箱内预先布设多个传感器,以在司机在驾驶车辆过程时进行数据感测。在精力充沛下的司机进行重车驾驶时,反应在感测得到的数据上时,其应当是非突变的,例如不会经常出现异常加速或者异常减速等情况,而应当是尽可能进行匀速行驶。因此,这些传感数据序列能够反应司机的驾驶状态,也即第一疲惫数值。每个传感数据序列均是时间序列。第一疲惫状态预测模型可采用任意可行方式得到,例如在神经网络模型的基础上训练出适宜的预测模型;或者采用非机器学习的方式,采用本申请的特有分析模型进行第一疲惫数值的预测。其中,传感器例如为速度传感器、压力传感器和加速度传感器等等,需要注意的是,本申请的传感器是设置在集装箱上的,而非是直接设置在车辆上的,这是因为本申请涉及的是特种车辆,集装箱上设置的传感器对于司机状态的反应更具代表性。
其中,多个传感数据序列可经由车载终端发送而得到,或者也可以预先在集装箱上设置信号发送模块,并采用信号发送模块发送多个传感数据序列。
本申请中关于司机的状态,即疲惫值是有特别之处的,特别的原因在于,在普通驾驶过程中,司机的易疲惫程度与本申请中重车、空车、重车三阶段的易疲惫程度是不同的,本申请中司机更易疲惫,因此,本申请初步预测出的第一疲惫数值,只适用于普通的驾驶任务,例如单纯的重车驾驶任务,却难以直接应用于本申请的场景中。为了克服这个问题,本申请采用了修正疲惫阈值的方式。具体地,本申请预先进行司机进行纯重车的驾驶(依次经由第一码头、卸载工厂、装载工厂和第二码头),再对这个过程中进行疲惫值的人工标注,以确定标准疲惫阈值,因此所述标准疲惫阈值是人为确定的一个数值,在该数值以下出现事故的概率较高。当然,标准疲惫阈值也可以通过收集由于司机过于疲惫而导致的历史事故数值,确定在相似的行驶路线上,出事司机的状态,进而统计出标准疲惫阈值。其中,标准疲惫阈值是与第一码头、卸载工厂、装载工厂和第二码头的总驾驶长度相对应的。
本申请中,单纯应用标准疲惫阈值是不合适的,因为本申请中的重集装箱-空集装箱-重集装箱的运输过程中,空集装箱的运输距离与司机将要消耗的精力是有关的,这是由人的自然属性决定的,空集装箱的运输距离足够长时,则司机切换驾驶习惯具有足够的缓冲时间,因此修正参数较小,在极限情况下,重集装箱的行驶距离约等于0,而空集装箱的运输距离约等于全部路程时,修正参数应当约等于1;在另一极限情况下,重集装箱的行驶距离约等于全部路程,而空集装箱的运输距离约等于0时,修正参数也应当约等于1,但在这两个极限情况之间,修正参数应当是有所上升的。因此,若将修正参数表以空集装箱运输距离为横轴,修正参数的值为纵轴画出曲线,其曲线图像应当为类抛物线的形状。当然,所有的修正参数的数值都应当大于等于1。
进一步地,若所述空载距离大于预设的距离阈值,还可以继续判断所述这空载距离是否小于预设的第二距离阈值;若小于预设的第二距离阈值,则生成传感数据序列获取指令,以指示
获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列。这也是由修正参数表能够得出的结论。
因此,调取预设的修正参数表和标准疲惫阈值;再根据所述修正参数表,获取与所述空载距离对应的指定修正参数,根据公式:修正疲惫阈值=指定修正参数×标准疲惫阈值,计算出修正疲惫阈值;并判断第一疲惫数值是否小于修正疲惫阈值。若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶。
若第一疲惫数值小于修正疲惫阈值,表明司机的精力较为充沛,因此可以进行连续驾驶。
进一步地,若第一疲惫数值不小于修正疲惫阈值,则可以考虑更换司机进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶(但这种方式会使得新司机驾驶一辆并不熟悉的车辆,因此不是最优选择),或者更换其他的集装箱,重新进行本申请的上述流程。
其中,第一码头与第二码头可以相同,也可以不同。第二码头是出口码头。
进一步地,所述第一疲惫状态预测模型基于预设的神经网络模型,并采用有监督学习的方式训练而成,所述若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列,并将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫状态预测模型输出的第一疲惫数值的步骤S5之前,包括:
S41、从预设的数据库中调取多个样本传感数据序列;其中,样本传感数据序列是对样本车辆上的样本集装箱上布设的样本传感器感测得到的,并且在采集样本传感数据序列之时,样本车辆正在运输装有货物的集装箱;
S42、对所述多个样本传感数据序列进行人工标注处理,以标注上不同的疲惫数值;
S43、将标注处理后的多个样本传感数据序列,根据预设比例,划分为多个训练用传感数据序列和多个验证用传感数据序列;
S44、将所述多个训练用传感数据序列输入预设的神经网络模型中进行训练,以得到暂时疲惫状态预测模型;
S45、采用所述多个验证用传感数据序列对所述暂时疲惫状态预测模型进行验证,以得到验证结果,并判断验证结果是否为验证通过;
S46、若验证结果为验证通过,则将所述暂时疲惫状态预测模型记为第一疲惫状态预测模型。
从而以机器学习的方式,训练得到能够胜任疲惫数值预测的模型。进一步地,本申请可以采用其他的神经网络模型,由于本申请应用于时序预测,还可以采用长短期记忆网络模型,或者采用对抗网络模型、残差网络模型等等。多个样本传感数据序列与本申请前述的多个传感数据序列的类型应当一一对应相同。本申请采用有监督学习的方式,因此对所述多个样本传感数据序列进行人工标注处理,以标注上不同的疲惫数值。理论上来说,样本传感数据序列若频繁出现突变,那表明疲惫数值较高,这是一种标注依据,或者,也可以通过观察司机在驾驶前后表现出的状态差异,来作为人工标注的依据。但无论如何,样本传感数据序列与人的疲惫数值具有对应关系,这是可以确定的。再采用同源的训练数据进行训练,之后采用同源的验证数据进行验证,以保证最后得到的第一疲惫状态预测模型在实际使用时的可靠性。
进一步地,所述若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列,并将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫状态预测模型输出的第一疲惫数值的步骤S5,包括:
S501、若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列;所述多个传感数据序列的数量为n,n为大于1的整数;
S502、将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中,从而所述第一疲惫状态预测模型根据公式:
依次计算出n个影响曲线函数;其中,Wi(t)为第i个影响曲线函数,Pi(t)为第i个传感数据序列的传感数值随时间变化的曲线,pi(t)为与Pi(t)对应的预设的标准传感数据曲线,qi为预设的第i个偏差阈值,qi大于0;
S503、获取影响曲线函Wi(t)的取值等于qi的第一时间窗口长度,并获取影响曲线函Wi(t)的时间总长度,计算所述第一时间窗口长度除以所述时间总长度的时间比值Bi,从而得到与所述n个影响曲线函数分别对应的n个时间比值;
S504、根据公式:
本申请以特别的方式,进行第一疲惫数值的预测。由于传感数据序列反应了司机的状态,因此,本申请预先采集出标准传感数据曲线,再确定标准传感数据曲线与真实的传感数据曲线之间的差异,即可作为分析疲惫数值的依据。而标准传感数据曲线,是在休息充沛的司机进行相同路途的行驶过程中,采用具有相同位置的传感器感测得到(由于目的地是一定的,因此预先测量是容易实现的)。当然,为了适应不同的路况,本申请可以进行多次预先驾驶,以确定多个标准传感数据曲线,而实际分析时,选择与实际曲线最相似的一条标准传感数据曲线作为对比曲线即可。而标准疲惫数值,则是对休息充沛的司机的状态进行人工分析得到的。本申请采用公式:
依次计算出n个影响曲线函数,能够综合数值上及数值变化趋势上,确定两个曲线(真实曲线和标准曲线)之间的差异。而影响曲线函Wi(t)的取值等于qi的第一时间窗口长度,表明的是实际曲线与标准曲线不相似的时间长度,其值越大,表明司机的驾驶状态越差,可视为疲惫数值越大。再根据公式:
进一步地,所述若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶的步骤S8,包括:
S801、若第一疲惫数值小于修正疲惫阈值,则采用预设的车内摄像头,对车辆司机的面部进行图像采集处理,以得到面部图像;
S802、将所述面部图像输入预设的第二疲惫状态预测模型中进行处理,以得到所述第二疲惫状态预测模型输出的第二疲惫数值;其中,所述第二疲惫状态预测模型基于深度卷积神经网络模型训练得到;
S803、判断所述第二疲惫数值是否小于修正疲惫阈值;
S804、若所述第二疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶。
从而采用双重判断的方式,以提高疲惫数值的预测准确性。前文所述的第一疲惫数值是基于集装箱上传感器感测得到的多个传感数据序列分析得到的,而疲惫状态也会体现在司机的面部表情上,因此本申请进一步地采集面部图像,并输入第二疲惫状态预测模型中进行处理,以得到所述第二疲惫状态预测模型输出的第二疲惫数值。由于深度卷积神经网络模型适宜对图片数据的分析,因此所述第二疲惫状态预测模型基于深度卷积神经网络模型训练得到。深度卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层。若所述第二疲惫数值小于修正疲惫阈值,则能够进一步确定司机的精力仍是较为充沛,因此生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶。
本申请的基于大数据运用的提高集装箱使用效率的方法,获取预设的车载终端发送的当前位置和第一集装箱信息;调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点;获取装载工厂终端发送的第二时间点和第二集装箱信息;若所述第二时间点晚于所述第一时间点,并且所述第二集装箱信息与所述第一集装箱信息相匹配,则计算出空载距离;若所述空载距离大于预设的距离阈值,则获取多个传感数据序列,并输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫数值;调取预设的修正参数表和标准疲惫阈值;获取与所述空载距离对应的指定修正参数,计算出修正疲惫阈值;若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,提高了集装箱的利用效率,以及提高了集装箱运输过程中的安全性。
参照图2,本申请实施例提供一种基于大数据运用的提高集装箱使用效率的***,包括:
第一集装箱信息获取单元10,用于指示获取预设的车载终端发送的当前位置和第一集装箱信息;其中,所述车载终端对应的车辆从第一码头前往预设的卸载工厂,所述第一集装箱信息至少包括所述车辆上的集装箱型号;
第一预计时间点计算单元20,用于指示调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,并根据所述当前位置、卸载位置、装载位置、标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点;其中,所述第一预计时间点指车辆经由卸载工厂卸货后再前往装载工厂的预计到达时间;卸载位置指卸载工厂所处位置,装载位置指装载工厂所处位置;
第一预计时间点判断单元30,用于指示获取装载工厂终端发送的第二时间点和第二集装箱信息,并判断所述第二时间点是否晚于所述第一预计时间点,并且判断所述第二集装箱信息是否与所述第一集装箱信息相匹配;
空载距离判断单元40,用于指示若所述第二时间点晚于所述第一时间点,并且所述第二集装箱信息与所述第一集装箱信息相匹配,则计算出卸载位置与装载位置的空载距离,并判断所述空载距离是否大于预设的距离阈值;
第一疲惫数值获取单元50,用于指示若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列,并将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫状态预测模型输出的第一疲惫数值;
标准疲惫阈值调取单元60,用于指示调取预设的修正参数表和标准疲惫阈值;其中,修正参数表记录了在重集装箱-空集装箱-重集装箱的运输过程中,空集装箱运输距离与修正参数的对应关系;
第一疲惫数值判断单元70,用于指示根据所述修正参数表,获取与所述空载距离对应的指定修正参数,根据公式:修正疲惫阈值=指定修正参数×标准疲惫阈值,计算出修正疲惫阈值;并判断第一疲惫数值是否小于修正疲惫阈值;
连续行驶指令生成单元80,用于指示若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶。
其中上述单元分别用于执行的操作与前述实施方式的基于大数据运用的提高集装箱使用效率的方法的步骤一一对应,在此不再赘述。
本申请的基于大数据运用的提高集装箱使用效率的***,获取预设的车载终端发送的当前位置和第一集装箱信息;调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点;获取装载工厂终端发送的第二时间点和第二集装箱信息;若所述第二时间点晚于所述第一时间点,并且所述第二集装箱信息与所述第一集装箱信息相匹配,则计算出空载距离;若所述空载距离大于预设的距离阈值,则获取多个传感数据序列,并输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫数值;调取预设的修正参数表和标准疲惫阈值;获取与所述空载距离对应的指定修正参数,计算出修正疲惫阈值;若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,提高了集装箱的利用效率,以及提高了集装箱运输过程中的安全性。
参照图3,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于大数据运用的提高集装箱使用效率的方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于大数据运用的提高集装箱使用效率的方法。该计算机设备还包括显示屏和输入装置,分别用于展示人工交互界面和用于接收输入数据。
上述处理器执行上述基于大数据运用的提高集装箱使用效率的方法,其中所述方法包括的步骤分别与执行前述实施方式的基于大数据运用的提高集装箱使用效率的方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备,获取预设的车载终端发送的当前位置和第一集装箱信息;调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点;获取装载工厂终端发送的第二时间点和第二集装箱信息;若所述第二时间点晚于所述第一时间点,并且所述第二集装箱信息与所述第一集装箱信息相匹配,则计算出空载距离;若所述空载距离大于预设的距离阈值,则获取多个传感数据序列,并输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫数值;调取预设的修正参数表和标准疲惫阈值;获取与所述空载距离对应的指定修正参数,计算出修正疲惫阈值;若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,提高了集装箱的利用效率,以及提高了集装箱运输过程中的安全性。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现基于大数据运用的提高集装箱使用效率的方法,其中所述方法包括的步骤分别与执行前述实施方式的基于大数据运用的提高集装箱使用效率的方法的步骤一一对应,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、***、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、***、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、***、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种基于大数据运用的提高集装箱使用效率的方法,其特征在于,包括:
S1、获取预设的车载终端发送的当前位置和第一集装箱信息;其中,所述车载终端对应的车辆从第一码头前往预设的卸载工厂,所述第一集装箱信息至少包括所述车辆上的集装箱型号;
S2、调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,并根据所述当前位置、卸载位置、装载位置、标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点;其中,所述第一预计时间点指车辆经由卸载工厂卸货后再前往装载工厂的预计到达时间;卸载位置指卸载工厂所处位置,装载位置指装载工厂所处位置;
S3、获取装载工厂终端发送的第二时间点和第二集装箱信息,并判断所述第二时间点是否晚于所述第一预计时间点,并且判断所述第二集装箱信息是否与所述第一集装箱信息相匹配;
S4、若所述第二时间点晚于所述第一时间点,并且所述第二集装箱信息与所述第一集装箱信息相匹配,则计算出卸载位置与装载位置的空载距离,并判断所述空载距离是否大于预设的距离阈值;
S5、若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列,并将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫状态预测模型输出的第一疲惫数值;
S6、调取预设的修正参数表和标准疲惫阈值;其中,修正参数表记录了在重集装箱-空集装箱-重集装箱的运输过程中,空集装箱运输距离与修正参数的对应关系;
S7、根据所述修正参数表,获取与所述空载距离对应的指定修正参数,根据公式:修正疲惫阈值=指定修正参数×标准疲惫阈值,计算出修正疲惫阈值;并判断第一疲惫数值是否小于修正疲惫阈值;
S8、若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶。
2.根据权利要求1所述的基于大数据运用的提高集装箱使用效率的方法,其特征在于,所述调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,并根据所述当前位置、卸载位置、装载位置、标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点的步骤S2,包括:
S201、调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度;
S202、获取所述当前位置和所述卸载位置之间的第一行驶路线,同时获取所述当前位置和所述卸载位置之间的第二行驶路线;
S203、对所述第一行驶路线的长度与所述第二行驶路线的长度进行加和处理,以得到行驶长度,将行驶长度除以标准行驶速度,得到行驶时长;
S204、将当前时间、行驶时长与标准卸货时间长度进行加和处理,以得到第一预计时间点。
3.根据权利要求1所述的基于大数据运用的提高集装箱使用效率的方法,其特征在于,所述第一疲惫状态预测模型基于预设的神经网络模型,并采用有监督学习的方式训练而成,所述若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列,并将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫状态预测模型输出的第一疲惫数值的步骤S5之前,包括:
S41、从预设的数据库中调取多个样本传感数据序列;其中,样本传感数据序列是对样本车辆上的样本集装箱上布设的样本传感器感测得到的,并且在采集样本传感数据序列之时,样本车辆正在运输装有货物的集装箱;
S42、对所述多个样本传感数据序列进行人工标注处理,以标注上不同的疲惫数值;
S43、将标注处理后的多个样本传感数据序列,根据预设比例,划分为多个训练用传感数据序列和多个验证用传感数据序列;
S44、将所述多个训练用传感数据序列输入预设的神经网络模型中进行训练,以得到暂时疲惫状态预测模型;
S45、采用所述多个验证用传感数据序列对所述暂时疲惫状态预测模型进行验证,以得到验证结果,并判断验证结果是否为验证通过;
S46、若验证结果为验证通过,则将所述暂时疲惫状态预测模型记为第一疲惫状态预测模型。
4.根据权利要求1所述的基于大数据运用的提高集装箱使用效率的方法,其特征在于,所述若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列,并将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫状态预测模型输出的第一疲惫数值的步骤S5,包括:
S501、若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列;所述多个传感数据序列的数量为n,n为大于1的整数;
S502、将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中,从而所述第一疲惫状态预测模型根据公式:
依次计算出n个影响曲线函数;其中,Wi(t)为第i个影响曲线函数,Pi(t)为第i个传感数据序列的传感数值随时间变化的曲线,pi(t)为与Pi(t)对应的预设的标准传感数据曲线,qi为预设的第i个偏差阈值,qi大于0;
S503、获取影响曲线函Wi(t)的取值等于qi的第一时间窗口长度,并获取影响曲线函Wi(t)的时间总长度,计算所述第一时间窗口长度除以所述时间总长度的时间比值Bi,从而得到与所述n个影响曲线函数分别对应的n个时间比值;
S504、根据公式:
5.根据权利要求1所述的基于大数据运用的提高集装箱使用效率的方法,其特征在于,所述若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶的步骤S8,包括:
S801、若第一疲惫数值小于修正疲惫阈值,则采用预设的车内摄像头,对车辆司机的面部进行图像采集处理,以得到面部图像;
S802、将所述面部图像输入预设的第二疲惫状态预测模型中进行处理,以得到所述第二疲惫状态预测模型输出的第二疲惫数值;其中,所述第二疲惫状态预测模型基于深度卷积神经网络模型训练得到;
S803、判断所述第二疲惫数值是否小于修正疲惫阈值;
S804、若所述第二疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶。
6.一种基于大数据运用的提高集装箱使用效率的***,其特征在于,包括:
第一集装箱信息获取单元,用于指示获取预设的车载终端发送的当前位置和第一集装箱信息;其中,所述车载终端对应的车辆从第一码头前往预设的卸载工厂,所述第一集装箱信息至少包括所述车辆上的集装箱型号;
第一预计时间点计算单元,用于指示调取预设的卸载位置、装载位置、所述车辆的标准行驶速度和标准卸货时间长度,并根据所述当前位置、卸载位置、装载位置、标准行驶速度和标准卸货时间长度,计算出所述车辆的第一预计时间点;其中,所述第一预计时间点指车辆经由卸载工厂卸货后再前往装载工厂的预计到达时间;卸载位置指卸载工厂所处位置,装载位置指装载工厂所处位置;
第一预计时间点判断单元,用于指示获取装载工厂终端发送的第二时间点和第二集装箱信息,并判断所述第二时间点是否晚于所述第一预计时间点,并且判断所述第二集装箱信息是否与所述第一集装箱信息相匹配;
空载距离判断单元,用于指示若所述第二时间点晚于所述第一时间点,并且所述第二集装箱信息与所述第一集装箱信息相匹配,则计算出卸载位置与装载位置的空载距离,并判断所述空载距离是否大于预设的距离阈值;
第一疲惫数值获取单元,用于指示若所述空载距离大于预设的距离阈值,则获取集装箱内预先布设的多个传感器感测得到的多个传感数据序列,并将所述多个传感数据序列,输入预设的第一疲惫状态预测模型中进行处理,以得到第一疲惫状态预测模型输出的第一疲惫数值;
标准疲惫阈值调取单元,用于指示调取预设的修正参数表和标准疲惫阈值;其中,修正参数表记录了在重集装箱-空集装箱-重集装箱的运输过程中,空集装箱运输距离与修正参数的对应关系;
第一疲惫数值判断单元,用于指示根据所述修正参数表,获取与所述空载距离对应的指定修正参数,根据公式:修正疲惫阈值=指定修正参数×标准疲惫阈值,计算出修正疲惫阈值;并判断第一疲惫数值是否小于修正疲惫阈值;
连续行驶指令生成单元,用于指示若第一疲惫数值小于修正疲惫阈值,则生成连续行驶指令,以指示在不更换司机和车辆的前提下,进行依次经由第一码头、卸载工厂、装载工厂和第二码头的连续驾驶。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111189323.6A CN113902197B (zh) | 2021-10-12 | 2021-10-12 | 一种基于大数据运用的提高集装箱使用效率的方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111189323.6A CN113902197B (zh) | 2021-10-12 | 2021-10-12 | 一种基于大数据运用的提高集装箱使用效率的方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113902197A true CN113902197A (zh) | 2022-01-07 |
CN113902197B CN113902197B (zh) | 2024-06-25 |
Family
ID=79191758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111189323.6A Active CN113902197B (zh) | 2021-10-12 | 2021-10-12 | 一种基于大数据运用的提高集装箱使用效率的方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902197B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115159148A (zh) * | 2022-07-01 | 2022-10-11 | 上海东邮智能科技有限公司 | 交叉带分拣设备卸载单元能自动调整卸载位置的卸载方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140266668A1 (en) * | 2013-03-12 | 2014-09-18 | Daniel L. Blankenship | Shipping container security system and method |
CN105427075A (zh) * | 2015-11-24 | 2016-03-23 | 山东科技大学 | 一种用于港口集装箱卡车的混合式动态调度方法 |
KR20170019909A (ko) * | 2015-08-13 | 2017-02-22 | 박병종 | 최적 환승시스템 및 그 운용방법 |
KR20180114344A (ko) * | 2017-04-10 | 2018-10-18 | 주식회사 케이엘넷 | 정보망을 이용한 화물 반출입 관리 시스템 및 방법 |
CN109191826A (zh) * | 2018-08-31 | 2019-01-11 | 北京图森未来科技有限公司 | 一种车辆调度方法、车辆调度服务器 |
CN109685433A (zh) * | 2018-07-12 | 2019-04-26 | 北京图森未来科技有限公司 | 一种自动驾驶车辆跨境运输***及相关设备 |
KR102142221B1 (ko) * | 2019-08-27 | 2020-08-06 | 심언섭 | 수출입항만 물류 효율화를 위한 자동스케줄링 및 배정과 배차관리 시스템 |
CN111598504A (zh) * | 2020-04-20 | 2020-08-28 | 薛新峰 | 一种集装箱调运方法、装置及*** |
CN113076771A (zh) * | 2019-12-17 | 2021-07-06 | 深圳市优必选科技股份有限公司 | 一种车辆及其车辆管理***、监测方法 |
-
2021
- 2021-10-12 CN CN202111189323.6A patent/CN113902197B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140266668A1 (en) * | 2013-03-12 | 2014-09-18 | Daniel L. Blankenship | Shipping container security system and method |
KR20170019909A (ko) * | 2015-08-13 | 2017-02-22 | 박병종 | 최적 환승시스템 및 그 운용방법 |
CN105427075A (zh) * | 2015-11-24 | 2016-03-23 | 山东科技大学 | 一种用于港口集装箱卡车的混合式动态调度方法 |
KR20180114344A (ko) * | 2017-04-10 | 2018-10-18 | 주식회사 케이엘넷 | 정보망을 이용한 화물 반출입 관리 시스템 및 방법 |
CN109685433A (zh) * | 2018-07-12 | 2019-04-26 | 北京图森未来科技有限公司 | 一种自动驾驶车辆跨境运输***及相关设备 |
CN109191826A (zh) * | 2018-08-31 | 2019-01-11 | 北京图森未来科技有限公司 | 一种车辆调度方法、车辆调度服务器 |
KR102142221B1 (ko) * | 2019-08-27 | 2020-08-06 | 심언섭 | 수출입항만 물류 효율화를 위한 자동스케줄링 및 배정과 배차관리 시스템 |
CN113076771A (zh) * | 2019-12-17 | 2021-07-06 | 深圳市优必选科技股份有限公司 | 一种车辆及其车辆管理***、监测方法 |
CN111598504A (zh) * | 2020-04-20 | 2020-08-28 | 薛新峰 | 一种集装箱调运方法、装置及*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115159148A (zh) * | 2022-07-01 | 2022-10-11 | 上海东邮智能科技有限公司 | 交叉带分拣设备卸载单元能自动调整卸载位置的卸载方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113902197B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10423934B1 (en) | Automated vehicle diagnostics and maintenance | |
US12002001B2 (en) | Integrated multi-location scheduling, routing, and task management | |
US10896401B2 (en) | Coordinating shipments on freight vehicles | |
US12020184B2 (en) | Service detection and recommendation system | |
US20190213509A1 (en) | System for relational-impact based task management | |
KR20220158848A (ko) | 이행 센터들의 계층구조로부터의 전자 상거래 주문을 이행하는 시스템 및 방법 | |
US20220179416A1 (en) | Systems and methods for dynamic repositioning of inventory | |
JP2978888B1 (ja) | 配車計画システム | |
CN113902197A (zh) | 一种基于大数据运用的提高集装箱使用效率的方法与*** | |
CN112862184A (zh) | 运输信息预测方法、装置、电子设备及可读存储介质 | |
CN116002270B (zh) | 基于物联网的仓库货物存储管理方法和*** | |
US11537977B1 (en) | Method and system for optimizing delivery of consignments | |
KR20220006726A (ko) | 경로 빅데이터 기반 밀크런 자동배차 제공 장치 및 방법 | |
CN113743878B (zh) | 氢能运输车辆的派单方法、装置和计算机设备 | |
CN113052525B (zh) | 货物体积预估方法、拼单方法、装置及电子设备 | |
CN109919713A (zh) | 订单的推送方法、装置及可读存储介质 | |
CN108921326A (zh) | 一种基于相似度学习的智能文化基因物流配送方法 | |
Zhang et al. | Synchromodal freight transport re-planning under service time uncertainty: An online model-assisted reinforcement learning | |
CN115849195A (zh) | 运输设备的自适应对位校准方法、***、设备及存储介质 | |
CN114897359A (zh) | 多维数据下整车运力调度方法 | |
EP3861287B1 (en) | A method for operating a vehicle | |
CN113313420A (zh) | Agv智能入库*** | |
KR102558987B1 (ko) | 판매 시스템 및 자동 판매 방법 | |
CN109784821A (zh) | 一种园区服务车以及园区服务*** | |
CN117495237B (zh) | 货运集散***的管理方法、设备和可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |