A Feature-Extraction-Based Lightweight Convolutional and Recurrent Neural Networks Adaptive Computing Model for Container Terminal Liner Handling Volume Forecasting

CONTENIDO PARA USUARIOS REGISTRADOS

Inicia sesión para disfrutar este recurso. Si aún no estás afiliado a BibloRed, haz clic en el botón.

Descripción: La sinergia de la logística computacional y el aprendizaje profundo proporciona una nueva metodología y solución para las decisiones operativas de los sistemas de manejo de terminales de contenedores (CTHS) a niveles estratégicos, tácticos y ejecutivos. Sobre todo, la complejidad operativa táctica de la logística de terminales de contenedores es discutida por la logística computacional, y el volumen de manejo de contenedores (LHV) tiene importantes influencias en una serie de problemas de decisión de programación de terminales. Posteriormente, se presenta un modelo de computación adaptable de red neuronal convolucional y recurrente basado en la extracción de características (FEB-LCR-ACM) para predecir inicialmente el LHV mediante la fusión de múltiples algoritmos y mecanismos de aprendizaje profundo, especialmente para el paquete de extracción de características específicas de tsfresh. En consecuencia, se propone tentativamente el paradigma de diseño de soporte de decisión de programación de servicios logísticos orientados a terminales de contened
Citación recomendada (normas APA)
: Hindawi, "A Feature-Extraction-Based Lightweight Convolutional and Recurrent Neural Networks Adaptive Computing Model for Container Terminal Liner Handling Volume Forecasting", -:Revista VirtualPRO,, 2021. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3851414/), el día 2025-12-21.

Información adicional