基于深度学习的港口集装箱吞吐量预测方法及相关设备

摘要

本发明涉及人工智能技术领域，提供一种基于深度学习的港口集装箱吞吐量预测方法及相关设备，所述方法包括：获取港口集装箱吞吐量的原始数据；将原始数据转换为港口集装箱吞吐量的多元时间序列数据；将多元时间序列数据输入至预先训练好的卷积神经网络中进行特征提取，得到第一特征集；将第一特征集输入至预设的长短期记忆网络中进行识别，得到第二特征集；将第二特征集输入至全连接层，确定港口集装箱吞吐量的预测结果。本发明通过卷积神经网络和长短期记忆网络结合处理影响港口集装箱吞吐量的非线性时间序列，提高了第二特征集的准确率，进而提高了港口集装箱吞吐量的预测结果的准确率。

说明书

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于深度学习的港口集装箱吞吐量预测方法及相关设备。

背景技术

全球化促进了国际贸易的迅速增长，而集装箱吞吐量需求是衡量港口发展水平的关键指标，现有技术基于线性系统对集装箱吞吐量进行预测。

然而，由于集装箱吞吐量时间序列数据由线性趋势和非线性趋势组成，港口集装箱吞吐量的影响指标复杂多变，基于线性系统无法对集装箱吞吐量进行精确的预测。

发明内容

鉴于以上内容，有必要提出一种基于深度学习的港口集装箱吞吐量预测方法及相关设备，通过卷积神经网络和长短期记忆网络结合处理影响港口集装箱吞吐量的非线性时间序列，提高了第二特征集的准确率，进而提高了港口集装箱吞吐量的预测结果的准确率。

本发明的第一方面提供一种基于深度学习的港口集装箱吞吐量预测方法，所述方法包括：

解析接收到的港口集装箱吞吐量预测请求，获取所述港口集装箱吞吐量的原始数据，其中，所述集装箱吞吐量预测请求中包含有预测需求；

将所述原始数据转换为所述港口集装箱吞吐量的多元时间序列数据；

将所述多元时间序列数据输入至预先训练好的卷积神经网络中进行特征提取，得到第一特征集；

将所述第一特征集输入至预设的长短期记忆网络中进行识别，得到第二特征集；

将所述第二特征集输入至全连接层，确定所述港口集装箱吞吐量的预测结果。

可选地，所述将所述原始数据转换为所述港口集装箱吞吐量的多元时间序列数据包括：

基于所述预测需求获取多个影响指标，及每个所述影响指标的数据转换策略；

基于所述多个影响指标对所述原始数据进行划分，得到每个所述影响指标的原始数据；

将每个所述影响指标的原始数据按照对应的数据转换策略进行转换，得到所述港口集装箱吞吐量的多元时间序列数据，其中，所述多元时间序列数据中包含有线性时间序列数据和非线性时间序列数据。

可选地，所述将所述多元时间序列数据输入至预先训练好的卷积神经网络中进行特征提取，得到第一特征集包括：

将所述多元时间序列数据输入至预先训练好的卷积神经网络的卷积层中，在所述卷积层中采用多个滤波器对所述多元时间序列数据进行预处理，生成多个卷积特征图；

从每个所述卷积特征图中的提取卷积特征，并将所述卷积特征传输至与所述卷积层连接的池化层中进行特征提取，得到第一特征集。

可选地，所述将所述第一特征集输入至预设的长短期记忆网络中进行识别，得到第二特征集包括：

将所述第一特征集输入至与所述卷积神经网络连接的预设的长短期记忆网络中进行识别，得到第二特征集。

可选地，所述将所述第二特征集输入至全连接层，确定所述港口集装箱吞吐量的预测结果包括：

将所述第二特征集输入至全连接层，通过所述全连接层计算所述第二特征集中每个所述第二特征的影响分值；

将每个所述第二特征的影响分值输入至softmax层中进行归一化计算，得到所述港口集装箱吞吐量的预测结果。

可选地，在确定所述港口集装箱吞吐量的预测结果之后，所述方法还包括：

识别港口的标识码，根据所述港口的标识码获取所述港口集装箱吞吐量的预测结果对应的预设的调整策略；

发送所述调整策略至客户端。

可选地，所述解析接收到的港口集装箱吞吐量预测请求，获取所述港口集装箱吞吐量的原始数据包括：

解析港口集装箱吞吐量预测请求的报文，得到所述报文携带的报文信息；

从所述报文信息中获取港口集装箱吞吐量的预测需求；

基于所述预测需求中的待预测港口确定数据库接口；

调用所述数据库接口获取所述港口集装箱吞吐量的原始数据。

本发明的第二方面提供一种基于深度学习的港口集装箱吞吐量预测装置，所述装置包括：

解析和获取模块，用于解析接收到的港口集装箱吞吐量预测请求，获取所述港口集装箱吞吐量的原始数据，其中，所述集装箱吞吐量预测请求中包含有预测需求；

转换模块，用于将所述原始数据转换为所述港口集装箱吞吐量的多元时间序列数据；

提取模块，用于将所述多元时间序列数据输入至预先训练好的卷积神经网络中进行特征提取，得到第一特征集；

输入模块，用于将所述第一特征集输入至预设的长短期记忆网络中进行识别，得到第二特征集；

确定模块，用于将所述第二特征集输入至全连接层，确定所述港口集装箱吞吐量的预测结果。

本发明的第三方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的基于深度学习的港口集装箱吞吐量预测方法。

本发明的第四方面提供一种计算机可读存储介质，所述计算机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所述的基于深度学习的港口集装箱吞吐量预测方法。

综上所述，本发明所述的基于深度学习的港口集装箱吞吐量预测方法及相关设备，通过将所述原始数据转换为所述港口集装箱吞吐量的多元时间序列数据，将所述多元时间序列数据输入至预先训练好的卷积神经网络中进行特征提取，得到第一特征集，通过分析多元时间序列数据，解决了现有的线性系统的预测的港口集装箱吞吐量不准确的问题，提高港口集装箱吞吐量的预测准确率。将所述第一特征集输入至预设的长短期记忆网络中进行识别得到的第二特征集输入至全连接层，确定所述港口集装箱吞吐量的预测结果，由于长短期记忆网络可以精确的处理影响港口集装箱吞吐量的非线性时间序列，通过将卷积神经网络和长短期记忆网络结合处理影响港口集装箱吞吐量的非线性时间序列，提高了第二特征集的准确率，进而提高了港口集装箱吞吐量的预测结果的准确率。

附图说明

图1是本发明实施例一提供的基于深度学习的港口集装箱吞吐量预测方法的流程图。

图2是本发明实施例二提供的基于深度学习的港口集装箱吞吐量预测装置的结构图。

图3是本发明实施例三提供的电子设备的结构示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

实施例一

图1是本发明实施例一提供的基于深度学习的港口集装箱吞吐量预测方法的流程图。

在本实施例中，所述基于深度学习的港口集装箱吞吐量预测方法可以应用于电子设备中，对于需要进行基于深度学习的港口集装箱吞吐量预测的电子设备，可以直接在电子设备上集成本发明的方法所提供的基于深度学习的港口集装箱吞吐量预测的功能，或者以软件开发工具包(Software Development Kit，SDK)的形式运行在电子设备中。

本实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习、深度学习等几大方向。

如图1所示，所述基于深度学习的港口集装箱吞吐量预测方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。

S11，解析接收到的港口集装箱吞吐量预测请求，获取所述港口集装箱吞吐量的原始数据，其中，所述集装箱吞吐量预测请求中包含有预测需求。

本实施例中，用户在进行港口集装箱吞吐量预测时，通过客户端发起港口集装箱吞吐量预测请求至服务端，具体地，所述客户端可以是智能手机、IPAD或者其他现有的智能设备，所述服务端可以为港口集装箱吞吐量预测子系统，在预约过程中，如所述客户端可以向港口集装箱吞吐量预测子系统发送港口集装箱吞吐量预测请求，所述港口集装箱吞吐量预测子系统用于接收所述客户端发送的港口集装箱吞吐量预测请求。

本实施例中，港口集装箱吞吐量(Port handling capacity)是指一段时期内经水运输出、输入港区并经过装卸作业的集装箱总量，计量单位为“吨”或“标准箱(TEU)”，一个标准20英尺集装箱为一个标准箱。

在一个可选的实施例中，所述解析接收到的港口集装箱吞吐量预测请求，获取所述港口集装箱吞吐量的原始数据包括：

解析港口集装箱吞吐量预测请求的报文，得到所述报文携带的报文信息；

从所述报文信息中获取港口集装箱吞吐量的预测需求；

基于所述预测需求中的待预测港口确定数据库接口；

调用所述数据库接口获取所述港口集装箱吞吐量的原始数据。

本实施例中，预测需求中包含有待预测港口、待预测时间段及预测条件，可以预先不同港口的影响港口集装箱吞吐量的原始数据存储在不同的数据库中，通过预测要求中的待预测的港口确定对应的数据库接口，具体地，将待预测港口的标识码与数据库标识码进行匹配，根据匹配结果确定所述待预测港口的数据库接口，根据具有针对性的获取所述港口集装箱吞吐量的原始数据，确保了获取原始数据的效率及准确率。

S12，将所述原始数据转换为所述港口集装箱吞吐量的多元时间序列数据。

本实施例中，影响港口集装箱吞吐量的影响指标很多，原始数据中包含有多个影响指标，例如，针对M港口，影响指标包括：国家GDP、外贸进出口总额、M港口的基础设施建设投资、新增就业人口等其他影响指标。

本实施例中，时间序列数据是指将同一影响指标的数值按其发生的时间先后顺序排列而成的数列。

在一个可选的实施例中，所述将所述原始数据转换为所述港口集装箱吞吐量的多元时间序列数据包括：

基于所述预测需求获取多个影响指标，及每个所述影响指标的数据转换策略；

基于所述多个影响指标对所述原始数据进行划分，得到每个所述影响指标的原始数据；

将每个所述影响指标的原始数据按照对应的数据转换策略进行转换，得到所述港口集装箱吞吐量的多元时间序列数据，其中，所述多元时间序列数据中包含有线性时间序列数据和非线性时间序列数据。

本实施例中，不同的影响指标对应不同的数据转换策略，例如，影响指标GDP的数据转换策略为：将影响指标GDP的EXCEL格式的原始数据转换为csv格式，再读取后转换为对应的时间序列数据。

本实施例中，由于影响港口集装箱吞吐量的各个影响指标之间存在相互依存关系，根据各个影响指标之间存在相互依存关系得到由线性趋势和非线性趋势组成的港口集装箱吞吐量的时间序列数据，通过分析多元时间序列数据，解决了现有的线性系统的预测的港口集装箱吞吐量不准确的问题，提高港口集装箱吞吐量的预测准确率。

S13，将所述多元时间序列数据输入至预先训练好的卷积神经网络中进行特征提取，得到第一特征集。

本实施例中，卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，采用卷积神经网络剔除所述多元时间序列数据中的噪声数据，提取出对预测港口集装箱吞吐量影响较大的第一特征集，其中，所述噪声数据是指不影响或者较小影响港口集装箱吞吐量预测的数据。

在一个可选的实施例中，所述将所述多元时间序列数据输入至预先训练好的卷积神经网络中进行特征提取，得到第一特征集包括：

将所述多元时间序列数据输入至预先训练好的卷积神经网络的卷积层中，在所述卷积层中采用多个滤波器对所述多元时间序列数据进行预处理，生成多个卷积特征图；

从每个所述卷积特征图中的提取卷积特征，并将所述卷积特征传输至与所述卷积层连接的池化层中进行特征提取，得到第一特征集。

具体地，所述池化层可以为平均池化层，也可以为最大池化层，本实施例在此不做详述。

本实施例中，当获取到港口吞吐量的时间序列数据后，卷积神经网络的输入层会将时间序列数据重构为一个监督学习问题，通过使用前一时间戳的值来预测下一时间戳的值，通过采用多个滤波器对所述多元时间序列数据进行预处理，使用卷积运算处理多元时间序列数据以生成多个卷积特征图。

本实施例中，滤波器是一种选频装置，通过采用多个滤波器滤除所述多元时间序列数据中的噪声数据，得到对预测港口集装箱吞吐量影响较大的时间序列数据，减少了噪声数据的影响，提高了卷积特征图的准确率，进而提高了第一特征集的准确率。

S14，将所述第一特征集输入至预设的长短期记忆网络中进行识别，得到第二特征集。

本实施例中，可以预先将第二特征集的识别模型设置为长短期记忆网络模型，通过所述预设的长短期记忆网络识别所述第一特征集得到所述多元时间序列的关键字段，即第二特征集，具体地，所述关键字段是指影响指标的关键内容，例如：影响指标(外贸进出口总额)的关键内容为每单外贸进出口的时间、金额、对应的外贸商等。

在一个可选的实施例中，所述将所述第一特征集输入至预设的长短期记忆网络中进行识别，得到第二特征集包括：

将所述第一特征集输入至与所述卷积神经网络连接的预设的长短期记忆网络中进行识别，得到第二特征集。

本实施例中，所述预设的长短期记忆网络中包含有遗忘门、输入门和输出门，所述预设的长短期记忆网络是现有技术，本实施例在此不做详述。

本实施例中，由于卷积神经网络无法正确处理复杂和长期的时间序列数据，通过预先将预设的长短期记忆网络与预先训练好的卷积神经网络进行串联，将预先训练好的卷积神经网络的输出的第一特征集输入至所述预设的长短期记忆网络中，使用预设的长短期记忆网络识别时间序列数据中的关键字段，更好的处理非线性时间序列数据，得到精确的第二特征集，在后续港口集装箱吞吐量预测过程中使用了第二特征集，进而提高了预测结果的准确率。

S15，将所述第二特征集输入至全连接层，确定所述港口集装箱吞吐量的预测结果。

本实施例中，所述预测结果是指所述港口集装箱吞吐量的集装箱总数，包含有预测时间段内的水运输出集装箱总数和预测时间段内输入港口并经过卸装作业的集装箱总量。

在一个可选的实施例中，所述将所述第二特征集输入至全连接层，确定所述港口集装箱吞吐量的预测结果包括：

将所述第二特征集输入至全连接层，通过所述全连接层计算所述第二特征集中每个所述第二特征的影响分值；

将每个所述第二特征的影响分值输入至softmax层中进行归一化计算，得到所述港口集装箱吞吐量的预测结果。

本实施例中，所述全连接层与长短期记忆网络连接，所述全连接层的输入为所述长短期记忆网络的输出，由于长短期记忆网络可以精确的处理影响港口集装箱吞吐量的非线性时间序列，提高了第二特征集的准确率，进而提高了港口集装箱吞吐量的预测结果的准确率。

在一个可选的实施例中，在确定所述港口集装箱吞吐量的预测结果之后，所述方法还包括：

识别港口的标识码，根据所述港口的标识码获取所述港口集装箱吞吐量的预测结果对应的预设的调整策略；

发送所述调整策略至客户端。

本实施例中，每个港口对应有标识码，在得到所述港口集装箱吞吐量的预测结果之后，根据所述港口的标识码可以获取预测结果对应的调整策略，将调整策略发送至客户端，协助用户重新规划港口作业模式，提高了港口作业维护效率。

本实施例中，通过卷积神经网络和长短期记忆网络结合处理影响港口集装箱吞吐量的非线性时间序列，提高了第二特征集的准确率，进而提高了港口集装箱吞吐量的预测结果的准确率。

综上所述，本实施例所述的基于深度学习的港口集装箱吞吐量预测方法，通过将所述原始数据转换为所述港口集装箱吞吐量的多元时间序列数据，将所述多元时间序列数据输入至预先训练好的卷积神经网络中进行特征提取，得到第一特征集，通过分析多元时间序列数据，解决了现有的线性系统的预测的港口集装箱吞吐量不准确的问题，提高港口集装箱吞吐量的预测准确率。将所述第一特征集输入至预设的长短期记忆网络中进行识别得到的第二特征集输入至全连接层，确定所述港口集装箱吞吐量的预测结果，由于长短期记忆网络可以精确的处理影响港口集装箱吞吐量的非线性时间序列，提高了第二特征集的准确率，进而提高了港口集装箱吞吐量的预测结果的准确率。

实施例二

图2是本发明实施例二提供的基于深度学习的港口集装箱吞吐量预测装置的结构图。

在一些实施例中，所述基于深度学习的港口集装箱吞吐量预测装置20可以包括多个由程序代码段所组成的功能模块。所述基于深度学习的港口集装箱吞吐量预测装置20中的各个程序段的程序代码可以存储于电子设备的存储器中，并由所述至少一个处理器所执行，以执行(详见图1描述)基于深度学习的港口集装箱吞吐量预测的功能。

本实施例中，所述基于深度学习的港口集装箱吞吐量预测装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：解析和获取模块201、转换模块202、提取模块203、输入模块204、确定模块205、识别模块206及发送模块207。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

解析和获取模块201，用于解析接收到的港口集装箱吞吐量预测请求，获取所述港口集装箱吞吐量的原始数据，其中，所述集装箱吞吐量预测请求中包含有预测需求。

本实施例中，用户在进行港口集装箱吞吐量预测时，通过客户端发起港口集装箱吞吐量预测请求至服务端，具体地，所述客户端可以是智能手机、IPAD或者其他现有的智能设备，所述服务端可以为港口集装箱吞吐量预测子系统，在预约过程中，如所述客户端可以向港口集装箱吞吐量预测子系统发送港口集装箱吞吐量预测请求，所述港口集装箱吞吐量预测子系统用于接收所述客户端发送的港口集装箱吞吐量预测请求。

本实施例中，港口集装箱吞吐量(Port handling capacity)是指一段时期内经水运输出、输入港区并经过装卸作业的集装箱总量，计量单位为“吨”或“标准箱(TEU)”，一个标准20英尺集装箱为一个标准箱。

在一个可选的实施例中，所述解析和获取模块201解析接收到的港口集装箱吞吐量预测请求，获取所述港口集装箱吞吐量的原始数据包括：

解析港口集装箱吞吐量预测请求的报文，得到所述报文携带的报文信息；

从所述报文信息中获取港口集装箱吞吐量的预测需求；

基于所述预测需求中的待预测港口确定数据库接口；

调用所述数据库接口获取所述港口集装箱吞吐量的原始数据。

本实施例中，预测需求中包含有待预测港口、待预测时间段及预测条件，可以预先不同港口的影响港口集装箱吞吐量的原始数据存储在不同的数据库中，通过预测要求中的待预测的港口确定对应的数据库接口，具体地，将待预测港口的标识码与数据库标识码进行匹配，根据匹配结果确定所述待预测港口的数据库接口，根据具有针对性的获取所述港口集装箱吞吐量的原始数据，确保了获取原始数据的效率及准确率。

转换模块202，用于将所述原始数据转换为所述港口集装箱吞吐量的多元时间序列数据。

本实施例中，影响港口集装箱吞吐量的影响指标很多，原始数据中包含有多个影响指标，例如，针对M港口，影响指标包括：国家GDP、外贸进出口总额、M港口的基础设施建设投资、新增就业人口等其他影响指标。

本实施例中，时间序列数据是指将同一影响指标的数值按其发生的时间先后顺序排列而成的数列。

在一个可选的实施例中，所述转换模块202将所述原始数据转换为所述港口集装箱吞吐量的多元时间序列数据包括：

基于所述预测需求获取多个影响指标，及每个所述影响指标的数据转换策略；

基于所述多个影响指标对所述原始数据进行划分，得到每个所述影响指标的原始数据；

将每个所述影响指标的原始数据按照对应的数据转换策略进行转换，得到所述港口集装箱吞吐量的多元时间序列数据，其中，所述多元时间序列数据中包含有线性时间序列数据和非线性时间序列数据。

本实施例中，不同的影响指标对应不同的数据转换策略，例如，影响指标GDP的数据转换策略为：将影响指标GDP的EXCEL格式的原始数据转换为csv格式，再读取后转换为对应的时间序列数据。

本实施例中，由于影响港口集装箱吞吐量的各个影响指标之间存在相互依存关系，根据各个影响指标之间存在相互依存关系得到由线性趋势和非线性趋势组成的港口集装箱吞吐量的时间序列数据，通过分析多元时间序列数据，解决了现有的线性系统的预测的港口集装箱吞吐量不准确的问题，提高港口集装箱吞吐量的预测准确率。

提取模块203，用于将所述多元时间序列数据输入至预先训练好的卷积神经网络中进行特征提取，得到第一特征集。

本实施例中，卷积神经网络(Convolution al Neural Network,CNN)是一种前馈神经网络，采用卷积神经网络剔除所述多元时间序列数据中的噪声数据，提取出对预测港口集装箱吞吐量影响较大的第一特征集，其中，所述噪声数据是指不影响或者较小影响港口集装箱吞吐量预测的数据。

在一个可选的实施例中，所述提取模块203将所述多元时间序列数据输入至预先训练好的卷积神经网络中进行特征提取，得到第一特征集包括：

将所述多元时间序列数据输入至预先训练好的卷积神经网络的卷积层中，在所述卷积层中采用多个滤波器对所述多元时间序列数据进行预处理，生成多个卷积特征图；

从每个所述卷积特征图中的提取卷积特征，并将所述卷积特征传输至与所述卷积层连接的池化层中进行特征提取，得到第一特征集。

具体地，所述池化层可以为平均池化层，也可以为最大池化层，本实施例在此不做详述。

本实施例中，当获取到港口吞吐量的时间序列数据后，卷积神经网络的输入层会将时间序列数据重构为一个监督学习问题，通过使用前一时间戳的值来预测下一时间戳的值，通过采用多个滤波器对所述多元时间序列数据进行预处理，使用卷积运算处理多元时间序列数据以生成多个卷积特征图。

本实施例中，滤波器是一种选频装置，通过采用多个滤波器滤除所述多元时间序列数据中的噪声数据，得到对预测港口集装箱吞吐量影响较大的时间序列数据，减少了噪声数据的影响，提高了卷积特征图的准确率，进而提高了第一特征集的准确率。

输入模块204，用于将所述第一特征集输入至预设的长短期记忆网络中进行识别，得到第二特征集。

本实施例中，可以预先将第二特征集的识别模型设置为长短期记忆网络模型，通过所述预设的长短期记忆网络识别所述第一特征集得到所述多元时间序列的关键字段，即第二特征集，具体地，所述关键字段是指影响指标的关键内容，例如：影响指标(外贸进出口总额)的关键内容为每单外贸进出口的时间、金额、对应的外贸商等。

在一个可选的实施例中，所述输入模块204将所述第一特征集输入至预设的长短期记忆网络中进行识别，得到第二特征集包括：

将所述第一特征集输入至与所述卷积神经网络连接的预设的长短期记忆网络中进行识别，得到第二特征集。

本实施例中，所述预设的长短期记忆网络中包含有遗忘门、输入门和输出门，所述预设的长短期记忆网络是现有技术，本实施例在此不做详述。

本实施例中，由于卷积神经网络无法正确处理复杂和长期的时间序列数据，通过预先将预设的长短期记忆网络与预先训练好的卷积神经网络进行串联，将预先训练好的卷积神经网络的输出的第一特征集输入至所述预设的长短期记忆网络中，使用预设的长短期记忆网络识别时间序列数据中的关键字段，更好的处理非线性时间序列数据，得到精确的第二特征集，在后续港口集装箱吞吐量预测过程中使用了第二特征集，进而提高了预测结果的准确率。

确定模块205，用于将所述第二特征集输入至全连接层，确定所述港口集装箱吞吐量的预测结果。

本实施例中，所述预测结果是指所述港口集装箱吞吐量的集装箱总数，包含有预测时间段内的水运输出集装箱总数和预测时间段内输入港口并经过卸装作业的集装箱总量。

在一个可选的实施例中，所述确定模块205将所述第二特征集输入至全连接层，确定所述港口集装箱吞吐量的预测结果包括：

将所述第二特征集输入至全连接层，通过所述全连接层计算所述第二特征集中每个所述第二特征的影响分值；

将每个所述第二特征的影响分值输入至softmax层中进行归一化计算，得到所述港口集装箱吞吐量的预测结果。

本实施例中，所述全连接层与长短期记忆网络连接，所述全连接层的输入为所述长短期记忆网络的输出，由于长短期记忆网络可以精确的处理影响港口集装箱吞吐量的非线性时间序列，提高了第二特征集的准确率，进而提高了港口集装箱吞吐量的预测结果的准确率。

在一个可选的实施例中，在确定所述港口集装箱吞吐量的预测结果之后，识别模块206，用于识别港口的标识码，根据所述港口的标识码获取所述港口集装箱吞吐量的预测结果对应的预设的调整策略。

发送模块207，用于发送所述调整策略至客户端。

本实施例中，每个港口对应有标识码，在得到所述港口集装箱吞吐量的预测结果之后，根据所述港口的标识码可以获取预测结果对应的调整策略，将调整策略发送至客户端，协助用户重新规划港口作业模式，提高了港口作业维护效率。

本实施例中，通过卷积神经网络和长短期记忆网络结合处理影响港口集装箱吞吐量的非线性时间序列，提高了第二特征集的准确率，进而提高了港口集装箱吞吐量的预测结果的准确率。

综上所述，本实施例所述的基于深度学习的港口集装箱吞吐量预测装置，通过将所述原始数据转换为所述港口集装箱吞吐量的多元时间序列数据，将所述多元时间序列数据输入至预先训练好的卷积神经网络中进行特征提取，得到第一特征集，通过分析多元时间序列数据，解决了现有的线性系统的预测的港口集装箱吞吐量不准确的问题，提高港口集装箱吞吐量的预测准确率。将所述第一特征集输入至预设的长短期记忆网络中进行识别得到的第二特征集输入至全连接层，确定所述港口集装箱吞吐量的预测结果，由于长短期记忆网络可以精确的处理影响港口集装箱吞吐量的非线性时间序列，通过将卷积神经网络和长短期记忆网络结合处理影响港口集装箱吞吐量的非线性时间序列，提高了第二特征集的准确率，进而提高了港口集装箱吞吐量的预测结果的准确率。

实施例三

参阅图3所示，为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。

本领域技术人员应该了解，图3示出的电子设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述电子设备3中的基于深度学习的港口集装箱吞吐量预测装置20，并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，可选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。

在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的基于深度学习的港口集装箱吞吐量预测装置20)、程序代码等，例如，上述的各个模块。

所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到基于深度学习的港口集装箱吞吐量预测的目的。

示例性的，所述程序代码可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器32执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述程序代码在所述电子设备3中的执行过程。例如，所述程序代码可以被分割成解析和获取模块201、转换模块202、提取模块203、输入模块204、确定模块205、识别模块206及发送模块207。

在本发明的一个实施例中，所述存储器31存储多个计算机可读指令，所述多个计算机可读指令被所述至少一个处理器32所执行以实现基于深度学习的港口集装箱吞吐量预测的功能。

具体地，所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。