一种用于智慧港口的运输网络运行指数预测方法及装置与流程

本发明涉及运输网络预测，尤其涉及一种用于智慧港口的运输网络运行指数预测方法及装置。

背景技术：

1、智慧港口，是以云计算、大数据、物联网等新一代信息技术与港口运输业务深度融合为核心，具有生产智能、管理智慧、保障有力等鲜明特征的现代港口运输新业态；运输网络是重要的交通运载通道，直接影响了沿线产业结构和人们的生活水平，刺激经济的快速增长，对现代社会的发展有着非常重要的意义；随着国民经济的不确定性的发展，部分港口开启了“死亡堵”模式，世界各主要港口“船满为患”，出现船员在锚地原地等待的现象，即不能航行也无法靠港，陷入另一种“海上牢笼”，而随着港口拥堵时间急剧增加，会增加运输成本和交通安全隐患；运输网络运行指数是衡量运输网络运行状况和效率的指标，通过综合考虑货物吞吐量、船舶数量、船舶停泊时间、道路交通状况等因素，反映了运输网络的整体运行水平和运输能力。

2、目前，交通管理部门为了合理制定有效地控制与管理措施，需要全面掌握全球物流的交通运行态势，还需要提前了解经济发展情况和港口拥堵情况，从而通过工作人员合理安排港口，或选择绕行路径，以此避开拥堵港区。

3、例如公开号为：cn108305459b公开的一种基于数据驱动的路网运行指数预测方法，包括：确定预测对象所属事件类型；确定需要预测的路网范围和时间范围，并根据事件类型将时间范围按照特征日分类；采集该预测的路网范围内的历史数据，提取相同事件类型的历史交通数据，并计算每个特征日的路网运行指数；对路网运行指数进行修正，确定修正系数和预测运行指数。

4、例如公开号为：cn113240908b公开的一种基于蚁群交哺策略的交通网络拥堵调控方法及系统，包括：应用经典的ltm交通流模型模拟城市交通路网来搭建出适用于城市交通路网拥堵传播规律的复杂网络交通流传播仿真框架，然后在复杂网络交通流传播仿真框架上，构建基于蚁群交哺-交哺行为启发的交通拥堵智能调控模型，使极为复杂的宏观路网整体调控问题分解为成千上万的、微小的节点控制单元的简单局部调控问题，从顶层策略设计层面对城市交通路网拥堵问题进行有效缓解。

5、例如公开号为：cn113516429a公开的一种基于网络拥堵模型的多agv全局规划方法，包括：首先建立区域化的地图，并根据运输需求给agv分配任务，确定agv路径的起始区域和目标区域；然后，在距离代价的基础上，引入包含转弯代价的时间代价与基于修正网络拥塞扩散模型的区域密度估值，以更新a*算法的估计代价值；最后基于改进a*算法进行区域间全局路径规划，获取连接当前区域和目标区域的路径区域集。

6、但本技术发明人在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

7、现有技术中，通过工作人员根据收集的信息制定出合理的运输安排方案，存在人工收集信息获取运行指数耗时长的问题。

技术实现思路

1、本技术实施例通过提供一种用于智慧港口的运输网络运行指数预测方法及装置，解决了现有技术中，存在人工收集信息获取运行指数耗时长的问题，实现了提高预测精度和效率，增强了预测模型的可靠性和实用性。

2、本技术实施例提供了一种用于智慧港口的运输网络运行指数预测方法，包括以下步骤：s1，采集港口数据：实时采集智慧港口的数据并将数据进行存储；s2，分析经济指标：根据采集的数据针对性地收集经济指标数据，并根据经济指标数据分析出宏观经济形势，保存宏观经济形势；s3，建立预测模型：利用智慧港口的历史数据和历史宏观经济形势建立预测模型，用于预测智慧港口的运输网络运行指数；s4，输出预测结果：将智慧港口实时数据和对应的实时宏观经济形势输入预测模型，输出预测的运输网络运行指数；s5，自动优化模型：定期将新的港口数据和宏观经济形势加入预测模型重训练，自动优化更新预测模型；s6，模型自动预警：实时监测和对比港口的运输网络运行指数的预测值和实际值，并在差异超过预定阈值时发送警报。

3、进一步的，所述s1中智慧港口的数据至少包括港口货物吞吐量、进出口船舶数量、船舶停泊时间、船舶排队等待时间、港口道路交通状况、货物种类和环境状况。

4、进一步的，所述s2中根据采集的数据针对性地收集经济指标数据的具体流程为：将采集的数据进行数据清洗和分词处理，得出的结果作为语料；针对智慧港口领域建立专属名词库；根据名词库对语料进行分析、归纳和总结，并识别出语料中的实体，将实体进行标注；提取潜在主题或话题，根据提取结果获取相关的经济指标文本信息；对经济指标文本信息进行处理和分析，获取经济指标数据。

5、进一步的，所述s2中根据经济指标数据分析出宏观经济形势的具体流程为：收集经济指标数据：获取各种经济指标的历史数据；数据清洗和预处理：对获取到的历史数据进行清洗和预处理；特征工程：根据经济学理论和数据分析方法，构建宏观经济指标特征集合；建立宏观经济形势分析模型：选择rnn算法构建分析模型，将经济指标特征和历史数据输入模型，训练得到分析模型；实时分析宏观经济形势：将新的经济指标数据输入到分析模型中，实时分析宏观经济形势。

6、进一步的，所述特征工程的具体步骤包括：数据的平滑和差分：对经济指标的历史数据进行平滑和差分，得到平稳的时间序列数据；特征的构建：构建宏观经济指标特征；特征选择：根据特征的重要性和相关性进行特征选择，选择最优的特征集合用于建模。

7、进一步的，所述选择rnn算法构建分析模型的具体流程为:对历史数据进行序列化处理：x1,x2,…,xn＝x1,x2,…,xn，其中，xi是第i个时间点的经济指标特征，xi是将其序列化后得到的向量；使用rnn模型进行训练：ht＝f(whht-1+wxxt+bh)，yt＝g(wyht+by)，其中，t是当前时间点，ht是当前时间点t的隐藏状态向量，f和g是非线性激活函数，wh，wx，bh，wy，by是可学习的参数，yt是当前时间点t的输出值；使用反向传播算法进行优化：其中，θ是模型参数，l是损失函数，是模型对第i个时间点的输出值的预测值。

8、进一步的，所述s3中利用智慧港口的历史数据和历史宏观经济形势建立预测模型的具体流程为：获取智慧港口的历史数据和历史宏观经济形势，并将其进行数据清洗和预处理，确定选取的arima模型特征参数:其中，yt表示进行数据清洗和预处理后的数据，xt表示时间t的输入特征向量，包含智慧港口的历史数据和历史宏观经济形势，μ表示均值，φi和θj表示arima模型的特征参数，p和q是arima模型的阶数，εt表示噪声项；根据需求和数据情况，在特征选取的基础上选择合适的arima模型，并使用历史数据训练进行训练，保存其中具有较好预测性能的预测模型：其中，arima模型可以表示为(1-φ1b-…-φpbp)δdyt＝(1+θ1b+…+θqbq)εt，其中，δdyt是经过差分后的时间序列数据，b是时间滞后算子；对训练得到的预测模型进行诊断，评估模型健康度并进行调整，其中评估模型健康度使用的公式为：aic＝-2ln(l)+2k，该公式中，aic是模型选择准则，l是arima模型的似然函数，k是arima模型的参数个数；将实时智慧港口数据和宏观经济形势输入到调整好的预测模型，对智慧港口的运输网络运行指数进行预测，并输出预测结果，其中预测模型表示为：该公式中，是预测得到的智慧港口运输网络运行指数。

9、进一步的，所述s5中自动优化更新预测模型具体指预先设置定时更新时间间隔，后续每间隔该时间间隔，自动将当前时间前的历史数据输入替换预测模型中的训练数据，将预测模型重训练。

10、进一步的，所述s3中的输出预测的运输网络运行指数和s5中在差异超过预定阈值时发送警报均可通过可视化方式将输出结果进行展示，将超出预定阈值的预测值进行标注和显示。

11、本技术实施例提供了一种用于智慧港口的运输网络运行指数预测装置，包括采集模块、分析模块、建模模块、输出模块、优化模块和预警模块：采集模块：用于采集港口数据：实时采集智慧港口的数据并将数据进行存储；分析模块：用于分析经济指标：根据采集的数据针对性地收集经济指标数据，并根据经济指标数据分析出宏观经济形势，保存宏观经济形势；建模模块：用于建立预测模型：利用智慧港口的历史数据和历史宏观经济形势建立预测模型，用于预测智慧港口的运输网络运行指数；输出模块：用于输出预测结果：将智慧港口实时数据和对应的实时宏观经济形势输入预测模型，输出预测的运输网络运行指数；优化模块：用于自动优化模型：定期将新的港口数据和宏观经济形势加入预测模型重训练，自动优化更新预测模型；预警模块：用于模型自动预警：实时监测和对比港口的运输网络运行指数的预测值和实际值，并在差异超过预定阈值时发送警报。

12、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

13、1、由于通过实时采集和处理智慧港口的数据，建立专属名词库，使用rnn模型建立宏观经济形势分析模型，并使用arima模型进行预测，从而对运输网络运行指数的实时预测和监测，进而实现提高了预测精度和效率，同时能够自动优化更新预测模型，增强了预测模型的可靠性和实用性，帮助港口更好地规划和调整运输网络，有效解决了现有技术中，存在制定运输安排方案耗时长且不够全面的问题。

14、2、由于通过实时采集智慧港口的数据并进行清洗和分词处理，识别和标注出语料中的实体和提取出主题和话题，从而获取与经济指标相关的文本信息，进而实现提高数据的质量和准确性，为后续的数据分析提供可靠的数据基础。

15、3、由于定期根据新的数据对预测模型进行自动优化更新，并实时监测和对比港口的运输网络运行指数的预测值和实际值，且当预测值和实际值差异超过预定阈值时，发送警报，提示可能存在异常情况，从而可以提高预测模型的鲁棒性和适应性，及时发现并处理问题，进而实现保障港口运输网络的正常运行。