买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉武汉理工大学三亚科教创新园申请的专利一种基于需求预测的船舶排班与泊位分配协同优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117332996B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311631732.6，技术领域涉及：G06Q10/0631；该发明授权一种基于需求预测的船舶排班与泊位分配协同优化方法是由刘敬贤;王余宽;余红楚;张佳漪;狄仲捷;刘超;张勃兴设计研发完成，并于2023-12-01向国家知识产权局提交的专利申请。

本一种基于需求预测的船舶排班与泊位分配协同优化方法在说明书摘要公布了：本发明提供了一种基于需求预测的船舶排班与泊位分配协同优化方法，包括以下步骤：实时采集多源数据，包括船舶实时信息、货物实时流量和泊位实时信息；获取历史货物流量，根据历史货物流量训练预测模型，得到预测模型的参数，将货物实时流量输入设定参数后的预测模型，得到三个流量预测序列，对三个流量预测序列进行整合，得到货物预测流量；根据船舶实时信息、货物预测流量和泊位实时信息，建立船舶排班与泊位分配的多目标协同优化数学模型，多目标协同优化数学模型包括目标函数和约束条件，目标函数包括成本最小化目标函数和船舶总在港时间最小化目标函数；对多目标协同优化数学模型进行求解，得到船舶排班与泊位分配的最优方案。

本发明授权一种基于需求预测的船舶排班与泊位分配协同优化方法在权利要求书中公布了：1.一种基于需求预测的船舶排班与泊位分配协同优化方法，其特征在于，包括以下步骤： 步骤S1：实时采集多源数据，所述多源数据包括：船舶实时信息、货物实时流量和泊位实时信息； 步骤S2：获取历史货物流量，根据所述历史货物流量训练若干个预测模型，得到若干个预测模型的参数，将所述货物实时流量输入设定参数后的若干个预测模型，得到若干个流量预测序列，对若干个流量预测序列进行整合，得到货物预测流量，所述预测模型包括自回归滑动平均模型ARMA、长短期记忆网络区间预测模型LSTM和分布式梯度增强库模型XGBoost； 步骤S3：根据所述船舶实时信息、货物预测流量和泊位实时信息，建立船舶排班与泊位分配的多目标协同优化数学模型，所述多目标协同优化数学模型包括目标函数和约束条件，所述目标函数包括成本最小化目标函数和船舶总在港时间最小化目标函数； 所述成本最小化目标函数的表达式为： minC＝C1+C2； C1＝∑i∑j∑kcidjpfxijk； C2＝∑i∑j∑kγjxijk； 式中，C1为在船舶油耗成本，其中，ci、dj和pf分别为非移泊船舶i停靠泊位j的航程总油耗成本的单位油耗、里程和单位油价；C2为津贴成本，γj代表船舶靠泊泊位j的航班的津贴系数；i表示船舶序号，i∈[1,L]；j表示泊位序号，j∈[1,L]；k表示船舶i停靠泊位j的次序；xijk表示非移泊船舶i以次序k停靠泊位j的二进制变量； 所述船舶总在港时间最小化目标函数的表达式为： minG＝∑i∑j∑k{[zijk-Ei-Ci×xijk]+[nijk-Ei×fijk]+[oijk-nijk+Ci×sijk]}； 式中，zijk为非移泊船i的离港时刻；Ei为船舶抵达港口锚地的时刻；Ci为船舶i从锚地到泊位的航行时间；nijk为第一次靠泊结束，需移泊船i的移泊时刻；fijk为需移泊船i第1次停靠的位置信息；oijk为船i第二次靠泊的结束离开港口时刻；sijk为需移泊船i第2次停靠的位置信息； 所述约束条件包括： 1需求约束： L≤∑iFi≤U； 式中，Fi为货物流量预测结果；L、U分别为Fi通过95％置信度水平统计，得到的需求下限和上限； 2每个泊位同一顺序只能停靠一艘船： fijk≤M×gi； sijk≤M×gi； yijk≤M×xijk； 式中，yijk表示以k次序在j泊位上靠泊的i船的进港时刻；M为足够大的数；当i船为需要进行移泊的船舶时，gi＝1，否则为0； 3当船舶i以k次序靠j泊位时，船舶i的入港时间： tijk≤M×fijk； uijk≤M×sijk； 式中，tijk表示移泊船舶i第1次停靠时，以k次序在j泊位上靠泊的i船的进港时刻；uijk为需移泊船i的第2次进港时刻； 4当船舶i以k次序靠j泊位时，船舶i的离泊时间： zijk≤M×xijk； nijk≤M×fijk； oijk≤M×sijk； 5船舶的入港时间大于等于船舶的到港时间： yijk≤Ei×xijk； tijk≤Ei×fijk； 1-pi×uijk≥∑j∑knijk+Di×sijk×1-pi； pi×uijk≥∑j∑knijk+Ci×sijk×pi； 式中，当i船移泊的目标泊位为空泊位时，pi＝0，否则为1；Di为船舶i的移泊时间； 6船舶离港时间、入港时间和工作时间之间的关系： zijk≥yijk+Ci+Ai×xijk； nijk≥tijk+Ci+qi×fijk； 1-pi×oijk≥[∑j∑knijk+Ai-qi×sijk]×1-pi； pi×oijk≥[uijk+Ci+Ai×sijk]×pi； 式中，Ai为船舶i的工作时间；qi为船舶i在港的工作时长； 7非移泊船的停泊次数为1次： ∑j∑kxijk＝1-gi； 8移泊船的停泊次数为1次： ∑j∑kfijk＝gi； 9泊位长度受限约束： ∑kxijk×bili； 式中，bi和li分别为靠泊船i所需泊位长度和实际停靠泊位长度； 10同一泊位上的船舶工作时间不重叠： 1-gi1×1-gi2×yi2jk2-zi1jk1-Ci1≥Mxi1jk1+xi2jk2-2； 式中，i1,i2∈SV且i1≠i2，k1,k2∈SR且k2k1，SV和SR分别为船舶集合和船舶停靠泊位顺序的集合；gi1和gi2分别为船舶i1和i2是否第一次和第二次靠泊的二进制变量，yi2jk2、zi1jk1和Ci1分别为船舶i1第一次进港时刻、离港时刻和靠泊时长，xi1jk1和xi2jk2表示移泊船舶i1和i2分别以次序k1和k2停靠泊位j的二进制决策变量； 11船舶进港和出港时间满足港口航道进港和出港时间： 0≤tijkmod2T×1-pi≤1-pi×T； piT≤nijkmod2T×pi≤2T-Ci×pi； 式中，T为船舶进港出港所需航行时间，mod为取模运算； 12船舶进港和出港时间满足航道安全航行时间间隔内： |∑j∑kyi1jk-∑j∑kyi2jk|≥H； pi2×|∑j∑kti1jk-∑j∑kui2jk|≥H×pi2； 式中，i1∈SV，i2∈SV，且i1≠i2；yi1jk和yi2jk分别表示船舶i1和i2的以次序k停靠泊位j的进港时间；pi2为移泊船i2的目标泊位是否为空泊位的二进制变量；ti1jk和μi2jk分别为移泊船i2的第一次和第二次进港时间；H为船舶安全航行时间间隔； 步骤S4：对所述多目标协同优化数学模型进行求解，得到船舶排班与泊位分配的最优方案。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人武汉理工大学三亚科教创新园，其通讯地址为：572025 海南省三亚市崖州区崖州湾科技城用友产业园9号楼；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。