Resumen

Las terminales de contenedores desempeñan un papel cada vez más importante en la red logística mundial; sin embargo, la programación, la planificación, la programación y la decisión del sistema de manipulación de la terminal de contenedores (CTHS) cuentan con un alto grado de no linealidad, acoplamiento y complejidad. Por ello, se propone una combinación de logística computacional y aprendizaje profundo, que se trata de la computación de fusión neural-física orientada a la terminal de contenedores (CTO-NPFC), para discutir y explorar el reconocimiento de patrones y el análisis de regresión del CTHS. Debido a que el tiempo de atraque del transatlántico (LBT) es el índice central del servicio logístico de la terminal y las condiciones de eficiencia del carbono y también es la base importante y la guía para la programación de tareas y la asignación de recursos en CTHS, se presenta una arquitectura de computación de núcleo de modelo de aprendizaje profundo (DLM-CCA) para la predicción de LBT para practicar CTO-NPFC. Sobre la base de los datos de funcionamiento del muelle durante los últimos cinco años en una terminal de contenedores típica en China, el modelo de redes neuronales profundas del DLM-CCA se diseña, implementa, ejecuta y evalúa con TensorFlow 2.3 y el paquete de extracción de características específicas de tsfresh. El DLM-CCA muestra un rendimiento de previsión ágil, eficiente, flexible y excelente para LBT con los bajos costes de consumo en una plataforma de hardware común. Interpreta y demuestra la viabilidad y credibilidad de la filosofía, el paradigma, la arquitectura y el algoritmo de CTO-NPFC de forma preliminar.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:terminal de contenedores, modelo de red neuronal, sistema de manipulación de terminales, red neuronal profunda, grado de no linealidad, bajo coste de consumo, npfc, red logística global, análisis de cths, servicios logísticos de terminales
• Keywords:container terminal, neural network model, terminal handling system, deep neural network, degree of nonlinearity, low consuming cost, npfc, global logistics network, analysis of cths, terminal logistics services