大数据背景下的集装箱码头智能化管理

黄良丰 王男男 严种宇 梅海杰

近年来，随着航运业不断发展以及传统码头向智能化转型的趋势愈演愈烈，港口逐渐成为全球物流信息流转的重要节点之一。与此同时，港口企业的服务范围和功能逐步延伸，除深入内陆兴建无水港外，还涉足仓储、运输和金融等领域，从而使港口企业掌握的数据急剧膨胀。这些海量数据将成为企业的核心资产，助力企业在激烈的市场竞争中占据优势。[1]本文结合大数据背景，分析港口大数据的特点，介绍国内外港口大数据应用现状，并以宁波大榭招商国际码头有限公司为例（以下简称“宁波大榭码头”），探讨大数据在集装箱码头智能化管理中的应用。

1 港口大数据的特点

大数据是计算机和互联网技术迅猛发展的产物，其具有体量巨大、类型多样、价值密度低和处理速度快等特点。[2]大数据时代下，人类社会产生的数据总量呈现指数级增长趋势，大约每2年翻一番，并将在2020年之前保持这一增长速度。[3]

（1）体量巨大 随着码头数量的增长、既有码头运营时间的延续以及码头信息化水平的提升，港口数据体量已从太字节级跃升至拍字节级。

（2）类型多样 除基本的生产运营数据外，港口还拥有视频、图片等富媒体数据，其中非结构化数据所占比例呈上升趋势。

（3）价值密度低 以码头监控视频为例，在不间断的监控过程中，有利用价值的视频时长也许只有1～。这就要求港口通过数据挖掘的方式获取蕴藏在海量数据中的有用信息，从而实现“沙里淘金”。

（4）处理速度快 大数据的秒级定律认为，必须在内高速完成各种数据处理。[4]码头各项业务对计算效率的要求较高，例如，进口箱进闸选位算法必须在内完成计算。

2 国内外港口大数据应用现状

2.1 国外港口大数据应用现状

新加坡港提出“大数据治港”的概念，凭借其信息化水平较高的优势，开展基于大数据的基础建设、生产管理、客户服务、市场预测和应用创新等。

鹿特丹港联合港口物流企业共同开发以港口为中心的国际运输信息系统，通过整合船舶运输、港口装卸、报关报检、陆路运输、金融服务等数据，协调物流参与方之间的业务关系，达到提高物流效率、降低物流成本的目的。

2.2 国内港口大数据应用现状

宁波舟山港通过整合内外部码头、无水港、集装箱运输网络、物流增值服务等相关资源，构建港口物流一体化平台。此外，宁波舟山港还推出相关大数据管理服务平台，通过信息交互融合和商业智能大数据应用，为政府和企业提供数据统计、数据分析和数据挖掘等高端服务。

上海港积极推进数据中心建设，加大信息化、精益化、系统化建设力度，搭建跨平台的大数据云分析平台，并强化平台的分析决策功能，实现数据处理模式从线下收集和分析向线上自动流转和共享的转变，从而为企业决策提供有效支持。

天津港建设无水港集疏运一体化信息平台。该平台在大数据的支撑下，通过云计算、多源异构信息融合、工作流引擎等技术实现业务流程标准化，突破差异化需求下的复杂业务融合这一技术瓶颈，并为无水港的现场作业提供强大的控制逻辑层，对复杂、多变、实时性强的堆场作业具有快速反应、动态调度的能力，从而有效解决传统无水港管理模式下信息系统和生产数据均处于托管状态及设备投入成本高且维护困难等问题。

3 大数据背景下的集装箱码头智能化管理

3.1 数据驱动的智能系统

集装箱码头传统管理模式向智能化管理模式转变的趋势不可阻挡，而智能化管理的实现离不开海量数据的支撑。与传统的人工经验智能系统相比，数据驱动的智能系统通过提炼海量数据中所隐藏的高阶特征，使隐性知识显性化、显性知识结构化，从而能够更快速、更准确地作出决策。这些结构化的知识数据易于存储，并且经过不断积累，最终形成知识库，从而帮助优化智能系统，使数据与智能系统之间形成闭环（见图1）。以宁波大榭码头的智能收箱系统为例：该系统从海量历史收箱数据中提炼收箱作业规律，并将其存储为高阶先验知识，为智能收箱的选位决策提供可靠的参考依据;随着系统的长期运行，其收集并提炼的数据持续增长，从而使系统计算的合理性和准确性不断提高，达到有效利用作业资源、减少装船取箱冲突的目的。

3.2 基于数据快照技术的仿真生产系统

仿真指利用模型复现实际系统中发生的本质过程，并通过对系统模型的实验来研究或评估已存在或设计中的复杂系统。码头物流仿真的主要作用是为新建码头可行性分析及宏观效率评估等提供基本数据。传统仿真生产系统的数据来源于概率分布模拟，因此，其无法精细模拟实际的码头生产系统。目前宁波大榭码头已投入使用和尚在研发中的智能系统（包括智能配载系统、智能收箱系统和智能船控系统等）均采用数据快照技术，以快照形式存储智能系统的基础输入数据、高阶特征数据和计算结果等。这些关键生产环节的海量数据能够帮助驱动仿真生产系统，使仿真生产系统中的虚拟码头与实际码头在时间、空间和运动上具有极高的相似性，进而使仿真生产系统能够精细模拟复杂的码头生产系统，预先评估智能系统制订的生产作业计划，及时发现生产作业中可能存在的瓶颈，并通知智能系统调整生产作业计划。

3.3 多智能系统的数据共享和迁移学习

多智能系统的数据共享和迁移学习（见图2）有助于优化智能系统的计算性能，并提升其智能化程度。以宁波大榭码头的智能配载系统为例：该系统基于智能收箱系统所共享的关于各航线收箱需求的高阶特征数据实现迁移学习，制订符合收箱作业规律的配载策略，从而使不同航线的配载策略更有针对性。与迁移学习前的智能配载系统相比，迁移学习后的智能配载系统在降本提效方面的表现优异：船舶单机平均作业效率提高3.8%，取箱点作业冲突发生率下降30.0%，平均作业路数减少1.8%，个自然箱的配载计算可在5～10 min内完成。

参考文献：

[1] MANYIKA J， CHUI M， BROWN B， et al. Big data： the next frontier for innovation，competition and productivity[R/OL]. （2011-05-01）[2018-04-12]. https：//www.mckinsey.com/business- functions/digital-mckinsey/our-insights/big-data-the-next-frontier-for-innovation.

[2] MAYER-SCH諲BERGER V， CUKIER K.Big data： a revo-lution that will transform how we live， work and think[M]. Boston： Houghton Mifflin Harcourt， 2013： 26.

[3] SAGIROGLU S， SINANC D. Big data： a review[C]//2013 International Conference on Collaboration Technologies and Systems， May 20-24， 2013， San Diego， California. Piscataway： IEEE， 2013：42-47.

[4] LABRINIDIS A， JAGADISH H V. Challenges and opportu-nities with big data[J/OL]. The proceedings of the VLDB Endowment， 2012， 5： 2032-2033[2018-04-12]. http：//vldb. org/pvldb/vol5/p2032_alexandroslabrinidis_vldb2012.pdf.

（編辑：张敏 收稿日期：2018-05-18）