集装箱堆场的箱位分配方法、装置、设备及介质

1.本技术涉及集装箱作业优化技术领域，特别是涉及一种集装箱堆场的箱位分配方法、装置、箱位分配设备及可读存储介质。


背景技术：

2.集装箱运输是国际贸易运输的主要方式之一，体量巨大。随着电子商务的快速发展，国际贸易态势更进一步，码头的集装箱吞吐量相应的迅速增长。随着集装箱吞吐量的增长，码头之间的竞争也愈发激烈。通过最大程度利用有用的信息来分配有限的资源，制定最优决策，以此提升码头出口箱堆场的作业效率，保障码头业务的稳定运行。
3.集装箱堆场是集装箱进出闸口、水上运输、上岸操作等国际贸易流程的必经之处，是集装箱码头建设中不可避免需要关注的场所。堆场由数个箱区组成，图1展示了堆场的其中一个箱区，基于图1可知，一个箱区由多个并列的贝位构成，贝位又由竖直堆放的一列列堆垛组成，每个堆垛顶部的可放置位置即为箱位。出口的集装箱在装载船舶到来之前会暂存在堆场，因此在集港阶段，需要为每个集装箱分配相对应的箱位。
4.由于集装箱的重量和抵达港不同，集中箱的提取顺序相应的，也会不同。举例来说，为了保证船舶航行的稳定，较重的集装箱会放置在装载船舶的下部，所以在装载过程中会优先从堆场提取较重的集装箱。这就需要在分配箱位时，尽可能给重量大(也即优先级高)的集装箱分配堆垛上方的位置，给重量轻(也即优先级低)的集装箱分配堆垛的下方的位置。如果当前需要提取的集装箱被压在了堆垛下方的位置，就会因翻箱操作导致存在耗费时间、增加成本、码头作业效率低下等弊端问题。因此箱位分配方法对提升码头作业效率和服务质量至关重要。另外，由于道路交通等各种因素，集装箱到达时间是不确定的。因此，箱位分配方法需要实时调整，以便更好地利用有限的信息。
5.相关技术通常基于规则的分配方法解决集装箱堆场的箱位分配问题，如垂直式原则，平铺式原则，随机分配原则，成组分配原则，复合分配规则等。尽管基于规则分配箱位的方法操作简单，易于实现，但最终确定的箱位分配结果与最优结果差距较大，精度较低；此外，由于集装箱的堆场涉及众多货物商家以及多个码头，单纯基于特定码头的当前数据并无法精准进行箱位分配，这均导致现有技术无法满足码头集装箱的箱位分配精准度的现实需求。
6.鉴于此，如何实现集装箱堆场箱位的精准分配，是所属技术领域技术人员需要解决的技术问题。


技术实现要素：

7.本技术提供了一种集装箱堆场的箱位分配方法、装置、箱位分配设备及可读存储介质，可以实现集装箱堆场箱位的精准分配。
8.为解决上述技术问题，本发明实施例提供以下技术方案：
9.本发明实施例一方面提供了一种集装箱堆场的箱位分配方法，包括：
10.当检测到目标集装箱到达，对堆场各箱区中具有空位的每个堆垛，根据当前堆垛对应的贝位状态、各类型集装箱的分布概率、已到达的集装箱数量及其对应重量类型，确定预到达的预测集装箱数量及不同重量类型的概率；
11.基于不同重量类型的预测集装箱的到达概率以及预测集装箱总数，按照集装箱的不同轻重排布情况生成多个仿真模拟队列；
12.对每个仿真模拟队列，调用预先训练箱位分配模型确定相应的箱位分配结果；
13.根据为每个堆垛所确定的各箱位分配结果，将翻箱操作频率最低的目标堆垛作为所述目标集装箱的放置位置；
14.其中，所述箱位分配模型为利用与待应用贝位具有相同结构特征，且规模小的训练贝位的动态规划的箱位分配训练结果作为训练样本集，通过训练神经网络模型所得。
15.可选的，所述箱位分配模型的训练过程为：
16.基于箱区参数、集装箱参数以及贝位状态变化信息，结合动态规划方法生成的动态规划箱位分配方法；
17.选择与待应用贝位的贝位层高及集装箱重量类型相同，但内堆垛数量小的多个训练贝位；
18.调用动态规划箱位分配方法，确定每个训练贝位的箱位分配训练结果；
19.根据每个训练贝位的堆垛类型及预到达的训练集装箱及其重量类型，并基于各箱位分配训练结果训练预先构建模型结构，得到箱位分配模型。
20.可选的，所述基于各箱位分配训练结果训练预先构建模型结构之前，还包括：
21.预先搭建模型结构；所述模型结构按照数据处理流向依次包括输入层、自注意力层、多层感知器及输出层；
22.所述输入层包括第一类神经元和第二类神经元；所述第一类神经元用于表示贝位内存在的堆垛状态，所包含的神经元总量根据贝位层高和集装箱重量类型总数确定；所述第二类神经元用于表示待到达集装箱的重量类型及不同重量类型的集装箱到达概率，其所包含的神经元总量基于所述集装箱重量类型总数确定；
23.所述多层感知器包括多个全连接层，每个全连接层包括相同数量的神经元；
24.所述输出层所包含的神经元数量与所述第一类神经元所包含的神经元数量相同，且所述输出层用于表示为集装箱分配的堆存位置。
25.可选的，所述搭建模型结构之前，还包括：
26.调用第一神经元数量计算关系式，计算所述第一类神经元所包含的神经元总量q，并将所述输入层的前q个神经元作为第一类神经元；所述第一神经元数量计算关系式为q＝(t-1)
×
|g| 1；t为堆垛的贝位层高，|g|为集装箱重量类型总数；
27.调用第二神经元数量计算关系式，计算所述第二类神经元所包含的神经元总量h，并将所述输入层的后h个神经元作为第二类神经元；所述第二神经元数量计算关系式为h＝2
×
|g|。
28.可选的，所述调用动态规划箱位分配方法，确定每个训练贝位的箱位分配训练结果，包括：
29.对每个训练贝位，调用表示动态规划箱位分配方法的动态规划箱位分配目标函数，通过从满贝状态倒推计算各贝位状态下的箱位分配结果，确定所述当前训练贝位的箱
位分配训练结果；所述动态规划箱位分配目标函数为：
[0030][0031]
其中，n＝1,2...,n，f0(x0)＝0，rn(xn,dn,kn)＝α
×
(t-e 1) γ
×
(t-e 1-tw)，if kn＜w；rn(xn,dn,kn)＝β
×
(k
n-w)
×
(e-1)，if kn≥w；x
n-1
＝tn(xn,dn,kn)，
[0032]
式中，fn(xn)为从第n阶段的贝位状态到堆满整个贝翻箱次数期值之和，xn为第n阶段的贝位状态，pn(kn)为第n阶段到达的集装箱属于重量类型kn的概率，kn为第n阶段到达的集装箱所属的重量类型，dn为堆垛号，rn(xn,dn,kn)为在堆垛状态为xn时，将属于重量类型kn的到达集装箱堆放在dn号堆垛时导致翻箱操作的期望惩罚值，g为集装箱重量类型集合，n为当前阶段数，n为阶段总数，为估计的已到达的集装箱数量，α为将比最重箱类型更轻的集装箱放置在堆垛上方的惩罚系数，t为堆垛的贝位层高，e为堆垛中的空箱数量，γ为将比最重箱类型更轻的集装箱放置在距离堆垛内最重集装箱较远的位置时的惩罚系数，tw为堆垛中最重箱所在最低层高，β为将比最重箱类型更重的集装箱放置在堆垛上方的惩罚系数，w为堆垛中量重集装箱所属集装类型，tn(xn,dn,kn)为属于重量类型kn的到达集装箱，堆放在堆垛dn号堆垛，从当前阶段的贝位状态xn转移到下一个阶段的贝位状态的状态转移函数。
[0033]
可选的，所述根据为每个堆垛所确定的各箱位分配结果，将翻箱操作频率最低的目标堆垛作为所述目标集装箱的放置位置，包括：
[0034]
根据每个仿真模拟队列对应的箱位分配结果，统计对应仿真模拟队列中存在的相比重量小的集装箱位于重量大的集装箱上方的贝位压箱数量；
[0035]
通过计算各贝位压箱数量的平均值，确定当前堆垛的翻箱操作频率值；
[0036]
将翻箱操作频率值最小的堆垛作为目标堆垛，以用于放置所述目标集装箱。
[0037]
可选的，所述根据当前堆垛对应的贝位状态、各类型集装箱的分布概率、已到达的集装箱数量及其对应重量类型，确定预到达的预测集装箱数量及不同重量类型的概率之前，还包括：
[0038]
获取用于表示集装箱重量类型的状态值；
[0039]
对每个堆垛，根据当前堆垛中最重集装箱对应的状态值及所在堆垛的最高层数的乘积，确定所述当前堆垛的堆垛状态；
[0040]
对每个贝位，根据当前贝位中每个堆垛中的空箱数量和对应的堆垛状态生成所述当前贝位的贝位状态。
[0041]
本发明实施例另一方面提供了一种集装箱堆场的箱位分配装置，包括：
[0042]
数据挖掘模块，用于当检测到目标集装箱到达，对堆场各箱区中具有空位的每个堆垛，根据当前堆垛对应的贝位状态、各类型集装箱的分布概率、已到达的集装箱数量及其对应重量类型，确定预到达的预测集装箱数量及不同重量类型的概率；
[0043]
模拟分配模块，用于基于不同重量类型的预测集装箱的到达概率以及预测集装箱
总数，按照集装箱的不同轻重排布情况生成多个仿真模拟队列；对每个仿真模拟队列，调用预先训练箱位分配模型确定相应的箱位分配结果；所述箱位分配模型为利用与待应用贝位具有相同结构特征，且规模小的训练贝位的箱位分配训练结果作为训练样本集，通过训练神经网络模型所得；
[0044]
位置确定模块，用于根据为每个堆垛所确定的各箱位分配结果，将翻箱操作频率最低的目标堆垛作为所述目标集装箱的放置位置。
[0045]
本发明实施例还提供了一种箱位分配设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述集装箱堆场的箱位分配方法的步骤。
[0046]
本发明实施例最后还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前任一项所述集装箱堆场的箱位分配方法的步骤。
[0047]
本技术提供的技术方案的优点在于，充分利用集港的历史数据预测即将到达的集装箱及相应的重量类型，然后按照轻重类型对这些预到达的集装箱进行排布，模拟未来到达的集装箱情况，并利用神经网络模型预测未来的箱位分配情况。对堆场内可以放置当前到达的目标集装箱的各堆垛，通过结合即将到达的集装箱以及相应的箱位分配情况来未来这段时间内翻箱操作最小的堆垛，以此作为放置当前到达集装箱的堆垛。将当前集装箱数据与未来集装箱数据统筹考虑，可以有效提升集装箱堆场箱位分配的精准度，大幅降低翻箱操作。此外，在小规模贝位结构的箱位分配结果构成的数据集上进行训练，训练好的模型能够模拟动态规划的决策特征，并应用于大规模贝位结构上，可以很好的拟合数据的内在分布特征及最优箱位分配的决策，不仅可以提高箱位分配精准度，而且还可以在确保堆垛质量的同时，有效提升箱位分配效率。
[0048]
此外，本发明实施例还针对集装箱堆场的箱位分配方法提供了相应的实现装置、箱位分配设备及可读存储介质，进一步使得所述方法更具有实用性，所述装置、箱位分配设备及可读存储介质具有相应的优点。
[0049]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
[0050]
为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0051]
图1为本发明实施例提供的一个示例性应用场景的集装箱堆场的箱区示意图；
[0052]
图2为本发明实施例提供的集装箱堆场的箱位分配方法在一个示例性应用场景的硬件结构框架示意图；
[0053]
图3为本发明实施例提供的集装箱堆场的箱位分配方法在另一个示例性应用场景的硬件结构框架示意图；
[0054]
图4为本发明实施例提供的一种集装箱堆场的箱位分配方法的流程示意图；
[0055]
图5为本发明实施例提供的一个示例性应用场景下的贝位状态表示方式示意图；
[0056]
图6为本发明实施例提供的一个示例性应用场景下的箱位分配模型的网络结构示意图；
[0057]
图7为本发明实施例提供的一个示例性应用场景下的图6所示的箱位分配模型的神经元的含义表示示意图；
[0058]
图8为本发明实施例提供的集装箱堆场的箱位分配装置的一种具体实施方式结构图；
[0059]
图9为本发明实施例提供的箱位分配设备的一种具体实施方式结构图。
具体实施方式
[0060]
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0061]
本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及二者的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。下面详细的说明本技术的各种非限制性实施方式。
[0062]
为了便于理解，先对本技术实施例提供的集装箱堆场的箱位分配方法对应的方案所使用的硬件组成框架进行介绍。请参考图2，图2为本技术实施例提供的一种集装箱堆场的箱位分配方法所适用的硬件组成框架示意图。其中电子设备200可以包括处理器201和存储器202，还可以进一步包括多媒体组件203、信息输入/信息输出(i/o)接口204以及通信组件205中的一种或多种。
[0063]
其中，处理器201用于控制电子设备200的整体操作，以完成集装箱堆场的箱位分配方法中的全部或部分步骤；存储器202用于存储各种类型的数据以支持在电子设备200的操作，这些数据例如可以包括用于在该电子设备100上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现。在本实施例中，存储器202中至少存储有用于实现以下功能的程序和/或数据：
[0064]
当检测到目标集装箱到达，对堆场各箱区中具有空位的每个堆垛，根据当前堆垛对应的贝位状态、各类型集装箱的分布概率、已到达的集装箱数量及其对应重量类型，确定预到达的预测集装箱数量及不同重量类型的概率；
[0065]
基于不同重量类型的预测集装箱的到达概率以及预测集装箱总数，按照集装箱的不同轻重排布情况生成多个仿真模拟队列；
[0066]
对每个仿真模拟队列，调用预先训练箱位分配模型确定相应的箱位分配结果；
[0067]
根据为每个堆垛所确定的各箱位分配结果，将翻箱操作频率最低的目标堆垛作为所述目标集装箱的放置位置；
[0068]
其中，所述箱位分配模型为利用与待应用贝位具有相同结构特征，且规模小的训练贝位的动态规划的箱位分配训练结果作为训练样本集，通过训练神经网络模型所得。
[0069]
多媒体组件203可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器202或通过通信组件205发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口204为处理器201和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件205用于电子设备200与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near field communication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件205可以包括：wi-fi部件，蓝牙部件，nfc部件。
[0070]
当然，图2所示的电子设备200的结构并不构成对本技术实施例中电子设备的限定，在实际应用中电子设备200可以包括比图2所示的更多或更少的部件，或者组合某些部件。
[0071]
可以理解的是，本技术实施例中并不对电子设备的数量进行限定，其可以是多个电子设备共同协作完成集装箱堆场的箱位分配方法。在一种可能的实施方式中，请参考图3，图3为本技术实施例提供的另一种集装箱堆场的箱位分配方法所适用的硬件组成框架示意图。由图3可知，该硬件组成框架可以包括：第一电子设备21和第二电子设备22，二者之间通过网络23连接。
[0072]
在本技术实施例中，第一电子设备21与第二电子设备22的硬件结构可以参考图1中电子设备200。即可以理解为本实施例中具有两个电子设备200，两者进行数据交互。进一步，本技术实施例中并不对网络23的形式进行限定，即，网络23可以是无线网络(如wifi、蓝牙等)，也可以是有线网络。
[0073]
其中，第一电子设备21和第二电子设备22可以是同一种电子设备，如第一电子设备21和第二电子设备22均为服务器；也可以是不同类型的电子设备，例如，第一电子设备21可以是智能手机或其它智能终端，如进行人机交互的一些操作，第二电子设备22可以是服务器，如执行神经网络模型的训练等占用大量计算资源的任务，并将训练好的神经网络模型发送至第一电子设备21，第一电子设备21可直接调用该模型执行相应的箱位分配任务。在一种可能的实施方式中，可以利用计算能力强的服务器作为第二电子设备22来提高数据处理效率及可靠性，进而提高集装箱堆场的箱位分配效率。同时利用成本低，应用范围广的智能手机作为第一电子设备21，用于实现第二电子设备22与用户之间的交互。第一电子设备21和第二电子设备22之间的数据交互以及各自所执行的数据任务可为：第一电子设备21可先将训练样本数据发送至第二电子设备22，第二电子设备22基于训练样本数据，基于图6所示的模型结构进行模型训练，得到箱位分配模型，并将箱位分配模型发送至第一电子设备21，第一电子设备21在接收到用户下发的携带仿真模拟数量如10以及重量类型为kn的目标集装箱到达码头的指令之后，通过调用下述预先存储的计算机程序为目标集装箱确定其所放置的堆垛，步骤如下：
[0074]
步骤a1：对码头堆场的任意一个箱区的一个贝位的堆垛j，检查堆垛j(1≤j≤内堆垛数量s)上是否有空位，若有，则对集装箱放在堆垛j上的情形进行评估，跳转执行步骤a2；若无，则令j＝j 1，重复步骤a1，若j＞s，则跳转执行步骤a5。
[0075]
步骤a2：根据当前贝位状态及各重量类型集装箱的分布概率估计已经到达码头的
各类型集装箱数量，对尚未到达的各类型集装箱的到达概率和数量进行计算。随机生成trollout个仿真模拟队列，仿真模拟队列的各重量类型集装箱数与估计值一致，顺序随机。跳转执行步骤a3。
[0076]
步骤a3：针对每一个仿真模拟队列，调用箱位分配模型为到达集装箱分配箱位，重复执行a2-a3，直至每一个仿真模拟队列均分配完毕后，计算排布完成的贝位轻箱压重箱的数量rq，跳转执行步骤a4。
[0077]
步骤a4：计算所有仿真模拟队列的平均轻箱压重箱的数目rj，也即计算每个仿真模拟队列的rq的和的平均值，并将其作为把目标集装箱放到堆垛j上的评价指标，跳转执行步骤a5。
[0078]
步骤a5：重复执行a1-a4，确定堆场内的每个箱区的每个贝位的每个堆垛放置目标集装箱的评价指标，比较所有可行堆垛的rj，选择rj最小的堆垛作为放置实际到达集装箱的堆垛。
[0079]
需要注意的是，上述应用场景仅是为了便于理解本技术的思想和原理而示出，本技术的实施方式在此方面不受任何限制。相反，本技术的实施方式可以应用于适用的任何场景。
[0080]
请参见图4，图4为本发明实施例提供的一种集装箱堆场的箱位分配方法的流程示意图，对于现有的其他一些箱位分配方法，如基于精确模型的分配方法，如基于数学规划模型的分支定界算法，动态规划算法等；以及基于启发式算法的分配方法，如遗传算法，模拟退火算法，禁忌搜索算法等。基于精确模型的分配方法能求得最优解，但整个计算过程耗时长，且解决不了大规模贝位结构的问题，很难用直接运用在实际的堆场运作上；基于启发式算法的分配方法往往需要知道全局信息，多次迭代后给出最优方案，无法进行实时的决策，并且也无法保证分配最优。为解决精确算法求解规模小，非精确算法可靠性低的问题，本实施例在近似动态规划的框架下，对解空间进行分支，并在每个子空间上进行模拟仿真，仿真过程中利用神经网络方法所学得的策略进行快速决策，最后通过仿真结果决定继续分支求解的子空间。充分利用精确和非精确算法的优点，具有很高的实际应用价值。
[0081]
本发明实施例可包括以下内容：
[0082]
s401：当检测到目标集装箱到达，对堆场各箱区中具有空位的每个堆垛，根据当前堆垛对应的贝位状态、各类型集装箱的分布概率、已到达的集装箱数量及其对应重量类型，确定预到达的预测集装箱数量及不同重量类型的概率。
[0083]
可以理解的是，对于固定的码头来说，客户资源是稳定的，客户的贸易也是稳定的，所以集港的历史数据可以在一定程度上反馈未来一段时间的集装箱的到达情况。而且随着码头自动化信息化程度的提高，可以追踪存储大量历史数据。现有分配方法都无法很好的利用集港的历史数据，处理信息的不确定性，而一个好的箱位分配策略往往是很复杂的，蕴含复杂的非线性的逻辑，借助数据挖掘可以很好的进行表述和实现。本实施例的贝位状态用于表示当前堆垛所处的贝位的空位数量、集装箱数据及重量类型，各类型集装箱的分布概率可根据历史集港数据所确定的。在确定了当前堆垛对应的贝位状态、已到达的集装箱数量及其对应重量类型之后，便可结合各类型集装箱的分布概率来预测得到未来一段时间内可能到达的集装箱的总数量，以及每个预到达集装箱对应的重量类型。对于集装箱的重量类型，本实施例可分为轻、中、重三种，也即轻集装箱，中集装箱和重集装箱。为了便
于描述，不引起歧义，本实施例的预测集装箱是指即将到达的集装箱。
[0084]
s402：基于不同重量类型的预测集装箱的到达概率以及预测集装箱总数，按照集装箱的不同轻重排布情况生成多个仿真模拟队列。
[0085]
本实施例的仿真模拟队列用于描述未来一段时间内即将到达码头的集装箱的情况，仿真模拟队列的总个数可基于实际应用场景灵活选择，这均不影响本技术的实现。在上个步骤确定即将到达的集装箱及其对应的重量类型之后，将这些集装箱按照不同轻重进行排布，举例来说，预测集装箱为6个，轻箱概率为30-50％，重箱概率为10-30％，仿真模拟队列为3个，则可以依次为3个轻箱，2个重箱，2个重箱，2个中箱，2轻箱；3个重箱，3个轻箱。
[0086]
s403：对每个仿真模拟队列，调用预先训练箱位分配模型确定相应的箱位分配结果。
[0087]
其中，箱位分配模型为利用与待应用贝位具有相同结构特征，且规模小的训练贝位的动态规划的箱位分配训练结果作为训练样本集，通过训练神经网络模型所得。相同结构特征是指二者的贝位层高和重量类型相同，为了区别，将用于训练模型的贝位称为训练贝位，将利用模型进行预测的贝位，称为待应用贝位。待应用贝位的规模大于训练贝位的规模，且训练贝位可为小规模的贝位，所谓小规模贝位是指堆垛数*贝位层高小于30的贝位。举例来说，如表1所示，选择和当前待应用贝位具有相同特征的小规模贝位结构，根据神经网络输入的编码方式对数据进行预处理，形成训练数据集：当前码头贝位布局为可并排堆放8垛，最高堆叠3层，并且有3种可能到达重量类型的集装箱，即内堆垛数量s＝8，贝位层高t＝3，重量类型总数|g|＝3，用于训练的数据由贝位结构为{4，3，3}，{5，3，3}的动态规划结果构成。本技术对箱位分配模型所采用的神经网络算法并不做任何限定，所属领域技术人员可灵活选择。每个训练贝位的箱位分配训练结果为利用动态规划方法进行确定的，在小规模贝位结构的动态规划决策最优结果构成的数据集上进行训练，训练好的模型能够模拟动态规划的决策特征，并应用于大规模贝位结构上，可以很好地拟合数据的内在分布特征及最优算法的决策特点，提升决策效率。
[0088]
表1.神经网络模型训练数据结构对应表
[0089][0090]
s404：根据为每个堆垛所确定的各箱位分配结果，将翻箱操作频率最低的目标堆垛作为目标集装箱的放置位置。
[0091]
在本实施例中，每个堆垛有多个箱位分配结果，一种箱位分配结果对应一个翻箱
操作结论，翻箱操作结论是指是否需要进行翻箱以及需要翻箱的次数，可根据同一个堆垛的每个箱位分配结果的翻箱操作结论综合得到该堆垛的翻箱操作结论，为了便于实施，将翻箱操作结论可以进一步进行量化，为了便于表述，本步骤称为翻箱操作频率，从堆场内的每个箱区具有空位的每个堆垛的量化后的翻箱操作结论中选择一个最小值，即为目标堆垛。可选的，该步骤的一种可选的实施方式可为：根据每个仿真模拟队列对应的箱位分配结果，统计对应仿真模拟队列中存在的相比重量小的集装箱位于重量大的集装箱上方的贝位压箱数量；通过计算各贝位压箱数量的平均值，确定当前堆垛的翻箱操作频率值；将翻箱操作频率值最小的堆垛作为目标堆垛，以用于放置目标集装箱。贝位压箱数量是指存在轻箱(也即两个集装箱相比质量轻的箱子)压重箱(也即两个集装箱相比质量重的箱子)情况的数量。
[0092]
在本发明实施例提供的技术方案中，充分利用集港的历史数据预测即将到达的集装箱及相应的重量类型，然后按照轻重类型对这些预到达的集装箱进行排布，模拟未来到达的集装箱情况，并利用神经网络模型预测未来的箱位分配情况。对堆场内可以放置当前到达的目标集装箱的各堆垛，通过结合即将到达的集装箱以及相应的箱位分配情况来未来这段时间内翻箱操作最小的堆垛，以此作为放置当前到达集装箱的堆垛。将当前集装箱数据与未来集装箱数据统筹考虑，可以有效提升集装箱堆场箱位分配的精准度，大幅降低翻箱操作。此外，在小规模贝位结构的箱位分配结果构成的数据集上进行训练，训练好的模型能够模拟动态规划的决策特征，并应用于大规模贝位结构上，可以很好的拟合数据的内在分布特征及最优箱位分配的决策，不仅可以提高箱位分配精准度，而且还可以在确保堆垛质量的同时，有效提升箱位分配效率。
[0093]
需要说明的是，本技术中各步骤之间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图4只是一种示意方式，并不代表只能是这样的执行顺序。
[0094]
相关技术对贝位状态的表示都不够合理，对于太简单的贝位状态表示，信息的缺失导致难以做出更优的箱位分配结果，使得最终所确定的堆垛的准确度不高。对于太详细的贝位状态表示，会导致状态空间非常大，会存在冗余信息，给大规模数据处理带来困难。且相关技术均忽略了堆存高度这一重要信息。基于此，本实施例还给出了一种贝位状态的表示方法，在执行s101之前，需要先表示贝位状态，可包括下述内容：
[0095]
获取用于表示集装箱重量类型的状态值；
[0096]
对每个堆垛，根据当前堆垛中最重集装箱对应的状态值及所在堆垛的最高层数的乘积，确定当前堆垛的堆垛状态；
[0097]
对每个贝位，根据当前贝位中每个堆垛中的空箱数量和对应的堆垛状态生成当前贝位的贝位状态。
[0098]
其中，状态值可为预先设置的每种重量类型的集装箱在重量维度上的量化表示，举例来说，本技术的集装箱的重量类型可包括轻箱、中箱和重箱，轻箱对应的状态值可为1，中箱对应的状态值可为10，重箱对应的状态值可为100。最重集装箱为相对概念，也即在这个堆垛中所有集装箱中质量最重的那个集装箱，最重集装箱并非为重集装箱，一个堆垛中相比最重的集装箱不一定为一个，相应的所在堆垛的最高层数即为所有最重集装箱所在层数的最高层数，举例来说，堆垛号为d11、且总层数为6层的堆垛有3个轻箱和2个中箱，第一
个中箱所在层数为第3层，第二个中箱所在层数为第4层，则当前堆垛中最重集装箱对应的状态值即为10，所在堆垛的最高层数为4。以图5为例，该图的贝位包括贝位层高为3的4个堆垛，第一个堆垛没有集装箱，空箱数量为3，堆垛状态为0；第二个堆垛有1个位于第一层的重集装箱，空箱数量为2，堆垛状态为1*100；第三个堆垛有2个位于第一层和第二层的轻集装箱，空箱数量为1，堆垛状态为1*2；第三个堆垛有1个位于第一层的轻集装箱、1个位于第二层的轻集装箱和1个位于第三层的中集装箱，空箱数量为0，堆垛状态为3*10，相应的，贝位状态就可表述为{3210-0，100，2，30}。
[0099]
本实施例为了克服现有贝位状态表示方式限于效率高、质量差或效率低、质量佳的两个极端的局面，本实施例通过提取有效的最重箱层高信息来表示贝位状态，可以更好地平衡效率与堆存质量的问题。
[0100]
在上述实施例中，对于如何完成箱位分配模型的训练并不做限定，本实施例中还给出箱位分配模型的一种可选的训练方式，可包括下述内容：
[0101]
基于箱区参数、集装箱参数以及贝位状态变化信息，结合动态规划方法生成的动态规划箱位分配方法；
[0102]
选择与待应用贝位的贝位层高及集装箱重量类型相同，但内堆垛数量小的多个训练贝位；
[0103]
调用动态规划箱位分配方法，确定每个训练贝位的箱位分配训练结果；
[0104]
根据每个训练贝位的堆垛类型及预到达的训练集装箱及其重量类型，并基于各箱位分配训练结果训练预先构建模型结构，得到箱位分配模型。
[0105]
在本实施例中，动态规划箱位分配方法是将动态规划方法应用在箱位分配过程中所形成的方法，箱区参数包括但并不限制于内堆垛数量、贝位层高、总阶段数也即贝内箱位总数、当前阶段数也即贝内空箱数量、堆垛中的空箱数量；集装箱参数包括但并不限制于集装箱的重量类型，分为“轻”、“中”、“重”三种，对应字母“l”、“m”“h”，重量类的集合，某一种重量类型的集箱的比例，堆垛中量重集装箱所属集装类型，堆垛中最重箱所在最低层高，将比最重箱类型更轻的集装箱放置在堆垛上方的惩罚系数，将比最重箱类型更重的集装箱放置在堆垛上方的惩罚系数，将比最重箱类型更轻的集装箱放置在距离堆垛内最重集装箱较远的位置时的惩罚系数；贝位状态变化信息包括但并不限制于第n阶段的贝位状态，第n阶段时堆垛中某个重量类型的集装箱个数，第n阶段到达装箱所属重量类型，第n阶段到达的集装箱属于某个重量类型的概率，某一堆垛状态时到达的某类集装箱堆放在指定堆垛时导致翻箱操作的期望惩罚值，某类集装箱到达后堆放在指定堆垛时、从当前贝位状态转移到相邻贝位状态的状态转移函数，从初始贝位状态到堆满整个贝翻箱次数期值之和。
[0106]
相应的，作为一种可选的实施方式，调用动态规划箱位分配方法，确定每个训练贝位的箱位分配训练结果的过程，可包括：
[0107]
在本实施例中，箱位分配训练结果是指每个训练贝位利用箱位分配模型所确定的箱位分配结果，为了便于描述，称为箱位分配训练结果。对每个训练贝位，调用表示动态规划箱位分配方法的动态规划箱位分配目标函数，通过从满贝状态倒推计算各贝位状态下的箱位分配结果，确定当前训练贝位的箱位分配训练结果；动态规划箱位分配目标函数可表述为：
[0108][0109]
其中，n＝1,2...,n，f0(x0)＝0，rn(xn,dn,kn)＝α
×
(t-e 1) γ
×
(t-e 1-tw)，if kn＜w；
[0110]rn
(xn,dn,kn)＝β
×
(k
n-w)
×
(e-1)，if kn≥w；x
n-1
＝tn(xn,dn,kn)，
[0111][0112]
式中，fn(xn)为从第n阶段的贝位状态到堆满整个贝翻箱次数期值之和，xn为第n阶段的贝位状态，pn(kn)为第n阶段到达的集装箱属于重量类型kn的概率，kn为第n阶段到达的集装箱所属的重量类型，dn为堆垛号，rn(xn,dn,kn)为在堆垛状态为xn时，将属于重量类型kn的到达集装箱堆放在dn号堆垛时导致翻箱操作的期望惩罚值，g为集装箱重量类型集合，n为当前阶段数，n为阶段总数，为估计的已到达集装箱数量，α为将比最重箱类型更轻的集装箱放置在堆垛上方的惩罚系数，t为堆垛的贝位层高，e为堆垛中的空箱数量，γ为将比最重箱类型更轻的集装箱放置在距离堆垛内最重集装箱较远的位置时的惩罚系数，tw为堆垛中最重箱所在最低层高，β为将比最重箱类型更重的集装箱放置在堆垛上方的惩罚系数，w为堆垛中量重集装箱所属集装类型，tn(xn,dn,kn)为属于重量类型kn的到达集装箱，堆放在堆垛dn号堆垛，从当前阶段的贝位状态xn转移到下一个阶段的贝位状态的状态转移函数。
[0113]
本实施例基于贝位状态的表述及状态更新的定义，动态规划从满贝状态倒推，计算每个状态下的最优决策。表2展示了动态规划箱位分配方法计算贝位结构为内堆垛数量s＝4，贝位层高t＝3and重量类型总数|g|＝3的部分结果。记录的数据有当前贝位状态xn，新到集装箱的重量kn，新到集装箱放置在哪种状态的堆垛上dn，决策后的贝位状态x
n-1
。以第一条记录为例，可对应图5，当前贝位状态为{3210-0，100，2，30}，当重量类型为“h”(kn＝100)的集装箱到达时，选择{2-100}堆垛放置新到达的集装箱，此时贝位状态变为{3110-0，200，2，30}。
[0114]
表2.动态规划部分结果
[0115][0116]
本实施例基于新的贝位状态表示方式，重新设计了各重量类型集装箱分布概率的估计规则及惩罚项，并生成了相匹配的动态规划箱位分配方法，从而可在确保堆垛质量的同时，极大地减少了状态空间，提高了箱位分配效率。
[0117]
上述实施例对所采用的箱位分配模型所采用的模型架构并不做任何限定，基于上述实施例，结合图6及图7，本实施例还给出一种箱位分配模型的可选的模型结构，可包括下述内容：
[0118]
预先搭建模型结构；模型结构按照数据处理流向依次包括输入层、自注意力层、多
层感知器及输出层。
[0119]
输入层包括第一类神经元和第二类神经元；第一类神经元用于表示贝位内存在的堆垛状态，所包含的神经元总量根据贝位层高和集装箱重量类型总数确定；第二类神经元用于表示待到达集装箱的重量类型及不同重量类型的集装箱到达概率，其所包含的神经元总量基于集装箱重量类型总数确定。多层感知器包括多个相连的全连接层，每个全连接层可均包括相同数量的神经元，如可包括128个神经元。输出层所包含的神经元数量与第一类神经元所包含的神经元数量相同，且输出层用于表示为集装箱分配的堆存位置。
[0120]
其中，输入层为神经元的数量可通过调用第一神经元数量计算关系式，计算第一类神经元所包含的神经元总量q，并将输入层的前q个神经元作为第一类神经元；第一神经元数量计算关系式为q＝(t-1)
×
|g| 1；t为堆垛的贝位层高，|g|为集装箱重量类型总数；调用第二神经元数量计算关系式，计算第二类神经元所包含的神经元总量h，并将输入层的后h个神经元作为第二类神经元；第二神经元数量计算关系式为h＝2
×
|g|。
[0121]
在本实施例中，模型采用自注意力机制提升模型效果，多层感知器由3层全连接层组成，每一层分别有128个神经元，输入层的神经元前(t-1)
×
|g| 1用于标记贝位内存在的堆垛状态或者是说堆垛类型，后2
×
|g|个神经元代表待到达的集装箱类型和其他类型集装箱的到达概率。输出神经元数量为(t-1)
×
|g| 1，分别对应不同类型的堆垛，输出结果表示到达的集装箱放置在哪种类型的堆垛上。图7展示了图6对应的训练贝位的结构特征为{4，3}的输入输出层的神经元设计，输入层第一个神经元上的字符{h 1}表示的堆垛类型为最重箱类型为h(100)，空箱数量为1的堆垛，若贝位内含有这一类型的堆垛，则该神经元值为1，若无则值为0，后8个神经元意义类似。第10个神经元表示空堆垛。第11到第13个神经元标记集装箱到达的概率，若该类型集装箱到达概率大于0，则为1，否则为0。最后三个神经元标记到达集装箱的类型，若到达的集装箱属于该类型，则对应神经元值为1，否则为0。输出层神经元表示神经网络为集装箱分配的堆存位置，若将到达集装箱分配到最重箱类型为h(100)，空箱数量为1的堆垛，则该神经元值为1，其余为0。整个箱位分配模型在训练过程中所采用的超参数可为逐步试验法，学习率lr在{10-2
，10-3
，10-4
，10-5
}集合中尝试，全连接层神经元个数d在{32，64，128，256}集合中尝试，隐藏层数l位于{1，2，3，4，5}集合中尝试。实验发现，在参数组合{lr＝10-4
，d＝128，l＝3}下模型表现最佳。此外，箱位分配模型可采用leaky relu作为激活函数，采用交叉熵法作为损失函数，由adam optimizer进行梯度下降训练，批量大小为512。
[0122]
本发明实施例还针对集装箱堆场的箱位分配方法提供了相应的装置，进一步使得方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的集装箱堆场的箱位分配装置进行介绍，下文描述的集装箱堆场的箱位分配装置与上文描述的集装箱堆场的箱位分配方法可相互对应参照。
[0123]
基于功能模块的角度，参见图8，图8为本发明实施例提供的集装箱堆场的箱位分配装置在一种具体实施方式下的结构图，该装置可包括：
[0124]
数据挖掘模块801，用于当检测到目标集装箱到达，对堆场各箱区中具有空位的每个堆垛，根据当前堆垛对应的贝位状态、各类型集装箱的分布概率、已到达的集装箱数量及其对应重量类型，确定预到达的预测集装箱数量及不同重量类型的概率；
[0125]
模拟分配模块802，用于基于不同重量类型的预测集装箱的到达概率以及预测集
装箱总数，按照集装箱的不同轻重排布情况生成多个仿真模拟队列；对每个仿真模拟队列，调用预先训练箱位分配模型确定相应的箱位分配结果；箱位分配模型为利用与待应用贝位具有相同结构特征，且规模小的训练贝位的箱位分配训练结果作为训练样本集，通过训练神经网络模型所得；
[0126]
位置确定模块803，用于根据为每个堆垛所确定的各箱位分配结果，将翻箱操作频率最低的目标堆垛作为目标集装箱的放置位置。
[0127]
可选的，在本实施例的一些实施方式中，上述装置还可以包括模型训练模块，该模块可用于：基于箱区参数、集装箱参数以及贝位状态变化信息，结合动态规划方法生成的动态规划箱位分配方法；选择与待应用贝位的贝位层高及集装箱重量类型相同，但内堆垛数量小的多个训练贝位；调用动态规划箱位分配方法，确定每个训练贝位的箱位分配训练结果；根据每个训练贝位的堆垛类型及预到达的训练集装箱及其重量类型，并基于各箱位分配训练结果训练预先构建模型结构，得到箱位分配模型。
[0128]
作为上述实施例的一种可选的实施方式，上述模型训练模块还可预先搭建模型结构；模型结构按照数据处理流向依次包括输入层、自注意力层、多层感知器及输出层；输入层包括第一类神经元和第二类神经元；第一类神经元用于表示贝位内存在的堆垛状态，所包含的神经元总量根据贝位层高和集装箱重量类型总数确定；第二类神经元用于表示待到达集装箱的重量类型及不同重量类型的集装箱到达概率，其所包含的神经元总量基于集装箱重量类型总数确定；多层感知器包括多个全连接层，每个全连接层包括相同数量的神经元；输出层所包含的神经元数量与第一类神经元所包含的神经元数量相同，且输出层用于表示为集装箱分配的堆存位置。
[0129]
作为上述实施例的另一种可选的实施方式，上述模型训练模块还可包括神经元计算单元，用于调用第一神经元数量计算关系式，计算第一类神经元所包含的神经元总量q，并将输入层的前q个神经元作为第一类神经元；第一神经元数量计算关系式为q＝(t-1)
×
|g| 1；t为堆垛的贝位层高，|g|为集装箱重量类型总数；调用第二神经元数量计算关系式，计算第二类神经元所包含的神经元总量h，并将输入层的后h个神经元作为第二类神经元；第二神经元数量计算关系式为h＝2
×
|g|。
[0130]
作为上述实施例的再一种可选的实施方式，上述模型训练模块还可包括箱位分配单元，用于对每个训练贝位，调用表示动态规划箱位分配方法的动态规划箱位分配目标函数，通过从满贝状态倒推计算各贝位状态下的箱位分配结果，确定当前训练贝位的箱位分配训练结果；动态规划箱位分配目标函数为：
[0131][0132]
其中，n＝1,2...,n，f0(x0)＝0，rn(xn,dn,kn)＝α
×
(t-e 1) γ
×
(t-e 1-tw)，if kn＜w；rn(xn,dn,kn)＝β
×
(k
n-w)
×
(e-1)，if kn≥w；x
n-1
＝tn(xn,dn,kn)，
[0133]
式中，fn(xn)为从第n阶段的贝位状态到堆满整个贝翻箱次数期值之和，xn为第n阶段的贝位状态，pn(kn)为第n阶段到达的集装箱属于重量类型kn的概率，kn为第n阶段到达的
集装箱所属的重量类型，dn为堆垛号，rn(xn,dn,kn)为在堆垛状态为xn时，将属于重量类型kn的到达集装箱堆放在dn号堆垛时导致翻箱操作的期望惩罚值，g为集装箱重量类型集合，n为当前阶段数，n为阶段总数，为估计的已到达集装箱数量，α为将比最重箱类型更轻的集装箱放置在堆垛上方的惩罚系数，t为堆垛的贝位层高，e为堆垛中的空箱数量，γ为将比最重箱类型更轻的集装箱放置在距离堆垛内最重集装箱较远的位置时的惩罚系数，tw为堆垛中最重箱所在最低层高，β为将比最重箱类型更重的集装箱放置在堆垛上方的惩罚系数，w为堆垛中量重集装箱所属集装类型，tn(xn,dn,kn)为属于重量类型kn的到达集装箱，堆放在堆垛dn号堆垛，从当前阶段的贝位状态xn转移到下一个阶段的贝位状态的状态转移函数。
[0134]
可选的，在本实施例的另一些实施方式中，上述位置确定模块803还可进一步用于：根据每个仿真模拟队列对应的箱位分配结果，统计对应仿真模拟队列中存在的相比重量小的集装箱位于重量大的集装箱上方的贝位压箱数量；通过计算各贝位压箱数量的平均值，确定当前堆垛的翻箱操作频率值；将翻箱操作频率值最小的堆垛作为目标堆垛，以用于放置目标集装箱。
[0135]
可选的，在本实施例的其他一些实施方式中，上述装置例如还可以包括状态表示模块，用于获取用于表示集装箱重量类型的状态值；对每个堆垛，根据当前堆垛中最重集装箱对应的状态值及所在堆垛的最高层数的乘积，确定当前堆垛的堆垛状态；对每个贝位，根据当前贝位中每个堆垛中的空箱数量和对应的堆垛状态生成当前贝位的贝位状态。
[0136]
本发明实施例所述集装箱堆场的箱位分配装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
[0137]
由上可知，本发明实施例可以实现集装箱堆场箱位的精准分配。
[0138]
上文中提到的集装箱堆场的箱位分配装置是从功能模块的角度描述，进一步的，本技术还提供一种箱位分配设备，是从硬件角度描述。图9为本技术实施例提供的箱位分配设备在一种实施方式下的结构示意图。如图9所示，该箱位分配设备包括存储器90，用于存储计算机程序；处理器91，用于执行计算机程序时实现如上述任一实施例提到的集装箱堆场的箱位分配方法的步骤。
[0139]
其中，处理器91可以包括一个或多个处理核心，比如4核心处理器、8核心处理器，处理器91还可为控制器、微控制器、微处理器或其他数据处理芯片等。处理器91可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器91也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器91可以集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器91还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0140]
存储器90可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器90还可包括高速随机存取存储器以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。存储器90在一些实施例中可以是箱位分配设备的内部存
储单元，例如服务器的硬盘。存储器90在另一些实施例中也可以是箱位分配设备的外部存储设备，例如服务器上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器90还可以既包括箱位分配设备的内部存储单元也包括外部存储设备。存储器90不仅可以用于存储安装于箱位分配设备的应用软件及各类数据，例如：执行集装箱堆场的箱位分配方法过程中的程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。本实施例中，存储器90至少用于存储以下计算机程序901，其中，该计算机程序被处理器91加载并执行之后，能够实现前述任一实施例公开的集装箱堆场的箱位分配方法的相关步骤。另外，存储器90所存储的资源还可以包括操作系统902和数据903等，存储方式可以是短暂存储或者永久存储。其中，操作系统902可以包括windows、unix、linux等。数据903可以包括但不限于集装箱堆场的箱位分配结果对应的数据等。
[0141]
在一些实施例中，上述箱位分配设备还可包括有显示屏92、输入输出接口93、通信接口94或者称为网络接口、电源95以及通信总线96。其中，显示屏92、输入输出接口93比如键盘(keyboard)属于用户接口，可选的用户接口还可以包括标准的有线接口、无线接口等。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。显示器也可以适当的称为显示屏或显示单元，用于显示在箱位分配设备中处理的信息以及用于显示可视化的用户界面。通信接口94可选的可以包括有线接口和/或无线接口，如wi-fi接口、蓝牙接口等，通常用于在箱位分配设备与其他箱位分配设备之间建立通信连接。通信总线96可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0142]
本领域技术人员可以理解，图9中示出的结构并不构成对该箱位分配设备的限定，可以包括比图示更多或更少的组件，例如还可包括实现各类功能的传感器97。
[0143]
本发明实施例所述箱位分配设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
[0144]
由上可知，本发明实施例可以实现集装箱堆场箱位的精准分配。
[0145]
可以理解的是，如果上述实施例中的集装箱堆场的箱位分配方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电可擦除可编程rom、寄存器、硬盘、多媒体卡、卡型存储器(例如sd或dx存储器等)、磁性存储器、可移动磁盘、cd-rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0146]
基于此，本发明实施例还提供了一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时如上任意一实施例所述集装箱堆场的箱位分配方法的步骤。
[0147]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它
实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的硬件包括装置及设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0148]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0149]
以上对本技术所提供的一种集装箱堆场的箱位分配方法、装置、箱位分配设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。