黃良豐 王男男 嚴(yán)種宇 梅海杰
近年來,隨著航運(yùn)業(yè)不斷發(fā)展以及傳統(tǒng)碼頭向智能化轉(zhuǎn)型的趨勢愈演愈烈,港口逐漸成為全球物流信息流轉(zhuǎn)的重要節(jié)點之一。與此同時,港口企業(yè)的服務(wù)范圍和功能逐步延伸,除深入內(nèi)陸興建無水港外,還涉足倉儲、運(yùn)輸和金融等領(lǐng)域,從而使港口企業(yè)掌握的數(shù)據(jù)急劇膨脹。這些海量數(shù)據(jù)將成為企業(yè)的核心資產(chǎn),助力企業(yè)在激烈的市場競爭中占據(jù)優(yōu)勢。[1]本文結(jié)合大數(shù)據(jù)背景,分析港口大數(shù)據(jù)的特點,介紹國內(nèi)外港口大數(shù)據(jù)應(yīng)用現(xiàn)狀,并以寧波大榭招商國際碼頭有限公司為例(以下簡稱“寧波大榭碼頭”),探討大數(shù)據(jù)在集裝箱碼頭智能化管理中的應(yīng)用。
1 港口大數(shù)據(jù)的特點
大數(shù)據(jù)是計算機(jī)和互聯(lián)網(wǎng)技術(shù)迅猛發(fā)展的產(chǎn)物,其具有體量巨大、類型多樣、價值密度低和處理速度快等特點。[2]大數(shù)據(jù)時代下,人類社會產(chǎn)生的數(shù)據(jù)總量呈現(xiàn)指數(shù)級增長趨勢,大約每2年翻一番,并將在2020年之前保持這一增長速度。[3]
(1)體量巨大 隨著碼頭數(shù)量的增長、既有碼頭運(yùn)營時間的延續(xù)以及碼頭信息化水平的提升,港口數(shù)據(jù)體量已從太字節(jié)級躍升至拍字節(jié)級。
(2)類型多樣 除基本的生產(chǎn)運(yùn)營數(shù)據(jù)外,港口還擁有視頻、圖片等富媒體數(shù)據(jù),其中非結(jié)構(gòu)化數(shù)據(jù)所占比例呈上升趨勢。
(3)價值密度低 以碼頭監(jiān)控視頻為例,在不間斷的監(jiān)控過程中,有利用價值的視頻時長也許只有1~。這就要求港口通過數(shù)據(jù)挖掘的方式獲取蘊(yùn)藏在海量數(shù)據(jù)中的有用信息,從而實現(xiàn)“沙里淘金”。
(4)處理速度快 大數(shù)據(jù)的秒級定律認(rèn)為,必須在內(nèi)高速完成各種數(shù)據(jù)處理。[4]碼頭各項業(yè)務(wù)對計算效率的要求較高,例如,進(jìn)口箱進(jìn)閘選位算法必須在內(nèi)完成計算。
2 國內(nèi)外港口大數(shù)據(jù)應(yīng)用現(xiàn)狀
2.1 國外港口大數(shù)據(jù)應(yīng)用現(xiàn)狀
新加坡港提出“大數(shù)據(jù)治港”的概念,憑借其信息化水平較高的優(yōu)勢,開展基于大數(shù)據(jù)的基礎(chǔ)建設(shè)、生產(chǎn)管理、客戶服務(wù)、市場預(yù)測和應(yīng)用創(chuàng)新等。
鹿特丹港聯(lián)合港口物流企業(yè)共同開發(fā)以港口為中心的國際運(yùn)輸信息系統(tǒng),通過整合船舶運(yùn)輸、港口裝卸、報關(guān)報檢、陸路運(yùn)輸、金融服務(wù)等數(shù)據(jù),協(xié)調(diào)物流參與方之間的業(yè)務(wù)關(guān)系,達(dá)到提高物流效率、降低物流成本的目的。
2.2 國內(nèi)港口大數(shù)據(jù)應(yīng)用現(xiàn)狀
寧波舟山港通過整合內(nèi)外部碼頭、無水港、集裝箱運(yùn)輸網(wǎng)絡(luò)、物流增值服務(wù)等相關(guān)資源,構(gòu)建港口物流一體化平臺。此外,寧波舟山港還推出相關(guān)大數(shù)據(jù)管理服務(wù)平臺,通過信息交互融合和商業(yè)智能大數(shù)據(jù)應(yīng)用,為政府和企業(yè)提供數(shù)據(jù)統(tǒng)計、數(shù)據(jù)分析和數(shù)據(jù)挖掘等高端服務(wù)。
上海港積極推進(jìn)數(shù)據(jù)中心建設(shè),加大信息化、精益化、系統(tǒng)化建設(shè)力度,搭建跨平臺的大數(shù)據(jù)云分析平臺,并強(qiáng)化平臺的分析決策功能,實現(xiàn)數(shù)據(jù)處理模式從線下收集和分析向線上自動流轉(zhuǎn)和共享的轉(zhuǎn)變,從而為企業(yè)決策提供有效支持。
天津港建設(shè)無水港集疏運(yùn)一體化信息平臺。該平臺在大數(shù)據(jù)的支撐下,通過云計算、多源異構(gòu)信息融合、工作流引擎等技術(shù)實現(xiàn)業(yè)務(wù)流程標(biāo)準(zhǔn)化,突破差異化需求下的復(fù)雜業(yè)務(wù)融合這一技術(shù)瓶頸,并為無水港的現(xiàn)場作業(yè)提供強(qiáng)大的控制邏輯層,對復(fù)雜、多變、實時性強(qiáng)的堆場作業(yè)具有快速反應(yīng)、動態(tài)調(diào)度的能力,從而有效解決傳統(tǒng)無水港管理模式下信息系統(tǒng)和生產(chǎn)數(shù)據(jù)均處于托管狀態(tài)及設(shè)備投入成本高且維護(hù)困難等問題。
3 大數(shù)據(jù)背景下的集裝箱碼頭智能化管理
3.1 數(shù)據(jù)驅(qū)動的智能系統(tǒng)
集裝箱碼頭傳統(tǒng)管理模式向智能化管理模式轉(zhuǎn)變的趨勢不可阻擋,而智能化管理的實現(xiàn)離不開海量數(shù)據(jù)的支撐。與傳統(tǒng)的人工經(jīng)驗智能系統(tǒng)相比,數(shù)據(jù)驅(qū)動的智能系統(tǒng)通過提煉海量數(shù)據(jù)中所隱藏的高階特征,使隱性知識顯性化、顯性知識結(jié)構(gòu)化,從而能夠更快速、更準(zhǔn)確地作出決策。這些結(jié)構(gòu)化的知識數(shù)據(jù)易于存儲,并且經(jīng)過不斷積累,最終形成知識庫,從而幫助優(yōu)化智能系統(tǒng),使數(shù)據(jù)與智能系統(tǒng)之間形成閉環(huán)(見圖1)。以寧波大榭碼頭的智能收箱系統(tǒng)為例:該系統(tǒng)從海量歷史收箱數(shù)據(jù)中提煉收箱作業(yè)規(guī)律,并將其存儲為高階先驗知識,為智能收箱的選位決策提供可靠的參考依據(jù);隨著系統(tǒng)的長期運(yùn)行,其收集并提煉的數(shù)據(jù)持續(xù)增長,從而使系統(tǒng)計算的合理性和準(zhǔn)確性不斷提高,達(dá)到有效利用作業(yè)資源、減少裝船取箱沖突的目的。
3.2 基于數(shù)據(jù)快照技術(shù)的仿真生產(chǎn)系統(tǒng)
仿真指利用模型復(fù)現(xiàn)實際系統(tǒng)中發(fā)生的本質(zhì)過程,并通過對系統(tǒng)模型的實驗來研究或評估已存在或設(shè)計中的復(fù)雜系統(tǒng)。碼頭物流仿真的主要作用是為新建碼頭可行性分析及宏觀效率評估等提供基本數(shù)據(jù)。傳統(tǒng)仿真生產(chǎn)系統(tǒng)的數(shù)據(jù)來源于概率分布模擬,因此,其無法精細(xì)模擬實際的碼頭生產(chǎn)系統(tǒng)。目前寧波大榭碼頭已投入使用和尚在研發(fā)中的智能系統(tǒng)(包括智能配載系統(tǒng)、智能收箱系統(tǒng)和智能船控系統(tǒng)等)均采用數(shù)據(jù)快照技術(shù),以快照形式存儲智能系統(tǒng)的基礎(chǔ)輸入數(shù)據(jù)、高階特征數(shù)據(jù)和計算結(jié)果等。這些關(guān)鍵生產(chǎn)環(huán)節(jié)的海量數(shù)據(jù)能夠幫助驅(qū)動仿真生產(chǎn)系統(tǒng),使仿真生產(chǎn)系統(tǒng)中的虛擬碼頭與實際碼頭在時間、空間和運(yùn)動上具有極高的相似性,進(jìn)而使仿真生產(chǎn)系統(tǒng)能夠精細(xì)模擬復(fù)雜的碼頭生產(chǎn)系統(tǒng),預(yù)先評估智能系統(tǒng)制訂的生產(chǎn)作業(yè)計劃,及時發(fā)現(xiàn)生產(chǎn)作業(yè)中可能存在的瓶頸,并通知智能系統(tǒng)調(diào)整生產(chǎn)作業(yè)計劃。
3.3 多智能系統(tǒng)的數(shù)據(jù)共享和遷移學(xué)習(xí)
多智能系統(tǒng)的數(shù)據(jù)共享和遷移學(xué)習(xí)(見圖2)有助于優(yōu)化智能系統(tǒng)的計算性能,并提升其智能化程度。以寧波大榭碼頭的智能配載系統(tǒng)為例:該系統(tǒng)基于智能收箱系統(tǒng)所共享的關(guān)于各航線收箱需求的高階特征數(shù)據(jù)實現(xiàn)遷移學(xué)習(xí),制訂符合收箱作業(yè)規(guī)律的配載策略,從而使不同航線的配載策略更有針對性。與遷移學(xué)習(xí)前的智能配載系統(tǒng)相比,遷移學(xué)習(xí)后的智能配載系統(tǒng)在降本提效方面的表現(xiàn)優(yōu)異:船舶單機(jī)平均作業(yè)效率提高3.8%,取箱點作業(yè)沖突發(fā)生率下降30.0%,平均作業(yè)路數(shù)減少1.8%,個自然箱的配載計算可在5~10 min內(nèi)完成。
參考文獻(xiàn):
[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.
(編輯:張敏 收稿日期:2018-05-18)