买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉同济大学申请的专利一种基于关联图谱的自动化集装箱码头装卸时间预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115481789B 。

龙图腾网通过国家知识产权局官网在2025-11-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211064364.7，技术领域涉及：G06Q10/04；该发明授权一种基于关联图谱的自动化集装箱码头装卸时间预测方法是由向阳;陈建廷;杨云霄设计研发完成，并于2022-08-31向国家知识产权局提交的专利申请。

本一种基于关联图谱的自动化集装箱码头装卸时间预测方法在说明书摘要公布了：本发明一种基于关联图谱的自动化集装箱码头装卸时间预测方法，涉及一种神经网络和深度学习算法，利用码头关联图谱中的关联数据，能够有效地提升自动化集装箱码头装卸时间预测精准度，属于人工智能及控制技术领域，其特征在于：步骤一：邻域子图构建；步骤二：装卸时间预测模型前向传播；步骤三：预测时间与真实时间误差计算；步骤四：网络参数更新；步骤五：模型保存与应用。利用码头关联图谱的管理数据，构建面向目标任务的邻域子图，通过基于图神经网络的装卸时间预测模型学习关联图谱中的结构化语义信息，回归预测装卸时间，有效解决自动化集装箱码头装卸任务时间的预测问题，具有更高的装卸时间预测精准度。

本发明授权一种基于关联图谱的自动化集装箱码头装卸时间预测方法在权利要求书中公布了：1.一种基于关联图谱的自动化集装箱码头装卸时间预测方法，包括以下步骤： 步骤一：邻域子图构建，在既有码头关联图谱上，划分邻域子图并构建训练样本，提供给步骤二； 根据既有码头关联图谱码头业务的关联关系通过节点之间的拓扑结构及其边上关系语义体现出来，数据则表达在节点的属性值上，装卸任务节点的邻域节点及其属性值即是关联数据； 通过限定步长的遍历搜索划分邻域子图，给定搜索步长，以目标任务为中心节点，步长内可达的节点即是与目标装卸任务关联的邻域节点；首先在事理图谱中搜索到达邻域节点的关联路径，再以关联路径为约束在实例图谱中查询邻域关联节点； 关联路径搜索给定事理图谱O和目标任务节点vc，利用Sparql查询命令搜索从vc出发，长度为l的关联路径P＝{vc,e1|^e1,v1,v1,e2|^e2,v2,…,vl-1,el|^el,vl}，得到所有关联路径的集合邻域节点搜索给定实例图谱I和一个关联路径根据关联路径的语义，通过Sparql获取实例图谱在该路径下的路径实例，每条路径实例中包含一个目标任务的实例节点，以及在该路径下关联的其他节点，包含这些节点的实例三元组即是组成邻域子图的一部分；将关联路径集合中的所有查询结果进行合并，得到目标任务节点的邻域子图由节点集合V、边集合E、属性集集合组成； 节点集合V＝{vc,v1,…,vn-1}，包含中心节点vc和邻域节点v1:n-1；边集合E＝{vi,e,vj|vi,vj∈V}，连接节点的边上语义用e表示；属性集集合每个节点vi都有对应的属性集Ai，包含若干属性和属性值，即Ai＝{vi,k,ai,k}，ai,k表示节点vi的k属性的属性值； 步骤二：装卸时间预测模型前向传播，利用步骤一提供的邻域子图，通过异质图神经网络的方式融合节点间的关联关系和属性信息，预测设备的装卸时间，提供给步骤三； 所述装卸时间预测模型M采用异质图神经网络HGNN对邻域子图中的节点属性信息和节点间的关联交互信息进行融合，计算得到的邻域子图向量z； 首先，输入节点V以及节点的属性信息通过节点信息表示得到节点的向量表示X； 然后，根据邻域子图提供的拓扑结构和边上语义，利用异质图神经网络HGNN进行信息传递，得到融合邻域信息的节点隐层向量表示H； 接下来，通过信息聚合模块得到邻域子图的整体表示，即输出层向量z，并利用时间预测模块中的线性映射层和Sigmoid激活函数计算得到模型的装卸时间预测结果 所述装卸时间预测模型M包括步骤2.1节点信息表示、步骤2.2节点特征融合、步骤2.3信息聚合、步骤2.4时间预测四个步骤； 所述步骤2.1节点信息表示由于邻域子图中各节点具有不同数量且不同语义的属性，即|Ai|≠|Aj|，通过所述节点信息表示模块利用属性编码器将节点vi的属性集合Ai中的属性值转化为相同维度的向量表示，形式化为节点信息表示包括属性信息编码和节点属性聚合两部分；所述属性信息编码将节点的属性值ai,k表示为γ维的向量qi,k；根据属性值的类型不同，属性信息分为数值型、分类型、时间型，以及编号型四类；所述节点属性聚合对于节点vi的所有属性表示向量Ai＝{qi,1,qi,2,…,qi,k}，采用注意力的思想聚合每一个节点的属性信息，其中为属性的注意力权重，其中为k属性的可学习属性类型向量，所有节点共享； 所述步骤2.2节点特征融合，采用异质图神经网络HeterogeneousGraphNeuralNetwork,HGNN，基于邻域子图中的边集合E融合节点的邻居信息，将邻域子图中所有节点的向量表示X＝{xc,x1,x2…,xn-1}转化为节点隐层表示H＝{hc,h1,…,hn-1}，形式化为φ:X,E→H； 所述步骤2.3信息聚合包括图池化、任务节点属性映射和门控信息聚合三个组件；根据输入的节点隐层向量表示H，通过图池化得到邻域子图的结构向量表示os；通过MLP将任务节点的隐层表示hc转化为图结构向量表示os；通过门控机制进行聚合，得到输出层向量表示z； 所述步骤2.4时间预测使用线性映射和Sigmoid激活函数进行计算，得到最终模型输出的装卸时间预测结果其中是时间预测步骤中可学习的参数； 步骤三：预测时间与真实时间误差计算，利用步骤二提供的预测装卸时间，通过均方误差损失函数计算与真实装卸时间的损失，提供给步骤四； 步骤四：网络参数更新，利用步骤三提供的损失，训练步骤二中装卸时间预测模型的参数；若模型未收敛，则执行步骤二；若模型已收敛，则将收敛后的模型提供给步骤五； 步骤五：模型保存与应用，保存步骤四中所提供的模型结构与参数，并利用该模型新样本的装卸时间并输出。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人同济大学，其通讯地址为：200092 上海市杨浦区四平路1239号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。