Resumen

El auge del pensamiento computacional y el aprendizaje profundo permiten construir un motor de apoyo a la toma de decisiones ágil, eficiente y robusto impulsado por el aprendizaje profundo para la operación de los sistemas de manipulación de las terminales de contenedores (CTHS). Dentro del marco conceptual de la logística computacional, se propone técnicamente una arquitectura de aprendizaje profundo de red neuronal convolucional híbrida orientada al mecanismo de atención y red neuronal recurrente (AMO-HCR-DLA) para predecir las condiciones de manipulación de la terminal de contenedores que incluyen principalmente el tiempo de manipulación de la línea (LHT) y el tiempo total de trabajo de la granja de grúas de muelle (TWT-QCF) para una línea de llamada. En consecuencia, la automatización y la inteligencia de la logística orientada a la terminal de contenedores (CTO-LGC) se establecen provisionalmente por AMO-HCR-DLA. Se selecciona un típico centro regional de terminales de contenedores de China para diseñar, implementar, ejecutar y evaluar el AMO-HCR-DLA con los datos reales de producción. En el caso de las vibraciones severas de LHT y TWT-QCF, mientras se pronostican las condiciones de manipulación de 210 buques basándose en el registro de funcionamiento de CTO-LGC de cuatro años, el error de previsión de LHT en una hora es superior al 97 y el de TWT-QCF en seis horas es del 89,405%. Al predecir las condiciones de funcionamiento de 300 buques de línea por el registro de cinco años, la desviación de previsión de LHT en una hora es más que sorprendente 99 y la de TWT-QCF en seis horas alcanza el 94,010 s bien. Todos son muy superiores a los resultados de predicción de los algoritmos clásicos de aprendizaje automático y aprendizaje profundo. Por lo tanto, el AMO-HCR-DLA muestra un excelente rendimiento para la predicción de CTHS con el consumo computacional bajo y estable. También demuestra la viabilidad, credibilidad y realizabilidad de la arquitectura informática y el paradigma de diseño de AMO-HCR-DLA 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:hcr, dla, deep learning, qcf, twt, amo, algoritmo de máquina, pensamiento computacional en auge, sistema de manejo de terminales, datos de producción real
• Keywords:hcr, dla, deep learning, qcf, twt, amo, algorithm of machine, booming computational thinking, terminal handling system, actual production data