作为钢铁物流的重要环节,原材料运输负责将废钢、煤炭等原材料运输给钢铁生产企业使用。由于生产效率、库房容量等原因,原料运输车辆需要在到达钢厂附近时预约排队,并在停车场区域等待通知进厂卸货。目前钢铁物流领域处于信息化转型初期,相关数据的缺失以及内部复杂的业务逻辑导致原料运输车辆的排队时间难以估计,这极大降低了司机的服务体验。此外,由于排队时间漫长,司机错过预约排队次位导致未及时入厂的情况时有发生,这不仅影响了后续车辆进厂,增加了钢厂的管理难度,也影响了钢厂的生产效率。当前大多数钢厂只是依据车辆排队号大致预估排队时间,实际参考价值极低,同时由于钢铁物流的特殊性,极少有研究涉及此场景下的排队时间预测问题。综上所述,面向钢铁物流场景,亟需设计精准预测原料车辆排队时间的方法,以优化原材料运输环节。不同于传统的时间预测问题,钢铁物流下的原料车辆排队场景复杂,有效的特征生成、适用的预测模型、恰当的数据选择及模型更新成为本研究的挑战。为解决上述问题,本文设计了一个三阶段的原料车辆排队时间预测框架。首先,结合原料运输业务的场景特点挖掘显著影响车辆排队时间的特征,作为构建预测模型的基础;其次,依据原料品种是否运输频繁采用不同的预测方法,同时通过数据选择构造高质量的训练集进一步提高模型预测精度;最后,考虑到实际环境下概念漂移现象时常发生,为缓解数据变化带来的影响,通过监控数据分布、模型性能的变化及时地更新模型。本文的主要工作如下:·原料车辆排队场景介绍和相关数据分析本文详细介绍了原料运输车辆的排队业务流程,同时结合钢铁物流场景特点,融合排队业务相关的数据挖掘出重要信息,最终利用特征工程方法生成特征作为后续研究工作的基础。·排队时间预测模型针对原料车辆排队特点,本文提出了长短期记忆网络和线性模型的组合预测模型。长短期记忆网络部分从最近的被通知车辆的序列数据中挖掘信息作为现阶段预测的先验知识,线性模型结合先验知识和待预测车辆的实时信息做出预测。组合模型通过合适的模型利用各部分数据,提高了预测结果的准确度。·数据选择和模型更新基于局部性原理,本文将时间序列数据划分至时间跨度不同的窗口,通过聚类算法将小窗口内数据聚类,旨在将这些数据划分到多个生产状况的类别下。大窗口内数据根据聚类结果进行分类,依据分类结果计算各自权重,再利用概率加权随机抽样算法进行选择,最后构建出训练集并以此提高模型的预测精度。模型上线后,监控其性能和数据分布,通过及时更新模型来适应场景的变化。综上,本文基于钢铁物流场景特点设计了原料运输车辆排队时间预测框架,提出了相应模型和算法,并在日照钢铁集团真实生产数据上大量实验佐证了本文方法的有效性和高效性。