-
公开(公告)号：CN113486926B
公开(公告)日：2022-09-13
申请号：CN202110636004.9
申请日：2021-06-08
申请人： 同济大学 , 上海国际港务(集团)股份有限公司
摘要： 本发明提出一种自动化码头设备异常检测系统。包括设备数据采集模块、设备特征选择模块、设备异常检测分析模块，其中：所述设备数据采集模块，布设于码头设备，用于积累和形成目标设备的异常检测数据集D；所述设备特征选择模块，从设备数据采集模块选定的大量候选特征中进一步选择，生成待验证的候选设备特征子集si；所述设备异常检测分析模块，基于设备数据采集模型形成的目标设备异常检测数据集D和设备特征选择模块生成的设备特征子集si，训练预定义的异常检测模型M，并通过验证模型效果，对设备特征子集si作出评价。更快地为异常检测目标找到合适的设备特征，提高异常检测的准确率。
-
公开(公告)号：CN113033893A
公开(公告)日：2021-06-25
申请号：CN202110307763.0
申请日：2021-03-23
申请人： 同济大学 , 上海国际港务(集团)股份有限公司
摘要： 本发明一种自动化集装箱码头自动导引车行车时间预测方法，涉及一种神经网络和深度学习算法，可以有效地对自动化集装箱码头中自动导引车的行车时间进行准确预测，属于人工智能及控制技术领域，其特征在于：步骤1：主路径编码；步骤2：路径级特征编码；步骤3：环境路径筛选；步骤4：环境路径编码；步骤5：冲突判定；步骤6：计算预测时间与真实时间误差；步骤7：更新训练样本和神经网络；步骤8：行车时间预测。利用神经网络模型对行驶路径进行编码，有效解决自动化集装箱码头自动导引车的行车时间预测问题，具有更高的行车时间预测准确度。
-
公开(公告)号：CN113139022A
公开(公告)日：2021-07-20
申请号：CN202110489086.9
申请日：2021-04-29
申请人： 同济大学 , 上海国际港务(集团)股份有限公司
IPC分类号： G06F16/28 , G06F16/215 , G06Q10/08
摘要： 本发明属于企业数据管理领域，提出一种基于混合规则的企业物流数据按需融合方法，步骤如下：收集企业中的结构化数据源；根据企业业务内容定义业务概念图谱；为每个概念定义用于实例化的混合规则；用户按需创建数据融合任务，定义目标概念集合以及及融合的数据范围；根据数据融合任务，构造规则队列，并采用相应规则引擎进行实例化；用户访问融合后的业务实例图谱。本发明采用映射加推理加计算的混合规则，获取业务过程中未被存储的中间状态或间接信息，具有一定灵活性，同时还支持按需制定融合任务，反映特定目标场景的业务过程。
-
公开(公告)号：CN115481789A
公开(公告)日：2022-12-16
申请号：CN202211064364.7
申请日：2022-08-31
申请人： 同济大学
摘要： 本发明一种基于关联图谱的自动化集装箱码头装卸时间预测方法，涉及一种神经网络和深度学习算法，利用码头关联图谱中的关联数据，能够有效地提升自动化集装箱码头装卸时间预测精准度，属于人工智能及控制技术领域，其特征在于：步骤一：邻域子图构建；步骤二：装卸时间预测模型前向传播；步骤三：预测时间与真实时间误差计算；步骤四：网络参数更新；步骤五：模型保存与应用。利用码头关联图谱的管理数据，构建面向目标任务的邻域子图，通过基于图神经网络的装卸时间预测模型学习关联图谱中的结构化语义信息，回归预测装卸时间，有效解决自动化集装箱码头装卸任务时间的预测问题，具有更高的装卸时间预测精准度。
-
公开(公告)号：CN113139022B
公开(公告)日：2022-09-13
申请号：CN202110489086.9
申请日：2021-04-29
申请人： 同济大学 , 上海国际港务(集团)股份有限公司
IPC分类号： G06F16/28 , G06F16/215 , G06Q10/08
摘要： 本发明属于企业数据管理领域，提出一种基于混合规则的企业物流数据按需融合方法，步骤如下：收集企业中的结构化数据源；根据企业业务内容定义业务概念图谱；为每个概念定义用于实例化的混合规则；用户按需创建数据融合任务，定义目标概念集合以及及融合的数据范围；根据数据融合任务，构造规则队列，并采用相应规则引擎进行实例化；用户访问融合后的业务实例图谱。本发明采用映射加推理加计算的混合规则，获取业务过程中未被存储的中间状态或间接信息，具有一定灵活性，同时还支持按需制定融合任务，反映特定目标场景的业务过程。
-
公开(公告)号：CN113486926A
公开(公告)日：2021-10-08
申请号：CN202110636004.9
申请日：2021-06-08
申请人： 同济大学 , 上海国际港务(集团)股份有限公司
摘要： 本发明提出一种自动化码头设备异常检测系统。包括设备数据采集模块、设备特征选择模块、设备异常检测分析模块，其中：所述设备数据采集模块，布设于码头设备，用于积累和形成目标设备的异常检测数据集D；所述设备特征选择模块，从设备数据采集模块选定的大量候选特征中进一步选择，生成待验证的候选设备特征子集si；所述设备异常检测分析模块，基于设备数据采集模型形成的目标设备异常检测数据集D和设备特征选择模块生成的设备特征子集si，训练预定义的异常检测模型M，并通过验证模型效果，对设备特征子集si作出评价。更快地为异常检测目标找到合适的设备特征，提高异常检测的准确率。
-
公开(公告)号：CN113033893B
公开(公告)日：2023-04-18
申请号：CN202110307763.0
申请日：2021-03-23
申请人： 同济大学 , 上海国际港务(集团)股份有限公司
IPC分类号： G06Q10/04 , G06F30/27 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06F18/214
摘要： 本发明一种自动化集装箱码头自动导引车行车时间预测方法，涉及一种神经网络和深度学习算法，可以有效地对自动化集装箱码头中自动导引车的行车时间进行准确预测，属于人工智能及控制技术领域，其特征在于：步骤1：主路径编码；步骤2：路径级特征编码；步骤3：环境路径筛选；步骤4：环境路径编码；步骤5：冲突判定；步骤6：计算预测时间与真实时间误差；步骤7：更新训练样本和神经网络；步骤8：行车时间预测。利用神经网络模型对行驶路径进行编码，有效解决自动化集装箱码头自动导引车的行车时间预测问题，具有更高的行车时间预测准确度。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.022 秒)
