大數(shù)據(jù)驅(qū)動下自動化碼頭資源沖突辨識

左世萍，初良勇，胡美麗

(集美大學航海學院，福建 廈門 361021)

0 引言

隨著我國港口航運業(yè)高速發(fā)展，追求綠色化和智能化的自動化集裝箱碼頭將成為未來集裝箱碼頭的發(fā)展趨勢。港口資源整合和碼頭升級需要大數(shù)據(jù)技術(shù)的支持[1]，如何從自動化集裝箱碼頭大數(shù)據(jù)中獲取有價值的、聯(lián)動的信息，找到碼頭資源要素間存在的沖突，進而優(yōu)化自動化碼頭系統(tǒng)，是亟待解決的問題。國內(nèi)外專家學者對自動化集裝箱碼頭做了較為深入地研究。Wei Qi[2]為提高集裝箱碼頭的生產(chǎn)率和運營安全性，通過分析專家調(diào)查問卷，完成集裝箱碼頭進出服務(wù)的整合。Lu Zhen等[3]提出了分析模型和性能測量的方法，比較了一種新型的自動化集裝箱碼頭系統(tǒng)，和廣泛使用的基于AGV(antomated guided vehicle)系統(tǒng)之間的傳輸效率和堆疊容量。Binghuang Cai等[4]考慮跨越運載工具(straddle carries,SC)行進時間，SC等待時間和高優(yōu)先級容器轉(zhuǎn)移工作的結(jié)束時間，研究了自動化集裝箱碼頭的自主跨運營調(diào)度(autonomous straddle carries scheduling,ASCS)問題。黃成等[5]為提高船舶夜航光環(huán)境評價精度，提出一種基于云模型改進物元結(jié)構(gòu)的船舶夜航光環(huán)境評價模型。韓笑樂等[6]考慮船舶到港時間及市場需求的不確定性，運用動態(tài)干擾管理方法，協(xié)同調(diào)度集裝箱進出口碼頭各項資源。王磊等[7]結(jié)合聚類算法的迭代計算特點，提出并實現(xiàn)了一種基于Spark平臺的聚類系統(tǒng)。蔣菱等[8]借助大數(shù)據(jù)技術(shù)，對用電行為分析在處理海量數(shù)據(jù)時效率低下的問題，提出了基于MapReduce技術(shù)的模糊C均值聚類(FCM)并行算法。關(guān)忠河等[9]以某大型船舶進港靠外高橋泊位為研究對象，應(yīng)用熵權(quán)物元模型，對不同時刻船舶進出港的風險動態(tài)進行評價。黃良豐等[10]結(jié)合大數(shù)據(jù)背景，分析港口大數(shù)據(jù)的特點，介紹國內(nèi)外港口大數(shù)據(jù)應(yīng)用現(xiàn)狀，探討大數(shù)據(jù)在集裝箱碼頭智能化管理中的應(yīng)用。

上述文獻主要集中對碼頭資源協(xié)調(diào)、資源因素、系統(tǒng)流程的改善進行研究，而對自動化碼頭資源沖突辨識，特別是在大數(shù)據(jù)環(huán)境下識別自動化集裝箱碼頭資源沖突問題的研究較少。本文通過模糊聚類方法，分析自動化碼頭大數(shù)據(jù)，用大數(shù)據(jù)解析影響碼頭資源沖突的主要因素，并對自動化碼頭資源沖突進行分類，在此基礎(chǔ)上構(gòu)建物元模型，辨識自動化碼頭資源沖突情況，模擬仿真自動化碼頭動態(tài)資源沖突，提高自動化集裝箱碼頭的作業(yè)效率，為碼頭運營優(yōu)化提供策略依據(jù)。

1 問題分析

為了分析影響自動化碼頭效能的資源沖突情況，需要準確、客觀地辨識自動化碼頭存在的資源沖突。由于碼頭各作業(yè)環(huán)節(jié)間存在大量的資源沖突，在獲取自動化碼頭大數(shù)據(jù)的情況下，科學的對影響自動化碼頭資源沖突因素進行歸類分析是辨識資源沖突的關(guān)鍵。圖1為自動化碼頭資源沖突辨識研究基本框架。本文要解決的問題難點：1)對自動化碼頭大數(shù)據(jù)進行歸類分析；2)根據(jù)碼頭大數(shù)據(jù)的分類情況，辨識自動化碼頭資源沖突因素及其內(nèi)部聯(lián)系。

圖1 自動化碼頭資源沖突辨識研究框架

2 模型和算法設(shè)計

2.1 FCM算法

由于自動化碼頭的海量數(shù)據(jù)交叉多、差異化較大，為了提高自動化碼頭資源沖突辨識的效率，需要對數(shù)據(jù)進行處理，統(tǒng)計自動化碼頭資源類別，以便實現(xiàn)快速、準確地分析自動化碼頭資源沖突。由于模糊聚類(Fuzzy Clustering)算法允許一個數(shù)據(jù)對象屬于多個不同的聚類，且計算過程簡單，易于在計算機上實現(xiàn)，適用于對自動化碼頭的復(fù)雜數(shù)據(jù)進行劃分，因此本文選擇模糊聚類算法進行數(shù)據(jù)處理。

通過迭代計算目標函數(shù)，求得目標函數(shù)的最小值，從而確定最終的聚類中心，再根據(jù)隸屬度矩陣來度量每個數(shù)據(jù)點相對每個類的隸屬度，依次確定各個數(shù)據(jù)的聚類類別。

目標函數(shù)：

(1)

其中：c為n個樣本數(shù)據(jù)X=(x1,x2,…,xn)的類族；ν是每組的聚類中心；uij=uXi(xj)表示樣本xj與待分類對象子集Xi(1≤i≤c)之間的隸屬關(guān)系，uij的取值范圍為[0,1]，即每個樣本與子集間的隸屬關(guān)系可由0～1間的實數(shù)模糊表示；m∈[1,∞)是模糊聚類指數(shù)，m越大，聚類結(jié)果越模糊；dij表示樣本j到第i個聚類中心vi之間的距離。

約束條件：

(2)

(3)

(4)

式(2)定義了隸屬度矩陣uij是樣本xi屬于j類的可能性；式(3)表示樣本xj到聚類中心的歐式距離；式(4)是聚類中心的計算公式。

2.2 物元模型

1)物元模型的構(gòu)建

在自動化碼頭資源數(shù)據(jù)歸類的基礎(chǔ)上，建立物元模型來描述自動化碼頭資源沖突的特征。物元分析理論是為了解決“事物、特征、量值”三者之間的關(guān)系[11]。事物在某一時間的狀態(tài)T有n個指標s1,s2,…,sn，則多維物元模型為

其中：T為所要描述的自動化碼頭資源沖突對象；S為沖突因素的特征；O為資源沖突因素T的特征S的量值；O的取值范圍是S的量域。

T，S，O為物元R的三要素，[SO]為對象T的特征元。

若事物有l(wèi)個狀態(tài)T1,T2,…,Tl，事物Tj的指標si對應(yīng)的量值為oij，則復(fù)合物元模型為

2)確定關(guān)聯(lián)函數(shù)

物元模型的關(guān)聯(lián)度的實質(zhì)是某個事物與標準事物關(guān)聯(lián)性大小的量度。自動化碼頭資源沖突存在于各資源作業(yè)時間的銜接上，因此采用加權(quán)平均集中處理，表示為

式中:Kj為第j個狀態(tài)的關(guān)聯(lián)度;Rk為由l個關(guān)聯(lián)度所組成的關(guān)聯(lián)度復(fù)合物元;Tl為事物有l(wèi)個狀態(tài)；wi為狀態(tài)Ti下指標的權(quán)重；ξil為隸屬度系數(shù)。

3)熵權(quán)法確定權(quán)重

自動化碼頭資源沖突中，可能存在人為因素的影響，故使用評估指標值構(gòu)成的判斷矩陣來確定指標權(quán)重，盡可能消除各指標權(quán)重計算的主觀因素影響，使結(jié)果與實際情況貼近。采用熵權(quán)法確定評估指標權(quán)重的步驟如下：

4)隸屬度矩陣

隸屬度系數(shù)即ξij=(oij-minoij)/(maxoij-minoij)。oij為事物Tj的指標si對應(yīng)的量值，(i=1,2,…,n;j=1,2,…,l)。

ξij為第j個狀態(tài)與標準狀態(tài)間第i項指標的關(guān)聯(lián)系數(shù)，由此可得關(guān)聯(lián)系數(shù)矩陣為

求出關(guān)聯(lián)度后，按照最大關(guān)聯(lián)度原則，對關(guān)聯(lián)度進行比較，從而獲得最符合要求的解。關(guān)聯(lián)度大者為強，關(guān)聯(lián)度小者為弱。用K*=max(K1,K2,…,Kl)表示最大關(guān)聯(lián)度，它所對應(yīng)的事物就是最符合要求的事物。

3 實證分析

3.1 基于FCM的自動化碼頭資源分類

本文收集了廈門遠海自動化碼頭20160101—20161231的作業(yè)數(shù)據(jù)，以此為基礎(chǔ)對自動化碼頭資源沖突分類展開研究。每日碼頭作業(yè)數(shù)據(jù)主要包括15個資源特征，分別是作業(yè)類型、岸橋數(shù)量、裝卸任務(wù)的起始位置、目標位置、作業(yè)開始時間、集卡數(shù)量、場橋數(shù)量、船舶停靠時間、船舶?？课恢?、裝卸任務(wù)量、作業(yè)時間、場橋等待時間、集卡等待場橋時間、集卡等待岸橋時間、集卡任務(wù)量。

根據(jù)同一時間段的作業(yè)量將遠海自動化碼頭的作業(yè)數(shù)據(jù)分為以下幾類：(0,10],(10,20],(20,30],(30,40],(40,50],(50,60],(60,70],(70,80],(80,90],(90,∞)，單位為萬TEU。

在實驗中，聚類數(shù)目的取值范圍c∈[2,19)，在c取不同得值時，有效性函數(shù)對應(yīng)的值也不同。從表2可知，當c=4時，有效性函數(shù)值最小。根據(jù)聚類結(jié)果有效性函數(shù)的性質(zhì)，有效性函數(shù)值越小，表示分類結(jié)果越好，所以當類別數(shù)為4時，聚類效果最好。

表1 實驗結(jié)果

表2 不同聚類數(shù)c對應(yīng)的有效函數(shù)值

在自動化碼頭資源沖突的關(guān)系中，作業(yè)類型、裝卸任務(wù)的起始位置、目標位置、船舶?？课恢眠@些因素不能直接用數(shù)字表示，而是由一些等級劃分或者文字描述。本文選用閉區(qū)間[0,1]上的模糊子集族來刻畫。0代表這個屬性不存在，1代表這個屬性在實例中的狀況是最好的，將以上的數(shù)據(jù)進行聚類分析，剔除因所包含樣本量過小而明顯不合理的壞數(shù)據(jù)，獲得了4類典型影響因素，如圖2所示。

(2)對動漫行業(yè)典型人物進行訪談。典型人物訪談側(cè)重對其個人成長與奮斗經(jīng)歷的了解與認識，并與自己的職業(yè)生涯規(guī)劃相聯(lián)系，撰寫2000字左右的訪談報告。

由聚類分析的結(jié)果可知，樣本一共分成了4類，即泊位(船舶停靠位置、泊位偏移量、船舶?？繒r間)、岸橋(實際岸橋配置數(shù)量、計劃岸橋數(shù)量)、場橋(裝卸任務(wù)位置、裝卸任務(wù)直線距離、裝卸任務(wù)作業(yè)開始時間、裝卸任務(wù)量、裝卸任務(wù)等待時間)、集卡(集卡任務(wù)量、作業(yè)時間、集卡到達時間、集卡等待場橋時間、集卡等待岸橋時間)。通過每一類所包含的樣本可以發(fā)現(xiàn)其數(shù)據(jù)屬性的關(guān)聯(lián)性很高，在同一類中，樣本之間相同屬性差別不是很大。

3.2 物元模型沖突辨識

為了分析資源間的關(guān)系，在自動化碼頭資源沖突影響因素分類的基礎(chǔ)上，建立自動化碼頭關(guān)鍵資源沖突影響因素集，使用物元模型描述物元的特征及量值，如表3所示。

其中：Tb,Tp,Tf,Ta分別表示泊位、岸橋、場橋與集卡的因素;Sb,Sp,Sf,Sa分別表示影響泊位、岸橋、場橋與集卡的特征集{sb1,sb2,sb3},{sp1,sp2},{sf1,…,sf5},{sa1,…,sa5}；Ob,Op,Of,Oa分別表示Tb,Tp,Tf,Ta關(guān)于Sb,Sp,Sf,Sa的量值集{ob1,ob2,ob3},{op1,op2},{of1,…,of5},{oa1,…,oa5}。

任意選取廈門遠海碼頭船舶從靠泊起連續(xù)15 h的作業(yè)數(shù)據(jù)，應(yīng)用熵權(quán)物元分析方法進行計算，確定不同時間自動化碼頭資源沖突因素間的關(guān)聯(lián)度大小。由于本文涉及的因子各量綱不盡相同，因此根據(jù)熵權(quán)法確定資源沖突因素所占權(quán)重，如式(5)所示。

表3 自動化碼頭資源沖突物元模型

(5)

根據(jù)復(fù)合物元矩陣變換為隸屬度矩陣的公式，計算出各資源沖突因素的隸屬度Rξ。

廈門遠海自動化碼頭的資源沖突關(guān)聯(lián)度Rk。

對泊位、岸橋、場橋、集卡4個資源沖突因素進行多次隨機仿真，可以得知不同時間段，自動化碼頭資源沖突波動性較大，需要碼頭管理人員合理安排資源。高資源沖突主要分布在21時和9時左右，此時船舶因?qū)㈦x港或靠泊而裝卸頻繁，特別是在14時之后，碼頭資源沖突急劇上升，碼頭應(yīng)在保持岸橋連續(xù)無延遲作業(yè)的基礎(chǔ)上，提高設(shè)備的裝卸效率。

4 結(jié)論與展望

針對自動化集裝箱碼頭的資源沖突因素，提出并實現(xiàn)了FCM聚類分析，對自動化碼頭資源沖突因素進行分類，進一步細化了自動化碼頭效能的影響因素。在此基礎(chǔ)上，在Matlab中采用物元模型，研究聚類結(jié)果間的關(guān)系，規(guī)避人為因素的影響，使結(jié)果更為客觀可靠。

影響自動化碼頭資源沖突因素是動態(tài)變化的，不同時間段的影響因素作用不同。自動化碼頭資源沖突仿真具有較強的隨機性和時間性?；陟貦?quán)的物元模型，能夠從數(shù)據(jù)本身的無序性反映出自動化碼頭資源整體沖突的動態(tài)特性。通過對廈門遠海自動化碼頭大數(shù)據(jù)的分析結(jié)果表明：在自動化碼頭潛在的資源沖突中，集卡到達時間是首要影響因素，次要為場橋(裝卸等待時間、裝卸任務(wù)的數(shù)量)、泊位(船舶靠泊時間)，岸橋(岸橋的配置數(shù)量)和泊位(泊位靠泊位置)，影響相對較小。本文研究結(jié)果可為提升碼頭效能和制定碼頭運轉(zhuǎn)策略提供參考。

物元模型不僅可以對因素進行分析，還可以對碼頭效能進行評估，對影響碼頭效能的各個因素進行評價分析。本文僅使用熵權(quán)物元模型對自動化碼頭資源沖突因素作出分析，在接下來的研究中，還可繼續(xù)進行相關(guān)效能評估方面的探索。