大数据背景下耦合多源信息的集装箱港口生产适应性调度研究

The rapid development of technology including big data and cloud computing, networking, directly drives the repositioning of port management and operation. Scientific research personnel need to rediscover the port operation problem in the thinking of harmony and dynamic with the big data challenges. Therefore, this project propose an adaptive scheduling model of container terminal operation coupling multi source information fusion with the big data challenges. It is of great significance to the construction of intelligent port and to promote the development the relevant industries in our country. This project firstly discusses the method of data processing, mining and integration and establishes a random set probability dynamic framework for the multi-source information fusion. Then, basing on the dynamic relationship of multi-source information and port operation, this project builds a multilevel collaborative intelligent adaptive scheduling model for container terminal operation coupling multi-source information fusion, and establishes a rapid cloud-computing based optimize algorithm framework which is a collection of parallel graph theory, dynamic programming, and artificial intelligence algorithm. Finally, a preliminary theoretical architecture of adaptive scheduling of container terminal operation is formed, and applied in the case study to demonstrate its effectiveness and practicability, model, which provides theoretical and practical guides for port management and operation.

大数据、云计算、物联网等技术快速发展，直接推动着港口生产向数据化、智能化发展，这就要求科研人员以“融合、智慧、变革”思维去重新审视港口生产调度问题。为此，本项目开展大数据环境下耦合多源信息的集装箱港口生产适应性调度研究，对我国智慧港口建设，推动相关产业“落地”具有重大意义。本项目首先探讨了大数据环境下港口多源信息处理、挖掘与融合机制，并建立了大数据环境下港口多源信息随机集概率动态框架，然后，在分析多源信息与港口生产调度的动态耦合机制的基础上，构建了耦合多源信息的港口生产多级协调、智能适应性调度模型，并设计集并行图论、动态规划、人工智能等算法为一体的港口生产适应性调度云计算框架快速求解算法，初步形成大数据环境下耦合多源信息的集装箱港口生产适应性调度理论体系，并通过案例研究，分析和归纳该理论体系的有效性和实用性，为港口管理与运营提供理论和实证的依据。

大数据、云计算、物联网等技术快速发展，直接推动着港口生产向数据化、智能化发展，这就要求科研人员以“融合、智慧、变革”思维去重新审视港口生产调度问题。为此，本项目开展大数据环境下耦合多源信息的集装箱港口生产适应性调度研究，对我国智慧港口建设，推动相关产业“落地”具有重大意义。本项目首先探讨了大数据环境下港口多源信息处理、挖掘与融合机制，基于Hadoop框架和MongoDB分布式数据库构建了港口大数据分析器，利用机械学习算法挖掘港口多源海量异构信息，基于贝叶斯等估计方法预测港口吞吐量、船型发展，船舶到港时间以及岸桥突发事件的持续时间等，建立港口多源信息随机集概率动态框架。然后，基于计算机仿真技术、微观交通仿真等技术，引入多智能体系统理论，建立集“港口水域船舶交通流仿真模型-传统、自动化集装箱码头仿真模型-铁路装卸线作业仿真模型”为一体的多尺度集装箱码头协同仿真系统。在分析多源信息与港口生产调度的动态耦合机制的基础上，设计集并行图论、动态规划、人工智能等算法为一体的多尺度、多目标、多阶段、多级协调、耦合多源信息港口适应性生产优化调度模型。最后，以实际港区为背景，开发港口生产适应性调度决策支持系统，利用大数据环境下耦合多源信息的大型集装箱港口生产多级协调智能适应性调度模型，分析不同性能指标、算法参数等参数变化对港口调度方案的影响，为港口生产适应性调度提供决策支持。