干散货与件杂货码头多维度云边协同运营分析方法及系统与流程

本发明涉及码头运营管理，具体地说，涉及干散货与件杂货码头多维度云边协同运营分析方法及系统。

背景技术：

1、干散货与件杂货码头运营涵盖装卸作业、水平运输、堆场堆存、辅助作业等多个环节，作业过程中持续产生现场作业数据、业务财务数据以及设备物理计量数据。随着港口数字化与智能化水平的提升，基于多源数据开展码头运营分析与效率管控，已成为港口运营管理领域的重要发展方向。

2、在港口数据处理与分析领域，已存在多种基于数据驱动的技术方案。发明专利cn202411329617.8公开了一种基于稀疏表示的港口货物实时监测方法，通过在货箱外部布置无线信号发射器和接收器，信号发射器向货箱发射特定频率的无线信号，信号接收器接收经过货物后传输的信号，获取不同类别货物对无线电波遮挡作用的量化数据与货物类别标签；该方法构建代表不同货物类别的信号特征字典，每个货物类别在字典中对应一个特定的信号模式，利用稀疏表示技术将接收到的信号特征与字典中各信号模式进行匹配，实现货物类别的自动识别。发明专利cn202610195903.2公开了一种基于云边端架构与双维度一致性的港口低碳调度方法，港口控制中心根据系统实时运行状态，通过非线性动态电价更新模型计算动态分时电价，并计算全局功率偏差信号；岸桥分配单元响应于动态分时电价，以港区岸桥群用电成本最低为目标生成港区岸桥分配方案；终端设备群包括发电机组群和岸桥作业群，发电机组群和岸桥作业群分别以发电机成本增量因子和岸桥装卸效率因子为一致性变量进行双维度一致性分布式分配，并由各自选举出的主智能体接收全局功率偏差信号，对各自的一致性变量进行对称补偿，实现港口低碳经济协同与优化调度。

3、尽管上述技术方案在各自应用场景中具有相应的设计优点，但是上述技术方案还存在以下技术缺陷：其一，数据驱动的特征建模与设备物理作业机理相互割裂，特征表征缺乏物理可解释性：cn202411329617.8的稀疏表示与字典学习仅围绕无线信号特征进行纯数据驱动的模式匹配，字典原子与编码的物理含义仅对应于货物类别信号模式，未建立特征表征与码头设备真实物理作业机理量之间的关联约束；cn202610195903.2的云边端调度虽涉及物理设备控制，但其数据处理与分析维度仅限于电力能耗与调度成本，未将码头作业成本特征与设备物理作业机理量进行融合建模，上述两类技术路线均无法获得具有物理可解释性的运营状态表征。其二，多维成本特征中客观条件差异与运营管理水平相互耦合，无法实现运营效率的公平对标：cn202411329617.8采用单空间信号特征字典进行匹配识别，未涉及将多维特征拆解为不同属性空间的建模思路，无法剥离外部客观因素对特征表征的干扰；cn202610195903.2的调度优化以港区岸桥群用电成本最低为目标，未考虑货种、船型、泊位条件等客观条件差异与运营管理水平在成本特征中的耦合关系，上述技术路线互补后仍无法在剥离客观条件差异干扰的基础上支持码头运营效率的公平对标与管控短板识别。因此，现有技术亟需解决的关键技术问题是：如何在云边协同架构下实现码头多源运营数据与设备物理作业机理量的融合建模，并在成本特征分析中剥离客观条件差异的干扰，以获得具有物理可解释性的运营状态表征，从而支持码头运营效率的公平对标与管控短板识别。

技术实现思路

1、本发明的目的在于提供干散货与件杂货码头多维度云边协同运营分析方法及系统，以解决上述背景技术中提出的数据驱动的特征建模与设备物理作业机理相互割裂，特征表征缺乏物理可解释性和多维成本特征中客观条件差异与运营管理水平相互耦合，无法实现运营效率的公平对标的问题。

2、为实现上述技术问题的解决，本发明的目的之一在于，提供了干散货与件杂货码头多维度云边协同运营分析方法，包括如下步骤：

3、s1、数据采集与业财融合归集：实时采集码头现场作业数据、业务财务数据与设备物理计量数据，并通过边缘端就地预处理与云端统一归集映射，形成包含成本属性与码头物理作业机理量的作业单元级标准化数据集；

4、s2、多维度成本特征构建：基于作业单元级标准化数据集，通过作业中心划分与成本动因分级计算处理，构建覆盖部门、作业环节、货种维度的作业单元级金额型成本特征集；

5、s3、双空间解耦智能对标分析：基于作业单元级金额型成本特征与码头生产设备采集的物理作业机理量，采用带低相关解耦约束与作业机理量锚定约束的双空间稀疏编码技术进行成本特征解耦，得到剥离客观条件影响的运营状态编码；按外部条件编码相似度划分可比作业组，在组内完成运营效率评价与管控短板识别，输出多维度智能对标分析结果；

6、s4、分析结果输出与闭环交互：基于多维度智能对标分析结果，通过云端结果封装与边缘端同步下发反馈，生成可下发至现场作业端的运营优化指引，用于实现码头运营管控的闭环优化。

7、作为本技术方案的进一步改进，所述s1中，数据采集与业财融合归集，包括以下步骤：

8、s1.1、对码头泊位、装卸设备、运输设备、堆场、闸口节点的现场作业数据与设备物理计量数据，通过部署于各节点的边缘计算单元就地采集，执行数据清洗、异常值剔除、作业周期时间窗聚合处理，生成边缘端标准化作业数据片；

9、s1.2、对各边缘节点上传的标准化作业数据片，以及业务生产系统、财务核算系统输出的业务财务数据，在云端以作业单元标识为主键进行字段映射与关联对齐，建立作业单元-资源消耗-成本项目的对应映射关系；

10、s1.3、对关联映射后的多源数据进行一致性校验与缺失值标记，生成同时包含金额型成本属性与物理量型码头物理作业机理量的作业单元级标准化数据集，存储至云端数据层。

11、作为本技术方案的进一步改进，所述s2中，多维度成本特征构建，包括以下步骤：

12、s2.1、对作业单元级标准化数据集，依据码头作业工艺流程划分装卸作业、水平运输、堆场堆存、辅助作业四类作业中心，以作业单元标识为匹配键完成作业中心归属匹配，确定各作业单元的成本归集对象；

13、s2.2、对归集至各作业中心的成本数据，采用资源动因—作业动因两级分摊计算逻辑，先将资源层成本按资源动因分配至对应作业中心，再将作业中心总成本按作业动因分配至下属各作业单元，完成作业单元级的成本量化计算；

14、s2.3、对作业单元的量化成本数据，按部门、作业环节、货种三个维度进行归类归集，构建覆盖多维度的作业单元级金额型成本特征集，输出至s3。

15、作为本技术方案的进一步改进，所述s3中，双空间解耦智能对标分析，包括以下步骤：

16、s3.1、以作业单元级金额型成本特征集为训练样本，构建分别承载客观条件与运营状态的外部条件字典和运营状态字典，将成本特征重建误差、双空间稀疏正则项与低相关解耦约束项纳入联合优化目标进行迭代训练，得到收敛的双空间字典参数；

17、s3.2、依据训练集中各运营状态字典原子与样本物理作业机理量的激活对应关系，统计生成机理量画像矩阵的初始值，并以实测物理作业机理量为锚点对该画像矩阵执行交替校正，得到稳定的机理量画像矩阵；

18、s3.3、针对单个作业单元，以其金额型成本特征与物理作业机理量为编码输入，调用收敛的外部条件字典、运营状态字典及稳定的机理量画像矩阵，采用带低相关解耦约束与作业机理量锚定约束的双空间稀疏编码求解，输出该作业单元的外部条件编码与运营状态编码；

19、s3.4、依据各作业单元外部条件编码的相似度划分可比作业组，在各组内基于运营状态编码开展运营效率评价与管控短板识别，输出多维度智能对标分析结果。

20、作为本技术方案的进一步改进，所述s3.1中，双空间字典构建与低相关约束训练，包括以下步骤：

21、s3.11、采用随机初始化方式分别生成外部条件字典与运营状态字典的初始原子集合，其中外部条件字典用于承载货种、船型、作业批量、泊位条件类客观条件信息，运营状态字典用于承载调度协同、设备组织、资源配置效率类运营状态信息；

22、s3.12、以作业单元级金额型成本特征集为训练输入，在每次迭代中求解各训练样本的外部条件编码与运营状态编码，依据成本特征重建误差、双空间稀疏正则项与低相关解耦约束项构成的联合优化目标，交替更新外部条件字典与运营状态字典的原子参数；

23、s3.13、监测联合优化目标的迭代变化量，当成本特征重建误差下降至预设阈值且连续预设轮数的联合优化目标变化量均小于预设变化量阈值时，停止迭代训练，输出收敛的外部条件字典与运营状态字典参数。

24、作为本技术方案的进一步改进，所述s3.2中，机理量画像构建与实测锚定校正，包括以下步骤：

25、s3.21、统计训练集中各运营状态字典原子激活时对应样本的物理作业机理量均值，生成机理量画像矩阵的初始值；对激活次数低于预设阈值的运营状态字典原子，采用训练集全局物理作业机理量均值填充其画像向量；

26、s3.22、固定外部条件字典、运营状态字典与各训练样本的外部条件编码与运营状态编码，以实测物理作业机理量为锚点，沿机理量重建误差减小的梯度方向更新机理量画像矩阵，更新方式满足：

27、；

28、其中，为第轮更新后的机理量画像矩阵，为第轮的机理量画像矩阵，为画像矩阵更新步长，为训练样本实测物理作业机理量向量，为第轮求解得到的运营状态编码，为第轮运营状态编码的转置，为矩阵乘法运算；更新后固定机理量画像矩阵，采用包含成本特征重建项、双空间稀疏正则项、低相关解耦约束项及作业机理量锚定约束项的优化目标，重新求解各训练样本的外部条件编码与运营状态编码，交替执行画像矩阵更新与编码求解；

29、s3.23、监测机理量画像矩阵的迭代变化量与机理量重建误差，当相邻两轮机理量画像矩阵的变化量小于预设阈值且机理量重建误差持续下降时，停止交替校正，输出稳定的机理量画像矩阵。

30、作为本技术方案的进一步改进，所述s3.3中，带约束双空间稀疏编码，包括以下步骤：

31、s3.31、获取单个作业单元的金额型成本特征向量与实测物理作业机理量向量，调用收敛的外部条件字典、运营状态字典及稳定的机理量画像矩阵，完成编码输入准备；

32、s3.32、构建双空间稀疏编码优化目标函数，所述优化目标函数依次包含成本特征重建项、外部条件编码与运营状态编码的双l1稀疏正则项、两编码交叉低相关解耦约束项、运营状态编码经机理量画像矩阵映射后与实测物理作业机理量的锚定约束项，所述优化目标函数满足：

33、 ；

34、其中，为单个作业单元的金额型成本特征向量，为外部条件字典，为运营状态字典，为外部条件编码，为运营状态编码，且与为同维度编码向量，为外部条件编码的l1稀疏正则系数，为运营状态编码的l1稀疏正则系数，为低相关解耦约束系数，为机理量画像矩阵，m为作业单元实测物理作业机理量向量，为作业机理量锚定约束系数，为向量l2范数的平方，为向量l1范数；

35、s3.33、输出该作业单元的外部条件编码与运营状态编码，用于后续可比组划分与运营效率评价。

36、作为本技术方案的进一步改进，所述s3.4中，可比组划分与运营效率评价及短板识别，包括以下步骤：

37、s3.41、计算各作业单元外部条件编码的余弦相似度，依据相似度阈值将客观条件相近的作业单元划分为同一可比作业组；

38、s3.42、从作业单元级金额型成本特征集中筛选单位成本最优作业集，依据运营状态字典原子在该最优作业集中的激活频率排序，将激活频率高于预设高频阈值的原子标注为高效原子，将激活频率低于预设低频阈值的原子标注为低效原子，基于运营状态编码中高效原子与低效原子的激活比例计算各作业单元的运营效率得分；

39、s3.43、对运营效率得分低于组内基准线的作业单元，解析其运营状态编码中激活的低效原子对应的资源消耗模式，识别对应的管控短板类型；

40、s3.44、整合各可比作业组内的效率排序、短板分布与优化方向，生成多维度智能对标分析结果，传递至s4。

41、作为本技术方案的进一步改进，所述s4中，分析结果输出与闭环交互，包括以下步骤：

42、s4.1、对多维度智能对标分析结果进行结构化封装，生成包含运营效率评价、管控短板类型与优化方向的运营优化指引，存储至云端分析结果库；

43、s4.2、云端将运营优化指引同步下发至对应码头作业节点的边缘计算单元，由边缘计算单元推送至现场作业端；

44、s4.3、通过边缘计算单元采集现场作业端对运营优化指引的执行反馈数据并回传至云端，云端依据反馈数据更新运营分析参数，实现码头运营管控的闭环优化。

45、本发明的目的之二在于，提供了干散货与件杂货码头多维度云边协同运营分析系统，用于执行上述的干散货与件杂货码头多维度云边协同运营分析方法的步骤，包括：

46、数据采集与业财融合归集单元，所述数据采集与业财融合归集单元设有部署于码头各节点的边缘数据接入接口与云端业财数据接入接口，内置边缘端预处理逻辑对接收的码头现场作业数据与设备物理计量数据进行就地预处理，并经云端归集映射逻辑完成多源数据关联对齐，输出包含成本属性与码头物理作业机理量的作业单元级标准化数据集；

47、成本特征构建与多维度归集单元，所述成本特征构建与多维度归集单元加载作业单元级标准化数据集，内置作业中心划分逻辑确定各作业单元成本归集对象，并通过内置成本动因分级计算逻辑完成作业单元级成本量化，按部门、作业环节、货种维度归集输出作业单元级金额型成本特征集；

48、双空间解耦与智能对标分析单元，所述双空间解耦与智能对标分析单元设有特征输入接口接收作业单元级金额型成本特征与码头生产设备采集的物理作业机理量，内置带低相关解耦约束与作业机理量锚定约束的双空间稀疏编码逻辑对成本特征进行解耦，得到剥离客观条件影响的运营状态编码，并按外部条件编码相似度划分可比作业组，在组内完成运营效率评价与管控短板识别，输出多维度智能对标分析结果；

49、结果封装与闭环交互单元，所述结果封装与闭环交互单元接收多维度智能对标分析结果，云端内置结果封装逻辑生成可下发至现场作业端的运营优化指引，并经边缘端同步下发与反馈回传链路完成现场执行反馈采集，实现码头运营管控的闭环优化。

50、与现有技术相比，本发明的有益效果：

51、1.本发明通过带作业机理量锚定约束的双空间稀疏编码技术，构建机理量画像矩阵并以实测物理作业机理量为锚点交替校正，解决了数据驱动特征建模与设备物理作业机理相互割裂的问题，实现了运营状态编码与码头真实作业机理的绑定，提升了特征表征的物理可解释性；

52、2.本发明通过带低相关解耦约束的双空间稀疏编码技术，将成本特征解耦为外部条件编码与运营状态编码，并按外部条件编码相似度划分可比作业组，解决了客观条件差异与运营管理水平在成本特征中相互耦合的问题，实现了剥离客观条件干扰后的运营效率公平对标与管控短板精准识别。