一种港口粮食运输智能调度方法及系统发明专利

专利名称：一种港口粮食运输智能调度方法及系统

专利类型：发明专利

专利申请号：CN202411194796.9

专利申请（专利权）人：山东港口日照港集团有限公司,日照港裕廊股份有限公司
权利人地址：山东省日照市东港区黄海一路91号

专利发明（设计）人：李瑞松,滕健,安鹏宇,范江山,左家翰,张洋,陈淑雷,朱文韬,李继军,申鹏

专利摘要：本发明涉及港口粮食运输技术领域，具体涉及一种港口粮食运输智能调度方法及系统。所述方法包括如下步骤：获取港口储粮仓信息、粮食运输时间信息、粮食运输车辆信息和粮食装卸设备信息；利用所述港口储粮仓信息和所述粮食运输时间信息，构建港口粮食运输的优化路径查询模型；对所述优化路径查询模型进行模型训练，确定最优运输路径；基于所述最优运输路径和所述粮食运输车辆信息，确定最优粮食分配方案；根据所述最优粮食分配方案和所述粮食装卸设备信息，确定最优装卸时间；通过所述最优运输路径、所述最优粮食分配方案和所述最优装卸时间，实现对港口粮食运输的智能调度。本发明有效降低了运营成本，实现了粮食运输的精细化智能调度。

主权利要求：
1.一种港口粮食运输智能调度方法，其特征在于，所述方法包括如下步骤：获取港口储粮仓信息、粮食运输时间信息、粮食运输车辆信息和粮食装卸设备信息；
利用所述港口储粮仓信息和所述粮食运输时间信息，构建港口粮食运输的优化路径查询模型；
对所述优化路径查询模型进行模型训练，确定最优运输路径；
基于所述最优运输路径和所述粮食运输车辆信息，确定最优粮食分配方案；
根据所述最优粮食分配方案和所述粮食装卸设备信息，确定最优装卸时间；
通过所述最优运输路径、所述最优粮食分配方案和所述最优装卸时间，实现对港口粮食运输的智能调度；
所述获取港口储粮仓信息、粮食运输时间信息、粮食运输车辆信息和粮食装卸信息包括：获取港口储粮仓的相邻路径长度、储粮和需粮信息；获取港口相邻储粮仓之间的实际运输时间和理论运输时间的数据集信息；获取港口粮食运输车辆数目和载重量信息；获取港口粮食装卸设备的启动时间、反应时间、运行速度和长度信息；
装卸时间模型包括单元装卸时间模型和系统装卸时间模型；所述单元装卸时间模型满足如下表达式：=
其中， 表示第 个装卸设备的装卸时间， 表示第 个装卸设备的长度， 表示第个装卸设备的速度， 表示装卸设备的反应时间， 表示第 个装卸设备的启动时间；根据所述单元装卸时间模型，对于相邻两个装卸设备，要使装卸损耗最少，则上一个装卸设备的粮食刚好要运输到下一个装卸设备时，下一个装卸设备刚好启动完成，则获得如下表达式：所述系统装卸时间模型满足如下表达式：
其中，表示粮食装卸总时间， 表示第 个流转储粮仓分配车辆所对应的装卸设备总长度， 表示第 个流转储粮仓分配车辆所对应装卸设备的平均运转速度， 表示第 个流转储粮仓分配车辆所对应装卸设备的启动总时间， 表示第 个流转储粮仓分配车辆所对应装卸设备的总反应时间， ；根据所述系统装卸时间模型，若要保证装卸设备运行时间最短的同时，又不影响其他车辆的装卸，则获得如下表达式：所述利用所述港口储粮仓信息和粮食运输时间信息，构建港口粮食运输的优化路径查询模型包括：利用所述港口储粮仓信息和粮食运输时间信息，构建港口粮食运输的路径查询模型；通过所述路径查询模型，构建港口粮食运输的优化路径查询模型；所述路径查询模型满足如下表达式：其中， 表示第 个流转储粮仓的路径查询状态值， 表示第 个流转储粮仓的散粮温度， 表示第 个流转储粮仓的散粮相对湿度， 表示第 个流转储粮仓的散粮水分，、和分别表示散粮的温度、相对湿度和水分数值化常量， 表示第 个流转储粮仓与需粮储粮仓之间的路径长度， 表示第 个流转储粮仓的粮食重量，表示需粮储粮仓的粮食需求重量， 表示第 个流转储粮仓到需粮储粮仓的实际运输时间， 表示第 个流转储粮仓到需粮储粮仓的理论运输时间，表示粮食运输到同一个需粮储粮仓所对应的流转储粮仓个数；
所述优化路径查询模型满足如下表达式：
其中， 表示第 个流转储粮仓在时间序列 上的优化路径查询状态值， 表示第 个流转储粮仓的路径查询状态值，表示归一化函数，表示注意值， 、表示学习矩阵，表示路径查询向量，表示归一化函数偏差。
2.根据权利要求1所述的一种港口粮食运输智能调度方法，其特征在于，所述对所述优化路径查询模型进行模型训练，确定最优运输路径包括：对所述优化路径查询模型进行模型训练，获得所述模型训练的结果；
根据所述结果，确定最优训练数据集；
通过所述最优训练数据集，确定最优运输路径。
3.根据权利要求1所述的一种港口粮食运输智能调度方法，其特征在于，所述基于所述最优运输路径和所述粮食运输车辆信息，确定最优粮食分配方案包括：基于所述最优运输路径和所述粮食运输车辆信息，构建粮食运输车辆分配模型；
根据所述粮食运输车辆分配模型，构建粮食分配模型；
利用所述粮食分配模型，确定最优粮食分配方案。
4.根据权利要求3所述的一种港口粮食运输智能调度方法，其特征在于，所述粮食运输车辆分配模型满足如下表达式：，
其中， 表示参与粮食运输的所有车辆数目， 表示第 个流转储粮仓分配的车辆数目， 表示第 个流转储粮仓到需粮储粮仓的路径长度， ；所述粮食分配模型满足如下表达式：，
，
其中，表示需粮储粮仓的需粮重量， 表示第 个流转储粮仓分配的车辆数目， 表示第 个流转储粮仓到需粮储粮仓的路径长度， 表示第 个流转储粮仓所分配车辆的平均装粮重量， 表示每一辆车的最大装粮重量， 。
5.根据权利要求1所述的一种港口粮食运输智能调度方法，其特征在于，所述根据所述最优粮食分配方案和所述粮食装卸设备信息，确定最优装卸时间包括：根据所述最优粮食分配方案和所述粮食装卸设备信息，确定粮食装卸设备的分配方案；
根据所述分配方案，构建装卸时间模型；
根据所述装卸时间模型，确定最优装卸时间。
6.一种港口粮食运输智能调度系统，所述系统使用权利要求1至5任意一项所述的港口粮食运输智能调度方法，其特征在于，所述系统包括输入设备、处理器、输出设备和存储器，所述输入设备、所述处理器、所述输出设备和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令。 说明书 : 一种港口粮食运输智能调度方法及系统技术领域[0001] 本发明涉及港口粮食运输技术领域，具体涉及一种港口粮食运输智能调度方法及系统。背景技术[0002] 在粮食运输过程中，散粮的装卸、运输和仓储等环节常因撒漏、扬尘、水湿、破碎、虫鼠雀害、发热、霉变、污染等因素导致量的减少。而且，散装、散运、散卸、散储等四散化的专业技术配套设备建设不完善，运输费用高且占据了粮食运输费用的大半。因此，确保粮食高效率、高质量和低成本运输，已成为港口粮食运输的重要任务。[0003] 现有技术中，提出了一种基于查找最短运输路径和优化装卸设备运行时间的粮食调度方法，该粮食调度方法不仅提升了粮食散装运输过程中的运输效率和运输质量，还降低了运输成本。但仍存在一些不足之处，一是未充分考虑道路拥堵、施工、弯道多、红绿灯多和崎岖不平等影响粮食运输的路况信息，导致查询的最短路径并不一定是最优路径；二是未在确定运输路径协作关系的基础上进行合理的车辆分配，导致运输成本提升；三是利用相邻两个装卸设备同时启动来优化装卸时间的方法，会使得其中一个装卸设备存在无粮运输时间，从而导致运输损耗的增加。[0004] 目前，针对港口粮食运输智能调度的研究工作并不多，尚无具体的综合考虑路况信息、粮食运输车辆和粮食装卸时间的港口粮食运输智能调度方法。发明内容[0005] 针对现有技术中的缺陷，本发明提供了一种港口粮食运输智能调度方法及系统。[0006] 一方面，所述港口粮食运输智能调度方法包括如下步骤：获取港口储粮仓信息、粮食运输时间信息、粮食运输车辆信息和粮食装卸设备信息；利用所述港口储粮仓信息和所述粮食运输时间信息，构建港口粮食运输的优化路径查询模型；对所述优化路径查询模型进行模型训练，确定最优运输路径；基于所述最优运输路径和所述粮食运输车辆信息，确定最优粮食分配方案；根据所述最优粮食分配方案和所述粮食装卸设备信息，确定最优装卸时间；通过所述最优运输路径、所述最优粮食分配方案和所述最优装卸时间，实现对港口粮食运输的智能调度。本发明通过最优运输路径、最优粮食分配方案和最优装卸时间增强了粮食的智能调度能力，为应对突发情况提供了有力支持。其中，获得的最优运输路径，不仅显著提升了运输效率，减少了粮食在途时间，还确保了粮食运输的安全与品质；获得的最优粮食分配方案，有效降低了车辆运营成本，实现了经济效益与环境效益的双赢；获得的最优装卸时间，不仅提升了粮食装卸的效率，还降低了粮食装卸设备的损耗。[0007] 可选地，所述获取港口储粮仓信息、粮食运输时间信息、粮食运输车辆信息和粮食装卸信息包括：获取港口储粮仓的相邻路径长度、储粮和需粮信息；获取港口相邻储粮仓之间的实际运输时间和理论运输时间的数据集信息；获取港口粮食运输车辆数目和载重量信息；获取港口粮食装卸设备的启动时间、反应时间、运行速度和长度信息。本发明获取的港口储粮仓信息、粮食运输时间信息、粮食运输车辆信息和粮食装卸信息，增强了粮食供应链的透明度，为港口粮食市场的稳定供应提供了坚实的数据支撑。[0008] 可选地，所述利用所述港口储粮仓信息和粮食运输时间信息，构建港口粮食运输的优化路径查询模型包括：利用所述港口储粮仓信息和粮食运输时间信息，构建港口粮食运输的路径查询模型；通过所述路径查询模型，构建港口粮食运输的优化路径查询模型。本发明构建的优化路径查询模型能够迅速响应市场变化，动态调整运输方案，有效规避拥堵、风险及高成本区域，确保粮食快速、安全、经济地送达港口目的地。[0009] 可选地，所述路径查询模型满足如下表达式：[0010][0011] 其中， 表示第i个流转储粮仓的路径查询状态值，Ei表示第i个流转储粮仓的散粮温度，Fi表示第i个流转储粮仓的散粮相对湿度，Gi表示第i个流转储粮仓的散粮水分，E、F和G分别表示散粮的温度、相对湿度和水分数值化常量， 表示第i个流转储粮仓指向需粮储粮仓的路径长度，Vi表示第i个流转储粮仓的粮食重量，R表示需粮储粮仓的粮食需求重量，Hi表示第i个流转储粮仓到需粮储粮仓的实际运输时间，Ti表示第i个流转储粮仓到需粮储粮仓的理论运输时间，n表示运输粮食到同一个需粮储粮仓所对应的流转储粮仓个数。所述优化路径查询模型满足如下表达式：[0012][0013] 其中， 表示第i个流转储粮仓在时间序列t上的优化路径查询状态值，表示第i个流转储粮仓的路径查询状态值，σ表示归一化函数，a表示注意值，K、u表示学习矩阵，w表示路径查询向量，D表示归一化函数偏差，t表示时间序列。本发明将复杂的运输过程抽象为直观的数据体系，实现运输路径、成本、时间、环境等多维度的综合量化与优化；通过引入神经网络的自注意力机制，实现对多维数据的精确化分析，进一步推动港口粮食运输的智能化、高效化发展。[0014] 可选地，所述对所述优化路径查询模型进行模型训练，确定最优运输路径包括：对所述优化路径查询模型进行模型训练，获得所述模型训练的结果；根据所述结果，确定最优训练数据集；通过所述最优训练数据集，确定最优运输路径。本发明通过利用模型训练法获得最优运输路径的方式，有效降低了粮食运输成本，提高了粮食运输效率，减少了环境负担，确保了粮食质量和安全，进一步提升了港口粮食运输管理水平、促进了粮食贸易可持续发展。[0015] 可选地，所述基于所述最优运输路径和所述粮食运输车辆信息，确定最优粮食分配方案包括：基于所述最优运输路径和所述粮食运输车辆信息，构建粮食运输车辆分配模型；根据所述粮食运输车辆分配模型，构建粮食分配模型；利用所述粮食分配模型，确定最优粮食分配方案。本发明构建的粮食运输车辆分配模型考虑了所有可能的车辆分配组合，确保每种方案都能与最优路径紧密契合；构建的粮食分配模型集成了运输路径、车辆数量及粮食装载量等多维度因素，通过模型分析确定了最优粮食分配方案，该方案不仅确保了粮食运输的及时性与安全性，还实现了资源的最优配置，降低了整体运营成本，为港口粮食运输的高效运作提供了强有力的支持。[0016] 可选地，所述粮食运输车辆分配模型满足如下表达式：[0017] ，[0018] 其中，M表示参与粮食运输的所有车辆数目，Mi表示第i个流转储粮仓分配的车辆数目，Li表示第i个流转储粮仓到需粮储粮仓的路径长度，i=1,2,3 n。所述粮食分配模型满足如下表达式：[0019] ，，[0020] 其中，R表示需粮储粮仓的需粮重量，Mi表示第i个流转储粮仓分配的车辆数目，Li表示第i个流转储粮仓到需粮储粮仓的路径长度，Ri表示第i个流转储粮仓所分配车辆的平均装粮重量，R0表示每一辆车的最大装粮重量，i=1,2,3 。本发明基于已确定好的最优路径，构建了粮食运输车辆分配模型和粮食分配模型，不仅体现了高度的抽象性与概括性，还蕴含了丰富的实际运输场景信息，能够快速、准确地获得最优粮食分配方案，进一步为粮食运输的智能化管理提供坚实的理论基础和技术支撑。[0021] 可选地，所述根据所述最优粮食分配方案和所述粮食装卸设备信息，确定最优装卸时间包括：根据所述最优粮食分配方案和所述粮食装卸设备信息，确定装卸设备的分配方案；根据所述分配方案，构建装卸时间模型；根据所述装卸时间模型，确定最优装卸时间。本发明确定的装卸设备分配方案，确保了每辆车的装卸作业都能得到及时且高效的支持；确定的装卸时间模型，综合考虑了设备效率、消耗等因素，通过精确分析获得最优装卸时间，不仅优化了装卸流程，减少了等待与闲置时间，降低了设备的运行损耗，还提升了整体运输效率，确保了粮食物流链的顺畅运行，为粮食安全供应提供了有力保障。[0022] 可选地，所述装卸时间模型包括单元装卸时间模型和系统装卸时间模型；所述单元装卸时间模型满足如下表达式：[0023][0024] 其中， 表示第n个装卸设备的装卸时间， 表示第n个装卸设备的长度， 表示第n个装卸设备的速度， 表示装卸设备的反应时间， 表示第n个装卸设备的启动时间；所述系统装卸时间模型满足如下表达式：[0025][0026] 其中，T表示粮食装卸总时间，di表示第i个流转储粮仓分配车辆所对应的装卸设备总长度，vi表示第i个流转储粮仓分配车辆所对应装卸设备的平均运转速度，ti表示第i个流转储粮仓分配车辆所对应装卸设备的启动总时间，t0表示第i个流转储粮仓分配车辆所对应装卸设备的总反应时间，i=1,2,3 n。本发明引入的单元装卸时间模型聚焦于相邻两个设备的装卸过程，深入剖析影响装卸损耗和效率的因素，力求实现装卸时间的最优化；引入的系统装卸时间模型综合考虑港口整体装卸作业流程、设备协同效率等因素，为制定全局最优的装卸策略提供了科学依据。通过对两者进行结合分析，既能保证装卸作业的整体协调性与高效性，又能兼顾每个运输细节的精准控制。[0027] 第二方面，本发明所提供的一种港口粮食运输智能调度系统包括输入设备、处理器、输出设备和存储器，所述输入设备、所述处理器、所述输出设备和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，所述系统使用所述的港口粮食运输智能调度方法。本发明所提供的港口粮食运输智能调度系统集成度高，各个组件之间信息传递顺畅，通过集成先进的数据分析、预测优化与自动化控制技术，实现了粮食运输的全流程智能化管理；通过实时调整调度方案，确保了粮食运输的连续性与稳定性；通过合理配置资源，降低了运营成本，提升了港口粮食运输的整体竞争力与可持续性。附图说明[0028] 图1为本发明实施例的港口粮食运输智能调度方法的流程图；[0029] 图2为本发明实施例的港口粮食运输智能调度系统的结构示意图；[0030] 图3为本发明实施例的港口粮食运输智能调度系统执行算法的流程图。具体实施方式[0031] 下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。[0032] 在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。[0033] 请参见图1，本发明的实施例提供了一种港口粮食运输智能调度方法，该方法包括如下步骤：[0034] S1.获取港口储粮仓信息、粮食运输时间信息、粮食运输车辆信息和粮食装卸设备信息；[0035] 其中，S1又包括如下步骤：[0036] S11.获取港口储粮仓的相邻路径长度、储粮和需粮信息；[0037] 其中，S11又包括如下步骤：[0038] S111.获取港口储粮仓的相邻路径长度；[0039] 获取港口储粮仓的相邻路径长度的方式包括但不限于卫星遥感和图像处理技术、地图测距技术。[0040] 在一个实施例中，采用了卫星遥感和图像处理技术，该技术利用卫星遥感图像，通过特征提取、边缘检测等图像处理技术获取储粮仓的具体位置，并计算它们之间的距离。该技术的优点在于适用于大范围区域的高精度测量。[0041] 具体地，首先，获取港口区域的卫星遥感图像或无人机拍摄的高清图像；[0042] 进一步地，利用专业的图像处理软件对图像进行预处理，包括去噪、增强对比度等；[0043] 进一步地，通过边缘检测算法获取储粮仓的轮廓，并提取出它们的中心点或特征点；[0044] 最后，根据图像上的比例尺和特征点之间的像素距离，计算出相邻两个储粮仓之间的相邻路径长度。[0045] 在另一个实施例中，采用了地图测距技术，该技术利用港口地理信息系统(GIS)地图，通过在地图上的比例尺和测量工具来计算两个储粮仓之间的距离。该技术的优点在于适用于两个相邻较远的储粮仓之间的距离测量。[0046] 具体地，首先，获取港口的GIS地图；[0047] 进一步地，在地图上做好相邻两个储粮仓位置的标记；[0048] 最后，使用地图上的测量工具，选择测距功能，分别在相邻两个储粮仓位置标记上进行点击，地图会自动计算出两点之间的相邻路径长度。[0049] 需要注意的是，相邻路径可能包含多条，也就是说，相邻两个储粮仓之间存在多个相邻路径长度。[0050] S112.获取港口储粮仓的储粮和需粮信息；[0051] 在本实施例中，获取港口储粮仓的储粮和需粮信息的过程包括利用港口粮食的专业数据平台，获取港口储粮仓的储粮和需粮信息；还包括：[0052] 利用湿度计获取散粮的相对湿度；[0053] 利用温度计获取散粮的温度；[0054] 利用水分测定仪获取散粮的水分。[0055] S12.获取港口相邻储粮仓之间的理论运输时间和实际运输时间数据集信息；[0056] 其中，S12又包括如下步骤：[0057] S121.获取港口相邻储粮仓之间的理论运输时间数据集;[0058] 在本实施例中，利用港口储粮仓的相邻路径长度与粮食运输车辆的正常速度相比，可得到港口相邻储粮仓之间的理论运输时间。[0059] 具体地，计算了多组不同车辆、不同正常速度的理论运输时间，形成了理论运输时间的数据集。[0060] S122.获取港口相邻储粮仓之间的实际运输时间数据集。[0061] 在本实施例中，在理论运输时间数据集的基础上，实际测试了多组不同车辆、不同正常速度的实际运输时间。[0062] 具体地，采用高精度计时器去捕捉每一辆粮食运输车在港口相邻储粮仓之间的运输时间，形成了实际运输时间的数据集。[0063] S13.获取港口粮食运输车辆数目和载重量信息；[0064] 在本实施例中，通过港口物流管理系统获取车辆的数目和载重量信息，该系统会记录用于粮食运输车辆的数目、状态和装载情况。其中，装载情况包括装载的粮食种类、质量和重量等。[0065] S14.获取港口粮食装卸设备的启动时间、反应时间、运行速度和长度信息。[0066] 其中，S14又包括如下步骤：[0067] S141.获取港口粮食装卸设备的启动时间；[0068] 在本实施例中，通过查阅港口粮食装卸设备的技术资料，获得港口粮食装卸设备的启动时间。[0069] S142.获取港口粮食装卸设备的反应时间；[0070] 在本实施例中，通过利用传感器测试，获得港口粮食装卸设备的反应时间；[0071] 具体地，在装卸设备上安装传感器，记录从指令发出后，装卸设备收到指令并准备启动的时间差。[0072] S143.获取港口粮食装卸设备的运行速度；[0073] 在本实施例中，通过远程监控平台，实时查看港口粮食装卸设备的运行速度。[0074] S144.获取港口粮食装卸设备的长度信息。[0075] 在本实施例中，通过查阅港口粮食装卸设备的技术资料，获得港口粮食装卸设备的长度信息。[0076] S2.利用所述港口储粮仓信息和粮食运输时间信息，构建港口粮食运输的优化路径查询模型；[0077] 其中，S2又包括如下步骤：[0078] S21.利用所述相关信息，构建港口粮食运输的路径查询模型；[0079] 在本实施例中，对港口各个储粮仓及相互之间的路径进行了拓扑操作，形成了运输路径的有向图；[0080] 具体地，流转储粮仓在运输路径上都指向同一个需粮储粮仓，并且离需粮储粮仓较远的流转储粮仓在运输路径上都指向离需粮储粮仓较近的流转储粮仓；[0081] 进一步地，通过综合考虑粮食运输的路况以及粮食的相对湿度、温度和水分的影响，构建了用于判断港口粮食运输路径的路径查询模型；[0082] 具体地，所述路径查询模型满足如下表达式：[0083][0084] 其中， 表示第i个流转储粮仓的路径查询状态值，Ei表示第i个流转储粮仓的散粮温度，Fi表示第i个流转储粮仓的散粮相对湿度，Gi表示第i个流转储粮仓的散粮水分，E、F和G分别表示散粮的温度、相对湿度和水分数值化常量，Li表示第i个流转储粮仓指向需粮储粮仓的路径长度，Vi表示第i个流转储粮仓的粮食重量，R表示需粮储粮仓的粮食需求重量，Hi表示第i个流转储粮仓到需粮储粮仓的实际运输时间，Ti表示第i个流转储粮仓到需粮储粮仓的理论运输时间，n表示运输粮食到同一个需粮储粮仓所对应的流转储粮仓个数。[0085] 当 时，第i个流转储粮仓的粮食重量能满足需粮储粮仓的粮食重量需求，此时港口粮食的运输路径只有一条。[0086] 当 时，第i个流转储粮仓的粮食重量不能满足需粮储粮仓的粮食重量需求，此时港口粮食的运输路径有多条，即存在协同运输，也就是说，多个流转储粮仓同时向同一个需粮储粮仓运输粮食，该运输满足以下关系式：[0087][0088] 其中， 表示第i个流转储粮仓实际运输的粮食重量，R表示需粮储粮仓的粮食需求重量，n表示协同运输的粮仓个数。[0089] 需要注意的是，该港口粮食运输路径查询模型中的实际运输时间都是大于理论运输时间的，其造成延迟的原因包括但不限于道路拥堵、施工、弯道多、红绿灯多和崎岖不平等因素的影响。[0090] S22.通过所述路径查询模型，构建港口粮食运输的优化路径查询模型。[0091] 在本实施例中，引入了神经网络中的自注意力机制，该机制通过考虑时间序列上粮食运输的路况以及粮食的相对湿度、温度和水分的特点，构建了港口粮食运输的优化路径查询模型，所述优化路径查询模型满足如下表达式：[0092][0093] 其中， 表示第i个流转储粮仓在时间序列t上的优化路径查询状态值，表示第i个流转储粮仓的路径查询状态值，σ表示归一化函数，a表示注意值，K、u表示学习矩阵，w表示路径查询向量，D表示归一化函数偏差，t表示时间序列。[0094] S3.对所述优化路径查询模型进行模型训练，确定最优运输路径；[0095] 其中，S3又包括如下步骤：[0096] S31.对所述优化路径查询模型进行模型训练，获得所述模型训练的结果；[0097] 在本实施例中，基于优化路径查询模型，将实际运输时间划分为多个时间序列，再将模型的时间序列和实际运输时间序列形成一个序列映射关系，该映射关系满足如下表达式：[0098][0099] 其中， 表示优化路径查询模型对应的第k个时间序列， 表示实际运输的第k个时间序列，表示时间映射函数，该映射函数保证了两类时间序列存在稳定的对应关系；[0100] 进一步地，获取不同时间条件下，散粮的相对湿度、温度和水分以及运输的实际时间和理论时间的数据集;[0101] 进一步地，将获取到的数据集通过映射关系形成优化路径查询模型的时间序列上的数据集，该数据集如下：[0102][0103] 其中， 表示模型数据集合， 分别表示第i个流转储粮仓的散粮在时间序列T上的相对湿度、温度和水分， 表示第i个流转储粮仓到需粮储粮仓在时间序列T上的理论运输时间， 表示第i个流转储粮仓到需粮储粮仓在时间序列T上的实际运输时间；[0104] 进一步地，利用所述数据集，对港口粮食运输的优化路径查询模型进行训练，获得具有如下映射关系的训练数据集：[0105][0106] 其中， 表示训练数据集， 表示流转储粮仓在时间序列T上的路径查询状态值。[0107] S32.根据所述结果，确定最优训练数据集；[0108] 在本实施例中，通过确定 训练数据集中 的大小，来确定最优训练数据集；[0109] 具体地，最优训练数据集如下：[0110][0111] 其中， 表示最优训练数据集。[0112] S33.通过所述最优训练数据集，确定最优运输路径。[0113] 在本实施例中，通过将最优训练数据集代入到港口粮食运输的优化路径查询模型表达式中，可以计算得到最优运输路径的长度。[0114] S4.基于所述最优运输路径和所述粮食运输车辆信息，确定最优车辆分配方案；[0115] 其中，S4又包括如下步骤：[0116] S41.基于所述最优运输路径，确定粮食运输车辆分配模型；[0117] 在本实施例中，基于所述最优运输路径，构建了粮食运输车辆的分配模型，所述分配模型满足如下表达式：[0118] ，[0119] 其中，M表示可支配的所有粮食运输车辆，Mi表示第i个流转储粮仓分配的车辆数目，Li表示第i个流转储粮仓到需粮储粮仓的路径长度，i=1,2,3 n。[0120] S42.根据所述粮食运输车辆分配模型，构建粮食分配模型；[0121] 在本实施例中，通过考虑粮食运输车辆的粮食载重量，构建了粮食运输的分配模型。[0122] 具体地，所述粮食分配模型满足如下表达式：[0123] ，，[0124] 其中，R表示需粮储粮仓的需粮重量，R0表示每一辆车的最大装粮重量。Ri表示第i个流转储粮仓所分配车辆的平均装粮重量，i=1,2,3 n。[0125] S43.利用所述粮食分配模型，确定最优粮食分配方案。[0126] 在本实施例中，通过对粮食分配模型进行表达式分析，确定最优粮食分配方案。[0127] 具体地，基于粮食分配模型，获得的最优粮食分配方案需满足如下关系式：[0128][0129] 根据以上关系式可知，最优粮食分配方案确定为：在相对短的路径上尽可能分配相对多的车辆，而且这些车辆的粮食载重量尽可能大。[0130] S5.根据所述最优粮食分配方案和所述装卸设备信息，确定最优装卸时间；[0131] 其中，S5又包括如下步骤：[0132] S51.根据所述最优粮食分配方案和所述装卸设备信息，确定装卸设备的分配方案；[0133] 根据所述最优粮食分配方案，不仅可以实现粮食的最佳分配，还可以确定最先使用装卸设备的车辆。也就是说，装卸设备优先分配给最优路径较短的车辆进行粮食装卸。[0134] 在本实施例中，确定装卸设备的分配方案主要包含如下两个步骤：[0135] S511.将装卸设备优先与最优路径较短的车辆进行匹配；[0136] S512.根据粮食运输车辆的分配确定装卸设备的分配；[0137] 根据以上步骤，能够实现装卸设备低消耗的分配。[0138] S52.根据所述分配方案，确定装卸时间模型；[0139] 在本实施例中，在确定装卸设备分配个数的基础上，进一步优化装卸时间。[0140] 具体地，构建了装卸时间模型，所述装卸时间模型包括单元装卸时间模型和系统装卸时间模型。所述单元装卸时间模型满足如下表达式：[0141][0142] 其中， 表示第n个装卸设备的装卸时间， 表示第n个装卸设备的长度， 表示第n个装卸设备的速度， 表示装卸设备的反应时间， 表示第n个装卸设备的启动时间；所述系统装卸时间模型满足如下表达式：[0143][0144] 其中，T表示粮食装卸总时间，di表示第i个流转储粮仓分配车辆所对应的装卸设备总长度，vi表示第i个流转储粮仓分配车辆所对应装卸设备的平均运转速度，ti表示第i个流转储粮仓分配车辆所对应装卸设备的启动总时间， 表示第i个流转储粮仓分配车辆所对应装卸设备的总反应时间，i=1,2,3 n。[0145] S53.根据所述装卸时间模型，确定最优装卸时间。[0146] 在本实施例中，对装卸时间模型进行了分析，包括如下步骤：[0147] S531.对装卸时间模型进行结构性分析;[0148] 对于相邻两个装卸设备，要使装卸损耗最少，则上一个装卸设备的粮食刚好要运输到下一个装卸设备时，下一个装卸设备刚好启动完成。因此，需要满足以下表达式：[0149][0150] 该表达式表示的是第 个装卸设备的启动时间等于第 个装卸设备的启动时间和运输时间之和，另外，由于相邻两个设备的反应时间抵消了，所以该表达式未计入装卸设备的反应时间。该设备运行方式的优点在于，减少了相邻装卸设备的无粮运行时间，降低了运输损耗。[0151] S532.对装卸时间模型进行系统性分析。[0152] 根据车辆与装卸设备的分配可知，较长最优运输路径上的车辆一般后到达目的地，因此，需要将该路径上的车辆分配到装卸设备更少的装卸路径上。若要保证装卸设备运行时间最短的同时，又不影响其他车辆的装卸，则需要满足以下关系式：[0153][0154] 上述关系式中，相邻两个式子之间存在路径时间差，因此，即使取等号，也不会存在粮食装卸时由于多路混合导致拥堵、卡机等现象的发生。[0155] S6.通过所述最优运输路径、最优粮食分配方案和最优装卸时间，实现对港口粮食运输的智能调度。[0156] 在本实施例中，先确定最优运输路径；[0157] 进一步地，利用所述最优运输路径确定最优粮食分配方案；[0158] 进一步地，利用所述最优粮食分配方案确定最优装卸时间；[0159] 整个过程有利于实现对港口粮食运输的体系化、流程化、标准化和精细化智能调度。[0160] 请参见图2，图2为本发明实施例中的港口粮食运输智能调度系统结构示意图。该系统包括输入设备、处理器、输出设备和存储器，所述输入设备、所述处理器、所述输出设备和所述存储器相互连接。所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，所述系统使用所述的一种港口粮食运输智能调度方法。[0161] 在本实施例中，所述输入设备采用了一个触摸屏，所述触摸屏主要用于输入港口储粮仓数据信息、粮食运输时间数据信息、粮食运输车辆数据信息和粮食装卸设备数据信息；[0162] 所述处理器内置了模型算法，包括确定最优运输路径、最优粮食分配方案和最优装卸时间的模型算法，用于对输入设备输入的数据信息进行模型表达式计算；[0163] 所述输出设备采用了一个显示屏，所述显示屏主要用于显示经过处理器处理获得的结果；[0164] 所述存储器采用高速固态硬盘，用于存储输入设备输入的原始数据和处理器处理后的结果数据，所述存储器具有读写速度快、容量大、可靠性高的特点，能够满足大数据量存储的需求。[0165] 请参见图3，图3为本发明实施例的港口粮食运输智能调度系统执行算法的流程图。图3描述了所述港口粮食运输智能调度系统具体运行的流程，详细介绍了该系统处理器的处理过程。[0166] 综上所述，本发明通过最优运输路径、最优粮食分配方案和最优装卸时间，实现了粮食运输的体系化、流程化、标准化和精细化管理；通过实时调整调度方案，确保了粮食运输的连续性与稳定性；通过合理配置资源，降低了运营成本，提升了港口粮食运输的整体竞争力与可持续性。[0167] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

专利地区：山东

专利申请日期：2024-08-29

专利公开日期：2024-11-22

专利公告号：CN118691180B