买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉复旦大学申请的专利一种自动化码头集装箱船的重点作业路预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114595872B 。

龙图腾网通过国家知识产权局官网在2025-06-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210169024.4，技术领域涉及：G06Q10/047；该发明授权一种自动化码头集装箱船的重点作业路预测方法是由孙未未;郑卓睿设计研发完成，并于2022-02-23向国家知识产权局提交的专利申请。

本一种自动化码头集装箱船的重点作业路预测方法在说明书摘要公布了：本发明属于自动化技术领域，具体为一种自动化码头集装箱船的重点作业路预测方法。本发明根据自动化码头现场桥吊的作业数据和各个贝位的作业计划，实时预测每条集装箱船的重点作业路，步骤包括：特征提取阶段从自动化码头历史数据进行采样，提取每个集装箱历史作业特征和计划作业特征；训练阶段将提取的特征输入到一个神经网络模型中，对贝位作业时间进行预测和训练；在线预测阶段：使用训练阶段所得到的模型预测桥吊每个贝位的作业时间，得到最大用时的作业路，标记为重点作业路。本发明方法预测重点作业路的准确率上显著优于现有方法，在实际环境下具有较好的效果。

本发明授权一种自动化码头集装箱船的重点作业路预测方法在权利要求书中公布了：1.一种自动化码头集装箱船的重点作业路预测方法，其特征在于，分为如下三个阶段：一特征提取阶段；对自动化码头历史数据按照时间切片，采样得到大量不同时间点的历史作业数据和计划作业数据，从数据中提取特征后预处理为多元变量时间序列数据；二训练阶段；将多元变量时间序列数据输入到一个多层神经网络模型进行训练，并且以桥吊历史作业特征和贝位计划作业特征间距离和预测误差损失函数作为约束；三在线预测阶段；使用训练阶段所得到的模型预测桥吊完成每个贝位作业时间；计算得到重点作业路预测结果，并定时更新参数；一特征提取阶段的具体步骤为：1以固定时间间隔进行采样；提取采样时间点之前固定时间窗口内的集装箱信息，包括桥吊作业数据、AGV作业数据、轨道吊作业数据；提取每个集装箱的作业特征，包括集装箱长度类型以及各个机械作业工艺信息，并转化为数值型变量，将集装箱流水线装卸作业过程中每个步骤的时间点减去上个步骤的时间点得到该步骤用时，作为特征之一；将过去作业的集装箱特征数据按照集装箱作业顺序排列为桥吊历史作业时间序列Xh；2从历史数据中提取采样时间点后该桥吊在该贝位计划作业的集装箱数据；筛选现场作业时能够实时获取的信息，将这些信息转化为数值型变量；将计划作业的集装箱特征数据按照集装箱计划作业顺序排列为贝位计划作业时间序列数据Xp；3提取在采样时间点后在该贝位的剩余作业时间；从历史数据中读取该贝位所有集装箱的作业数据，得到贝位完成时间；去除数据中相邻两个集装箱作业时间间隔超过一定时间的情况，将贝位完成作业时间减去当前时间和间隔时间作为实际作业时间；得到在采样时间点作业路在该贝位的剩余作业时间；正则化剩余作业时间；二训练阶段的具体步骤为：1构建一个神经网络模型，由桥吊历史作业特征提取网络Eh，贝位计划作业特征提取网络Ep和一个全连接神经网络组成；2桥吊历史作业特征提取网络Eh和贝位计划作业特征提取网络Ep为两个结构相同但参数不同的多层神经网络模型；每层神经网络计算公式如下：Xi+1＝fcnnXi+fattnXi，1其中，Xi表示第i层输入数据，X0为训练数据；fcnn表示一维卷积神经网络，由卷积层，激活函数和池化层组成；fattn为自注意力机制函数，其计算公式如下： 其中，dk为集装箱的特征维度；最终l维提取桥吊历史作业特征：fh＝EhXh，3同样的，提取l维贝位计划作业特征：fp＝EpXp，43定义特征间距离：Ld＝||fh-fp||2，5拼接桥吊历史作业特征，贝位计划作业特征和特征间距离，得到新特征X＝[fh,fp,Ld]；使用全连接神经网络预测得到预测时间；全连接神经网络计算公式如下:tp＝WX+b，6其中，tp为预测桥吊完成该贝位计划作业所需时间，X为拼接后的新特征，和为全连接神经网络的可学习参数；4定义预测损失函数为预测作业时间和真实作业时间的平方误差：Lp＝tp-tw2，7定义损失函数为：L＝Ld+Lp，8训练的目标是最小化损失函数L，即： 其中，θ表示模型的训练参数，包括多层神经网络的一维卷积神经网络的卷积核和全连接神经网络的权重矩阵和偏置矩阵，D为数据集大小；最后使用基于随机梯度下降的算法更新模型参数；三在线预测阶段的具体步骤为：1对于每个桥吊，读取自动化码头管理系统中实时作业数据中过去某个时间窗口作业数据并提取每个集装箱单元的特征得到历史作业的多元变量时间序列Xh；读取每个贝位的作业计划，提取每个集装箱单元的特征得到贝位bk计划作业的多元变量时间序列Xp；2使用训练阶段所得到的模型预测桥吊s完成贝位bi的计划装卸任务作业时间为：tbi＝W·[EhXh,EpXp,||EhXh-EpXp||2]+b，103读取自动化码头管理系统中正在作业的集装箱船的船图表，桥吊s和所在贝位bs，桥吊最小间隔距离为w，贝位bk的相对位置pk；遍历得到包含桥吊s所在的作业贝位的作业路Bi：Bi＝{bk,bk+1,…,bk+n}，pk+n≤pk+w，bs∈Bi，11其中，Bi表示包含任何一个贝位在作业时其他贝位无法作业的连续贝位集合，称其为作业路；4枚举得到所有作业路的集合B＝{B1,B2,..,Bm}；完成该连续贝位集合Bi所需时间选择用时最大的作业路i＝argmaxtBi，该值表示包含该桥吊所在贝位bs的所有作业路中的最长用时，称其为桥吊的最长用时标记该作业路为重点作业路，输出结果到自动化码头管理系统；5桥吊完成该贝位作业时，将运行时数据和结果并入数据集；当数据集增加值达到一定阈值时，按照训练阶段重新训练该模型更新参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。