区域集装箱海运物理层-任务层-信息层网络模型

本发明涉及一种区域集装箱海运物理层-任务层-信息层网络模型。

背景技术：

集装箱海运网络是非均衡、非线性、开放和动态的复杂巨系统，系统内港口、航线交织成一个复杂网络，具有多层级、多区域、多主体、多维度、多目标等结构特征。随着物联网的广泛应用和基础设施控制系统的智能化、网络化发展，集装箱海运网络中“节点”、“边”的属性及其相互关系越来越复杂，按照传统网络建模与分析方法已难以理清网络间关联、系统准确地认知网络行为特征。

技术实现要素：

本发明提供一种区域集装箱海运物理层-任务层-信息层网络模型，能系统准确地认知集装箱海运网络行为及其拓扑结构特征，全局连贯地分析各层级、各区域、各决策维度之间的相互作用和影响，拓展了其实际应用范围。

为了达到上述目的，本发明提供一种区域集装箱海运物理层-任务层-信息层网络模型，包含以下步骤：

步骤s1、建立港口、航道、航线间的物理关联，计算集装箱海运网络节点的聚类系数，划分区域海运子网，建立区域集装箱海运物理层网络；

步骤s2、针对不同运营模式下多主体决策偏好，设计考虑交通流、能量流轨迹特征的耦合拓扑结构，建立区域集装箱海运任务层网络；

步骤s3、分析多主体之间的区域差异、规模差异、目标差异，构建多主体交互的决策知识空间，建立区域集装箱海运信息层网络。

所述的步骤s1包含以下步骤：

步骤s1.1、建立港口、航道、航线间的物理关联；

泊位、码头、港口、城市、区域、国家等构成多级点位；全球top20班轮公司定期发布的船期说明了港口之间的连通关系和货流规模；电子海图获得静态地理信息，ais提供集装箱船舶时空轨迹数据。采用多层密度聚类，将船舶时空轨迹数据与港口多级点位匹配，研究基于船舶轨迹时序数据的挂靠港口挖掘，生成港口、航道、航线间的物理关联；

步骤s1.2、计算集装箱海运网络节点的聚类系数；

班轮运输连接性指数(lsci)反应了国家/区域在集装箱海运网络中连接性的表现情况，在lsci基础上运用模糊c均值聚类算法，计算集装箱海运网络中各节点的聚类系数，从“重要性”与“可达性”两个方面挖掘节点间连接性作用机理，研究其空间连接性分布特征；

步骤s1.3、划分区域海运子网，建立区域集装箱海运物理层网络。

结合行政区划、货运需求、运输距离等属性，研究集装箱海运网络区域子网划分方式，建立区域集装箱海运物理层网络模型：np＝(vp,ep)；

其中，vp＝v支线港∪v干线港∪v枢纽港是港口节点的集合，v支线港是支线港的集合，v干线港是干线港的集合，v枢纽港是中转枢纽港的集合。是航线的集合，×表示笛卡尔积。

所述的步骤s2包含以下步骤：

步骤s2.1、针对多主体决策偏好，设计考虑交通流、能量流轨迹特征的耦合拓扑结构；

针对制造商、贸易商、船公司、港口、政府等多主体决策偏好，从效益、成本、能耗、排放视角，设计基于交通流-能量流耦合的多维拓扑结构表示方法，通过具有噪声的基于密度的聚类方法(density-basedspatialclusteringofapplicationswithnoise,dbscan)，按照不同的划分粒度，建立考虑交通流-能量流轨迹特征的耦合拓扑结构。

步骤s2.2、通过设计参变量关联方程式结合网络特性、耦合拓扑以及运营数据分析，构建区域集装箱海运任务层网络模型。

用流量、特征、状态参变量建立集装箱海运任务功能表达式或集合阐述功能创成过程，再通过设计参变量关联方程式结合网络特性、耦合拓扑以及运营数据分析，构建区域集装箱海运任务层网络模型：nd＝(vd,ed,ω1,ω2)，其中，vd是区域集装箱海运任务层作业任务节点的集合，vd是vp在区域集装箱海运任务层的投影，为区域集装箱海运任务层网络中的任意两节点且a≠b所构成的边集合，分别反映区域集装箱海运任务层网络边上t时刻交通流、能量流的权重，即描述交通流、能量流的时空态势。

所述的步骤s2.1包含以下步骤：

步骤s2.1.1，针对集装箱运输具有的时间和空间维度上的双重属性特征，采用布尔型变量建立区域集装箱海运网络的任务邻接矩阵其中为0-1变量，其值为1时表示t时刻任务k在港口i与港口j相连的航线上运输，反之为0。矩阵a的维度n即为任务所涉及的港口节点总个数，i、j取值为1～n之间的整数。

步骤s2.1.2，通过拉格朗日乘子建立任务驱动下交通流和能量流之间的联系。其中，l为迭代次数，交通流中的拉格朗日乘子旨在激励与优化运输航线，能量流中的拉格朗日乘子旨在顾及时空可行性控制能耗和排放。

所述的步骤s3包含以下步骤：

步骤s3.1、分析多主体之间的区域差异、规模差异、目标差异；

分析制造商、贸易商、船公司、港口、政府等多主体属性，从策略空间、决策目标、决策变量和约束条件等方面对多主体交互的主观性和不确定性进行梳理，对决策主体的区域差异、规模差异、目标差异进行量化表示。

步骤s3.2、构建多主体交互的决策知识空间

围绕货运需求、船期安排、运力配置、制度政策、运费、合作、竞争、服务等关键信息，利用分布式语言来处理同类主体内部及不同类主体间的关联决策知识特征，建立其“加法”、“乘法”、“结合律”和“交换律”等运算规则，以及决策目标的排序方法等。综合利用策略期望值和决策知识，建立多主体交互的决策知识空间：

其中，es(st)＝f((tα,φα),(dβ,φβ))是策略st的期望值，k(st)＝f((tα,φα),(dβ,φβ))是策略st的知识空间值。

步骤s3.3，采用基于owl的本体建模技术对结构化的决策知识进行建模，使关键信息及其关联关系具有唯一性、一致性和完备性，并支持逻辑推理，构建区域集装箱海运信息层网络模型：nf＝(vf,ef,ωf)，其中，为区域集装箱海运网络中的多元主体所构成的点集合，其中代表制造商集合，代表贸易商集合，代表船公司集合，代表港口集合，代表政府集合，q代表多元主体的类别。为区域集装箱海运信息层网络中的任意两节点且a≠b所构成的边集合，为区域集装箱海运信息层网络中边的权重(即信息流)。

本发明运用交叉融合的思想和方法，按照纵向分层、横向分区的顺序依次构建区域集装箱海运物理网络、任务网络、信息网络，能系统准确地认知集装箱海运网络行为及其拓扑结构特征，全局连贯地分析各层级、各区域、各决策维度之间的相互作用和影响，拓展了其实际应用范围。

附图说明

图1是本发明提供的一种区域集装箱海运物理层-任务层-信息层网络模型的流程图；

图2是区域集装箱海运物理层网络；

图3是区域集装箱海运业务层网络；

图4是区域集装箱海运信息层网络。

具体实施方式

以下根据图1～图4，具体说明本发明的较佳实施例。

如图1所示，本发明提供一种区域集装箱海运物理层-任务层-信息层网络模型，包含以下步骤：

步骤s1、建立港口、航道、航线间的物理关联，计算集装箱海运网络节点的聚类系数，划分区域海运子网，建立区域集装箱海运物理层网络；

步骤s2、针对不同运营模式下多主体决策偏好，设计考虑交通流、能量流轨迹特征的耦合拓扑结构，建立区域集装箱海运任务层网络；

步骤s3、分析多主体之间的区域差异、规模差异、目标差异，构建多主体交互的决策知识空间，建立区域集装箱海运信息层网络。

进一步，所述的步骤s1包含以下步骤：

步骤s1.1、建立港口、航道、航线间的物理关联；

泊位、码头、港口、城市、区域、国家等构成多级点位；全球top20班轮公司定期发布的船期说明了港口之间的连通关系和货流规模；电子海图获得静态地理信息，ais提供集装箱船舶时空轨迹数据。采用多层密度聚类，将船舶时空轨迹数据与港口多级点位匹配，研究基于船舶轨迹时序数据的挂靠港口挖掘，生成港口、航道、航线间的物理关联；

步骤s1.2、计算集装箱海运网络节点的聚类系数；

班轮运输连接性指数(lsci)反应了国家/区域在集装箱海运网络中连接性的表现情况，在lsci基础上运用模糊c均值聚类算法，计算集装箱海运网络中各节点的聚类系数，从“重要性”与“可达性”两个方面挖掘节点间连接性作用机理，研究其空间连接性分布特征；

步骤s1.3、划分区域海运子网，建立区域集装箱海运物理层网络，如图2所示。

结合行政区划、货运需求、运输距离等属性，研究集装箱海运网络区域子网划分方式，建立区域集装箱海运物理层网络模型：np＝(vp,ep)；其中，vp＝v支线港∪v干线港∪v枢纽港是港口节点的集合，v支线港是支线港的集合，v干线港是干线港的集合，v枢纽港是中转枢纽港的集合。是航线的集合，×表示笛卡尔积。

所述的步骤s2包含以下步骤：

步骤s2.1、针对多主体决策偏好，设计考虑交通流、能量流轨迹特征的耦合拓扑结构；

针对制造商、贸易商、船公司、港口、政府等多主体决策偏好，从效益、成本、能耗、排放视角，设计基于交通流-能量流耦合的多维拓扑结构表示方法，通过具有噪声的基于密度的聚类方法(density-basedspatialclusteringofapplicationswithnoise,dbscan)，按照不同的划分粒度，建立考虑交通流-能量流轨迹特征的耦合拓扑结构。

步骤s2.2、通过设计参变量关联方程式结合网络特性、耦合拓扑以及运营数据分析，构建区域集装箱海运任务层网络模型，如图3所示。

用流量、特征、状态参变量建立集装箱海运任务功能表达式或集合阐述功能创成过程，再通过设计参变量关联方程式结合网络特性、耦合拓扑以及运营数据分析，构建区域集装箱海运任务层网络模型：nd＝(vd,ed,ω1,ω2)，其中，vd是区域集装箱海运任务层作业任务节点的集合，vd是vp在区域集装箱海运任务层的投影，为区域集装箱海运任务层网络中的任意两节点且a≠b所构成的边集合，分别反映区域集装箱海运任务层网络边上t时刻交通流、能量流的权重，即描述交通流、能量流的时空态势。

所述的步骤s2.1具体包含以下步骤：

步骤s2.1.1，针对集装箱运输具有的时间和空间维度上的双重属性特征，采用布尔型变量建立区域集装箱海运网络的任务邻接矩阵其中为0-1变量，其值为1时表示t时刻任务k在港口i与港口j相连的航线上运输，反之为0。矩阵a的维度n即为任务所涉及的港口节点总个数，i、j取值为1～n之间的整数。

步骤s2.1.2，通过拉格朗日乘子建立任务驱动下交通流和能量流之间的联系。其中，l为迭代次数，交通流中的拉格朗日乘子旨在激励与优化运输航线，能量流中的拉格朗日乘子旨在顾及时空可行性控制能耗和排放。

所述的步骤s3包含以下步骤：

步骤s3.1、分析多主体之间的区域差异、规模差异、目标差异；

分析制造商、贸易商、船公司、港口、政府等多主体属性，从策略空间、决策目标、决策变量和约束条件等方面对多主体交互的主观性和不确定性进行梳理，对决策主体的区域差异、规模差异、目标差异进行量化表示。

步骤s3.2、构建多主体交互的决策知识空间

围绕货运需求、船期安排、运力配置、制度政策、运费、合作、竞争、服务等关键信息，利用分布式语言来处理同类主体内部及不同类主体间的关联决策知识特征，建立其“加法”、“乘法”、“结合律”和“交换律”等运算规则，以及决策目标的排序方法等。综合利用策略期望值和决策知识，建立多主体交互的决策知识空间：

其中，es(st)＝f((tα,φα),(dβ,φβ))是策略st的期望值，k(st)＝f((tα,φα),(dβ，φβ))是策略st的知识空间值。

步骤s3.3，采用基于owl的本体建模技术对结构化的决策知识进行建模，使关键信息及其关联关系具有唯一性、一致性和完备性，并支持逻辑推理，构建区域集装箱海运信息层网络模型，如图4所示：nf＝(vf,ef,ωf)，其中，为区域集装箱海运网络中的多元主体所构成的点集合，其中代表制造商集合，代表贸易商集合，代表船公司集合，代表港口集合，代表政府集合，q代表多元主体的类别。为区域集装箱海运信息层网络中的任意两节点且a≠b所构成的边集合，为区域集装箱海运信息层网络中边的权重(即信息流)。

本发明运用交叉融合的思想和方法，按照纵向分层、横向分区的顺序依次构建区域集装箱海运物理网络、任务网络、信息网络，能系统准确地认知集装箱海运网络行为及其拓扑结构特征，全局连贯地分析各层级、各区域、各决策维度之间的相互作用和影响，拓展了其实际应用范围。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。