(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211064364.7 (22)申请日 2022.08.31 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 向阳　陈建廷　杨云霄　 (74)专利代理 机构 上海科律专利代理事务所 (特殊普通 合伙) 31290 专利代理师 叶凤 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/08(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 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 (57)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。 权利要求书4页 说明书10页 附图2页 CN 115481789 A 2022.12.16 CN 115481789 A 1.一种基于关联图谱的自动化 集装箱码头装卸时间预测方法， 包括以下步骤： 步骤一： 邻域子图构建， 在既有码头关联图谱上， 划分邻域子图并构建训练样本， 提供 给步骤二； 步骤二： 装卸时间预测模型前向传播， 利用步骤一提供的邻域子图， 通过异质图神经网 络的方式 融合节点间的关联关系和 属性信息， 预测设备的装卸时间， 提供 给步骤三； 步骤三： 预测时间与真实时间误差计算， 利用步骤二提供的预测装卸时间， 通过均 方误 差损失函数计算与真实装卸时间的损失， 提供 给步骤四； 步骤四： 网络参数更新， 利用步骤三提供的损失， 训练步骤二中装卸时间预测模型的参 数； 若模型 未收敛， 则执 行步骤二； 若模型已收敛， 则将收敛后的模型提供 给步骤五； 步骤五： 模型保存与应用， 保存步骤四中所提供的模型结构与参数， 并利用该模型新样 本的装卸时间 并输出。 2.如权利要求1所述的预测方法， 其特 征在于： 步骤一： 邻域子图构建 根据既有码头关联图谱 码头业务的关联关系通过节点之间的拓扑结构及其边上关 系语义体现出来， 数据则表达在节点的属 性值上， 装卸任务节点的邻域节点及其属 性值即 是关联数据； 通过限定步长的遍历搜索划分邻域子图， 给定搜索步长为s＝4， 以目标任务为中心节 点， 在4步内可达的节点即是与目标装卸任务关联的邻域节 点； 首先在 事理图谱中搜索到达 邻域节点的关联路径， 再以关联路径为约束在实例图谱中查询邻域关联节点； 关联路径搜索给定事理图谱O和目标任务节点vc， 利用Sparql查询命令搜索从vc出发， 长度为l(1≤l≤4)的关联路径P ＝{(vc,e1|^e1,v1),(v1,e2|^e2,v2),…,(vl‑1,el|^el,vl)}， 得到所有关联路径的集合 邻域节点搜索给定实例图谱I和一个关联路径 根据关联路径的语义， 通过Sparql获取实例图谱在该路径下的路径实例， 每条路径 实例中包含一个目标任务的实例节点， 以及在该路径下关联的其他节点， 包含这些节点的 实例三元组即是组成邻域子图的一部分； 将关联路径集合 中的所有查询结果进行合并， 得 到目标任务节点的邻域子图 由节点集合V、 边集合E、 属性 集集合 组成； 节点集合V＝{vc,v1,…,vn‑1}， 包含中心节点vc和邻域节点v1:n‑1； 边集合E＝{(vi,e,vj)| vi,vj∈V}， 连接节点的边上语义用e表示； 属性 集集合 每个节点vi都有对应的属性集Ai， 包含若 干属性和属性值， 即Ai＝{(vi,k,ai,k)}， ai,k表示节点vi的k属性的属性值， 包括数值型、 分类 型、 时间型和编号型四类属性。 3.如权利要求1所述的预测方法， 其特 征在于： 步骤二： 装卸时间预测模型 前向传播 所述装卸时间预测模型M采用异质图神经网络(HGNN)对邻域子图 中的节点属 性信息 和节点间的关联交 互信息进行融合， 计算得到 的邻域子图向量z 。 4.如权利要求3所述的预测方法， 其特 征在于： 首先， 输入节点V以及节点的属性信息 通过节点信息表示得到节点的向量表示X； 然后， 根据邻域子图提供的拓扑结构和边上语义， 利用异质图神经网络(HGNN)进行信权　利　要　求　书 1/4 页 2 CN 115481789 A 2息传递， 得到融合邻域信息的节点隐层向量表示H； 接下来， 通过信息聚合模块得到邻域子 图的整体表示， 即输出层向量z， 并利用时间预 测模块中的线性映射层和Sigmo id激活函数计算得到模型的装卸时间预测结果 所述装卸时间预测模型M包括步骤2.1节点信息表示、 步骤2.2节点特征融合、 步骤2.3 信息聚合、 步骤2.4时间预测四个步骤。 5.如权利要求 4所述的预测方法， 其特 征在于： 所述步骤2.1节点信息表示由于邻域子图中各节点具有不同数量且不同语义的属性， 即|Ai|≠|Aj|， 通过所述节点信息表示模块利用属性编码器将节点vi的属性集合Ai中的属 性值转化为相同维度的向量表示， 形式化为 Ai→xi； 节点信息表示包括属性信息编码和 节点属性聚合两 部分； 所述属性信息编码将节点的属性值ai,k表示为γ＝50维的向量qi,k； 为每一种属性构 建 一个独立的属性编 码器； 根据属性值的类型不同， 属性信息 分为数值型、 分类型、 时间型， 以 及编号型四类； 对于数值型属性， 利用线性映射层将归一化后的实数值转化向量， qi,k＝ wkai,k； 对于分类型属性， 采用嵌入(Embedding)的方式为该属性的每种取值赋予一个向量， qi,k＝Embedding(wk,ai,k)； 对于时间型属性， 将 其转化为时间戳后， 按照数值型属性的方式 进行编码； 对于编号型属 性， 若设备数量较少， 采用分类型属性的编码方式， 若设备数量较 多， 采取式字符级编码并聚合的方式， 其中 为 节点vi的属性k的属性值， 为编号型k属性值的字符串中第j个字符， 字符串长度为l， 为属性k的嵌入表示向量， 为属性编码器中可 学习的参数； 所述节点属性聚合对于节点vi的所有属性表示 向量Ai＝{qi,1,qi,2,…,qi,k}， 采用注意 力的思想聚合每一个节点的属性信息， 其中 为属性 的注意力权 重， 其中 为k属性的可 学习属性类型向量， 所有节点共享。 6.如权利要求 4所述的预测方法， 其特 征在于： 所述步骤2.2节点特征融合， 采用异质图神经网络(Heterogeneous  Graph Neural  Network,HGNN)， 基于邻域子图中的边集合E融合节点的邻居信息， 将邻域子图中所有节点 的向量表示 X＝{xc,x1,x2…,xn‑1}转化为节点隐层表示H＝{hc,h1,…,hn‑1}， 形式化为φ:(X, E)→H； 首先将γ＝50维的节点的向量表示xj通过全连接层转化为d＝60维的节点隐层表示 c为中心节点vc的标号， 1,2, …n‑1为邻域节点v1:n‑1的标 号； 然后采用异质图神经网络(HGNN)对节点进行L＝3次迭代， 以融合节点的邻居信息， 第l 次迭代的具体 计算方式如下 所示： 权　利　要　求　书 2/4 页 3 CN 115481789 A 3