一种船员休息状态的管理方法和系统与流程

计算;推算;计数设备的制造及其应用技术1.本说明书涉及船务管理领域，特别涉及一种船员休息状态的管理方法和 系统。背景技术：2.在传统的船舶管理中，一般通过填报纸质表格的方式记录和管理船员的 休息情况。随着技术的进步和管理需求的提升，需要提供一种简单高效的船员休 息状态的管理方法和系统。3.技术实现要素：4.本说明书一个或多个实施例提供一种船员休息状态的管理方法。所述方 法包括：通过终端设备获取船员休息数据及船员位移数据；基于所述船员位移数 据判断是否对所述船员休息数据进行修正；响应于否，基于所述船员休息数据确 定船员休息状态；响应于是，通过修正模型对所述船员休息数据进行修正，基于 修正后的所述船员休息数据确定所述船员休息状态，所述修正模型为机器学习 模型。5.本说明书一个或多个实施例提供一种船员休息状态的管理系统。所述系 统包括获取模块、判断模块、数据修正模块、状态确定模块：所述获取模块通过 终端设备获取船员休息数据及船员位移数据；所述判断模块基于所述船员位移 数据判断是否对所述船员休息数据进行修正；响应于否，所述状态确定模块基于 所述船员休息数据确定所述船员休息状态；响应于是，所述数据修正模块通过修 正模型对所述船员休息数据进行修正，所述状态确定模块基于修正后的所述船 员休息数据确定所述船员休息状态，所述修正模型为机器学习模型。6.本说明书一个或多个实施例提供一种船员休息状态的管理装置，包括处 理器，所述处理器用于执行所述船员休息状态的管理方法。7.本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介 质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行所述 船员休息状态的管理方法。附图说明8.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通 过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号 表示相同的结构，其中：9.图1是根据本说明书一些实施例所示的一种船员休息状态的管理方法和 系统的应用场景示意图；10.图2是根据本说明书一些实施例所示的一种船员休息状态的管理系统的 示例性模块图；11.图3是根据本说明书一些实施例所示的一种船员休息状态的管理方法的 示例性流程图；12.图4是根据本说明书一些实施例所示的确定船员休息状态的示意图；13.图5是根据本说明书一些实施例所示的修正船员休息数据的示意图。具体实施方式14.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中 所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明 书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动 的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环 境中显而易见或另做说明，图中相同标号代表相同结构或操作。15.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不 同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语 可实现相同的目的，则可通过其他表达来替换所述词语。16.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、ꢀ“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包 括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一 个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。17.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行 的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反， 可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中， 或从这些过程移除某一步或数步操作。18.图1是根据本说明书一些实施例所示的一种船员休息状态的管理系统的 应用场景示意图。船员休息状态管理系统100可以通过实施本说明书中披露的 方法和/或过程来进行船员休息状态的管理。19.在一些应用场景中，船员休息状态管理系统100包括服务器110、处理器 120、数据库130、用户终端140、网络150。在一些实施例中，船员休息状态管 理系统100中还包括目标对象160。20.船员休息状态管理系统100可以用于船务管理中船员休息状态的管理。 在一些实施例中，该系统可以用于船员睡眠情况及具体作息时间等的管理和安 排。船员休息状态管理系统100可以通过实施本技术中披露的方法和/或过程来 实现船员休息状态的管理。21.服务器110可以通过网络150与处理器120、数据库130、用户终端140 通信以提供船员休息状态的管理服务。如图1所示，服务器110可以通过网络 150连接到数据库130。又例如，用户终端140可以通过网络150连接到数据库 130。再例如，服务器110可以通过网络150链接到用户终端140。在一些实施 例中，用户终端140可以发送船员休息数据给服务器110，并接收服务器110的 反馈信息。服务器110可以获取船员休息数据，对该船员休息数据进行处理并 将提示信息发送给用户终端140。以上各设备之间的信息传递关系仅作为示例， 本说明书并不局限于此。22.在一些实施例中，服务器110、用户终端140以及其他可能的系统组成部 分中可以包括处理器120和/或数据库130。23.服务器110可以是工作人员进行船员管理工作内容时所使用的服务器。 在一些实施例中，服务器110可以获取船员休息数据及船员位移数据，并基于 船员位移数据确定对船员休息数据进行修正的指令，以进一步确定船员休息状 态。24.处理器120可以处理从其他设备或系统组成部分中获得的数据和/或信息。 处理器可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多 个本技术中描述的功能。在一些实施例中，处理器120可以包含一个或多个子 处理设备(例如，单核处理设备或多芯多核处理设备)。25.数据库130可以用于存储数据和/或指令。例如，数据库130可以存储船 员的历史作息数据。数据库130可以包括一个或多个存储组件，每个存储组件 可以是一个独立的设备，也可以是其他设备的一部分。在一些实施例中，数据库 130可包括随机存取存储器(ram)、只读存储器(rom)、大容量存储器、 可移动存储器、易失性读写存储器等或其任意组合。在一些实施例中，所述数据 库130可在云平台上实现。26.数据指对信息的数字化表示，可以包括各种类型，比如二进制数据、文本 数据、图像数据、视频数据等。指令指可控制设备或器件执行特定功能的程序。 用户终端140可以与服务器110、数据库130连接和/或通信。例如，用户终端 140可以上传数据到数据库130。是指用户所使用的一个或多个终端设备或软件。 在一些实施例中，使用用户终端140的可以是一个或多个用户，可以包括直接 使用服务的用户，也可以包括其他相关用户。在一些实施例中，用户终端140可 以是移动设备140-1、平板计算机140-2、智能手表140-3、智能手环140-4等， 或其任意组合。例如，移动设备140-1可以包括智能手机、个人数字助理(pda)、 游戏设备、导航设备、手持终端(pos)等，或其任意组合。上述示例仅用于说 明所述用户终端140设备范围的广泛性而非对其范围的限制。27.网络150可以连接系统的各组成部分和/或连接系统与外部资源部分。网 络150使得各组成部分之间，以及与系统之外其他部分之间可以进行通讯，促 进数据和/或信息的交换。在一些实施例中，网络150可以是有线网络或无线网 络中的任意一种或多种。在一些实施例中，网络150可以包括一个或以上网络 接入点。例如，网络150可以包括有线或无线网络接入点，例如基站和/或网络 交换点150-1、150-2、150-3…，在一些实施例中，交换点还可以包括建设于海 域或空中的网络点，例如，海上无线通信系统、卫星通信(如，国际海事卫星系 统、铱星系统、天通一号卫星等)。在一些实施例中，接入点还可以是水下无线 通信，例如，电磁波通信、水声通信、水下光通信等等。通过上述交换点，船员 休息状态管理系统100的一个或多个组件可连接到网络150上以交换数据和/或 信息。28.目标对象160包括船员161及船舶162。如图1所示，目标对象160中的 船员161与船舶162的相关数据(例如，船员休息数据、船员位移数据、船舶位 移数据)可以通过用户终端140获取，并经由网络150传输至服务器110、处理 器120和/或数据库130。在一些实施例中，船员161及船舶162的相关数据也 可以通过人工录入的方式直接被服务器110和/或数据库130记录(如图中虚线 所示)，并通过网络150进行数据交互。在一些实施例中，服务器110可以基于 机器学习模型对船员161与船舶162的相关数据对比分析，该对比分析的结果 可以被储存于数据库130中供船务管理人员查阅。29.图2是根据本说明书一些实施例所示的一种船员休息状态的管理系统的 示例性模块图。30.如图2所示，在一些实施例中，船员休息状态的管理系统的模块200可 以包括获取模块210、判断模块220、数据修正模块230和状态确定模块240。 在一些实施例中，模块200还可以包括训练模块250。31.获取模块210可以通过终端设备获取船员休息数据及船员位移数据。在 一些实施例中，获取模块210可以通过船员佩戴的智能手表、智能手环等穿戴 式设备所提供的接口来读取数据；在一些实施例中，获取模块210可以通过在 智能设备上安装app来获取数据；在一些实施例中，获取模块210还可以获取 与船员位移数据对应的参考位移数据；在一些实施例中，参考位移数据包括船舶 位移数据。32.判断模块220可以将所述船员休息数据及所述船员位移数据输入判断模 型，输出是否对所述船员休息数据进行修正的判断结果。判断模块220可以用 于获取所述船员位移数据对应的参考位移数据；计算所述参考位移数据与所述 船员位移数据的差异值；判断所述差异值是否大于预设阈值，生成是否对所述船 员休息数据进行修正的判断结果。33.数据修正模块230可以对船员休息数据进行修正。在一些实施例中，判 断模块220判断船员休息数据需要修正时，由数据修正模块230对船员休息数 据进行修正。34.状态确定模块240可以确定船员休息状态。在一些实施例中，判断模块 220判断船员休息数据不需要修正时，状态确定模块240根据船员休息数据判断 船员状态；在一些实施例中，判断模块220判断船员休息数据需要修正时，状态 确定模块240根据数据修正模块230修正后的船员休息数据确定船员休息状态。35.训练模块250用于获取训练数据。该训练数据包括第一组训练样本和第 二组训练样本，所述第一组训练样本包括第一样本船员休息数据、第一样本船员 位移数据、以及需要修正的标识，所述第二组训练样本包括第二样本船员休息数 据、第二样本船员位移数据、以及不需要修正的标识。将所述第一样本船员休息 数据输入所述修正模型，输出第三样本船员休息数据，生成第三组训练样本，所 述第三组训练样本包括：所述第三样本船员休息数据、所述第一样本船员位移数 据以及所述需要修正的标识，基于所述第三组训练样本和所述第二组训练样本 优化判断模型的参数。基于所述不需要修正的标识更新第一模型的参数，其中所 述第一模型由所述判断模型和所述修正模型联合构成，所述修正模型的输出为 所述判断模型的输入。在更新所述第一模型的参数的过程中固定所述修正模型 的参数。36.关于上述模块的更多内容请参见图3-5的相关说明。37.应当理解，图2所示的系统及其模块可以利用各种方式来实现。需要注 意的是，以上对于船员休息状态的管理系统及其模块的描述，仅为描述方便，并 不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员 来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进 行任意组合，或者构成子系统与其他模块连接。在一些实施例中，上述模块可以 是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块 的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自 的存储模块。诸如此类的变形，均在本说明书的保护范围之内。38.图3是根据本说明书一些实施例所示的一种船员休息状态的管理方法的 示例性流程图。如图3所示，在一些实施例中，流程300可以包括步骤310、步 骤320、步骤330、步骤340及步骤350。39.步骤310，通过终端设备获取船员休息数据及船员位移数据。在一些实施 例中，步骤310可以由获取模块210执行。40.终端设备可以是移动设备、平板计算机、智能手表、智能手环、智能穿戴 设备等设备中的一种或其任意组合。终端设备配置有数据处理设备，例如应用程 序app。数据处理设备可以通过无线网络模块，例如蓝牙、wifi等，将终端设 备采集的船员休息数据和/或船员位移数据传输至服务器。41.船员休息数据可以是在一定时间段内船员处于睡觉、小憩等在睡眠或近 似睡眠状态下的相关数据。在一些实施例中，船员休息数据可以通过终端设备监 测到的睡眠相关数据表征。例如，终端设备或睡眠监测设备记录的体动、心率、 血氧、脑电图、眼动电图、肌电图、心电图、口鼻气流、鼾声、呼吸运动、脉氧 饱和度、睡眠体位等数据可以表征船员处于睡眠或者近似睡眠状态下时的船员 休息数据。在一些实施例中，船员休息数据可以包括处于入睡期、浅睡期、熟睡 期、深睡期和快速眼动(rem)期等多种不同睡眠阶段的相关数据。42.船员位移数据可以是船员在一定时间段内的运动数据。例如，终端设备记 录的船员在9:00-14:00的步数、运动速度、运动方向、运动轨迹中的一种或其任 意组合。在一些实施例中，船员位移数据可以与船员休息数据对应。例如，某一 时间段内的船员休息数据中可以对应船员处于相对静止状态的船员位移数据。43.在一些实施例中，获取船员位移数据的方式可以包括通过安装在船员终 端的休息状况管理系统app自动上传，通过智能穿戴设备的接口手动上传，通 过智能手环的接口手动上传等方式中的一种或其任意组合。44.步骤320，判断是否对船员休息数据进行修正。在一些实施例中，步骤320 可以由判断模块220执行。45.在一些实施例中，判断船员休息数据是否需进行修正的方法包括通过判 断模型进行判断。通过将船员休息数据以及船员位移数据输入判断模型，该判断 模型输出是否对所述船员休息数据进行修正的判断结果。例如，对船员休息数据 进行修正的判断结果可以为“是”或者“否”，其中，若判断结果为“是”， 则还可以包括待修正部分船员休息数据的提示内容。46.在一些实施例中，判断模型可以是神经网络模型，例如，深度神经网络 (deep neural networks，dnn)等。在一些实施例中，判断模型可与修正模型 联合训练。关于判断模型可与修正模型联合训练的相关内容可参见图5相关描 述。47.判断模型可以基于大量带有标识的训练样本训练得到。例如，可以将多个 带有标签的训练样本输入判断模型，通过标签和判断模型的结果构建损失函数， 基于损失函数迭代更新判断模型的参数。当判断模型的损失函数满足预设条件 时模型训练完成，得到训练好的判断模型。其中，预设条件可以是损失函数收敛， 迭代的次数达到阈值等。在一些实施例中，训练样本至少可以包括样本船员休息 数据以及样本船员位移数据。标签可以表征是否对船员休息数据进行修正的判 断结果。标签可以基于线上船员的反馈获得并通过人工标注。48.步骤330，响应于是，对船员休息数据进行修正。在一些实施例中，步骤 330可以由数据修正模块230执行。49.在一些实施例中，修正的方式包括去除船员休息数据中的噪声数据。例如， 船员休息数据中存在影响其数据准确性的干扰因素，可将该干扰因素筛除，以实 现船员休息数据的修正。在一些实施例中，修正的方式还包括对存在问题的船员 休息数据进行更新替换。例如，对于明确存在错误的船员休息数据，可以人工修 正以对错误记录进行更新替换。50.在一些实施例中，对船员休息数据进行修正可以包括通过修正模型进行 修正。修正模型是机器学习模型。例如，修正模型为dnn等。修正模型的输入 为船员休息数据，输出为修正后的船员休息数据。在一些实施例中，修正模型可 以通过训练对抗网络得到。在一些实施例中，修正模型可以与判断模型联合训练， 更多相关内容请参见图5的相关描述。51.在一些实施例中，对船员休息数据进行修正的方法可以包括结合参考位 移数据计算后修正船员休息数据的方法。例如，可以将船舶位移数据作为参考位 移数据，通过计算船舶位移数据与船员位移数据的差异值，当差异值大于预设阈 值时，可基于船舶位移数据调整船员位移数据，并基于调整后的船员位移数据修 正船员休息数据。关于结合参考位移数据修正船员休息数据的更多相关内容请 参见图5对应的说明。52.步骤340，基于修正后的船员休息数据确定船员休息状态。在一些实施例 中，步骤340可以由状态确定模块240执行。53.船员休息状态是指基于在一段时间内的船员休息数据确定的反映船员的 休息状况的数据。船员休息状态可以包括在一定时间段内所处的休息状态类型、 状态持续时间。其中，休息状态类型是指船员所处的休息状态的具体种类，例如， 闭目养神、午休、夜间浅度睡眠、夜间深度睡眠。状态持续时间是指某一休息状 态的持续时间，例如，夜间深度睡眠持续3小时。54.在一些实施例中，船员休息状态包括船员在一定时间段内休息质量评价 等数据。休息质量评价，可以通过优、良、及格、不及格等分级评价不同的船员 休息状态。55.在一些实施例中，船员休息状态可以反映船员的休息状况的良好程度。例 如，通过船员休息数据中休息状态持续时间的长短判断船员的休息状况的良好 程度(休息状态持续时间越长，船员的休息状况通常越好)。示例性的，参加值 班的船员在24小时内有大于8小时的休息状态持续时间，则表示该船员的船员 休息状态为及格及以上的等级(优、良、及格的具体等级可根据情况设定阈值判 断)。在一些实施例中，船员休息状态可以通过预设时间间隔记录进行评级。例 如，一周内中每天休息时间少于6小时超过2天和/或每周的总休息时间少于56 小时，则将船员休息状态判定为不及格。56.在一些实施例中，基于修正后的船员休息数据所表征的信息确定船员休 息状态。例如，用于表征船员休息数据的某一时间段的心率、血氧及运动数据中 的一个或多个处于深度睡眠状态下的数据范围，则可以确定在该时间段，船员处 于深度睡眠状态。57.步骤350，响应于否，基于船员休息数据确定船员休息状态。在一些实施 例中，步骤350可以由状态确定模块240执行。58.在一些实施例中，可以基于确定模型对修正后的船员休息数据进行处理， 确定船员休息状态。确定模型为机器学习模型，如，nn、dnn、回归网络等。 关于基于确定模型确定船员休息状态的方法具体参见图4对应内容的描述。59.在一些实施例中，根据上述船员休息数据及船员休息状态，生成反馈信息 (报告或记录)。基于所述反馈信息实现对船员的休息状况的监控和管理。60.在本说明书一些实施例中，船员休息状态的管理方法利用终端设备从多 来源采集船员休息数据，并通过结合对船员位移数据的分析，可以精准快速确定 船员休息状态。通过船员休息状态及时了解船员的工作状态，必要时可以发出疲 劳预警，提醒船员及时休息。一方面可以保证船员休息时间达到法律法规的规定， 避免不合规风险；另一方面通过保证船员充足的休息，使船员保持良好的工作状 态，提高工作效率、降低安全事故风险。61.图4是根据本说明书一些实施例所示的确定船员休息状态的示意图。示 意图400包括船员休息数据410、状态确定模型420、修正后的船员休息数据430 以及船员休息状态440。62.在一些实施例中，状态确定模型420为机器学习模型。例如，状态确定模 型420的类型可以由卷积神经网络(convolutional neural network,cnn)、dnn、 gan或其他机器学习模型构成。63.在一些实施例中，状态确定模型420的输入可以是船员休息数据410。例 如，船员休息数据410可以包括船员睡觉和/或小憩的数据，具体参见图3的相 关描述。64.在一些实施例中，状态确定模型420可以包括数据修正层和数据确定层。 基于数据修正层和数据确定层，状态确定模型420上可以实现修正模型和确定 模型的功能。换言之，状态确定模型420中的数据修正层为图3所述的修正模 型，数据确定层为图3所述的确定模型。状态确定模型420可以对需要进行修 正的船员休息数据进行修正，也可以确定船员休息状态440。65.在一些实施例中，数据修正层可以对船员休息数据410进行修正(即降 噪)，获得修正后的船员休息数据430。例如，数据修正层包括可以获得修正后 的船员休息数据430。数据修正层输出修正后的船员休息数据430。修正后的船 员休息数据430被输入数据确定层，再由数据确定层基于睡眠情况下的指标进 行判断，确定船员休息状态440。该船员休息状态440即为状态确定模型420的 输出。例如，基于心率指标，确定船员是否处于睡眠状态，以及若处于睡眠状态， 该睡眠状态持续的时间长短等。66.应当理解的是，修正后的船员休息数据430只有当是否对船员休息数据 进行修正的判断结果的结果表示为“是”时需要进行数据修正层的处理后生成 (如图中虚线所示)，若当是否对船员休息数据进行修正的判断结果表示为“否”ꢀ时，状态确定模型420中的数据确定层可以直接基于船员休息数据410进行数 据分析，确定船员休息状态440。67.在一些实施例中，数据修正层可以通过训练状态确定模型420得到。换 言之，图3中的修正模型和状态确定模型420可以联合训练得到。在一些实施 例中，状态确定模型420的训练样本可以包括样本船员休息数据。标签可以是 船员休息状态，标签的获取方式可以是人工标记。在一些实施例中，将船员休息 数据输入状态确定模型420中的数据修正层(修正模型)，将修正后的船员休息 数据输入状态确定模型420中的数据确定层，并基于数据修正层的输出和标签 构建损失函数，并基于损失函数同时迭代更新数据修正层(修正模型)和数据确 定层的参数，直到预设条件被满足训练完成。训练完成后状态确定模型420中 数据修正层(修正模型)的参数也可以确定。通过上述训练方式获得修正模型的 参数，在一些情况下有利于解决单独训练修正模型时难以获得标签的问题，还可 以使修正模型能得到相对准确的修正后的船员休息数据。68.在一些实施例中，可以通过图5相关描述的方式，将训练好的修正模型 (即，数据修正层)与未训练的数据确定层进行联合训练。此时，只需要训练数 据确定层，训练数据的量的要求可以降低。69.在本说明书一些实施例中，通过状态确定模型420融合了对船员休息数 据的判断与修正，以及对船员休息状态的确定，可以对基于船员休息数据实现一 体化的数据分析效果，便捷高效地判断船员休息状态。70.图5是根据本说明书一些实施例所示的修正船员休息数据的流程图。71.由于船舶在航行中存在转向、颠簸等情况，会对船员的运动状态、睡眠姿 势、人体的震动产生影响，从而导致船员休息数据受到影响，即穿戴设备所采集 的船员休息时的生理数据会受到船舶运行状态的影响而出现偏差，因此需要通 过结合船员位移数据判断是否对所述船员休息数据进行修正，并对其中需要修 正的船员休息数据进行修正步骤。72.如图5所示，在一些实施例中，流程500可以包括步骤510、步骤520、 步骤530、步骤540及步骤550。流程500由数据修正模块执行。73.步骤510，获取船员位移数据以及对应的参考位移数据。74.参考位移数据是指船员位移数据所对应的参照物发生的位移数据。该参 照物包括在同一时刻与船舶处于相对静止状态的物体，例如参照物可以为船舶 舱室、驾驶台、舱室中的物体(例如，驾驶台、操作台、办公桌、床等)。75.在一些实施例中，参考位移数据包括船舶位移数据。在一些实施例中，所 述船舶位移数据的获取可以包括结合船员当前位置，通过终端设备获取所述船 员当前位置对应舱室的船舶运动情况。在一些实施例中，船舶位移数据的获取可 以通过终端设备和/或运动传感器获得。例如，通过在船舶中船员所处的舱室中 的参照物或其附近某一固定台面上(例如，驾驶台、床、操作台、办公桌的台面 上)放置终端设备和/或运动传感器，该终端设备和/或运动传感器所获取的位移 数据即可表示船舶位移数据。76.步骤520，计算船员位移数据与参考位移数据之间的差异值。77.在一些实施例中，差异值计算方法可以为基于数学方法计算。例如，计算 差异值是通过船员位移数据与参考位移数据的差的绝对值。在一些实施例中，差 异值计算方法可以为通过算法或模型计算。78.步骤530，判断差异值是否大于预设阈值。79.预设阈值可以根据船员个体差异或者船员值守岗位差异进行区别设置。 在一些实施例中，可以根据船员的工龄、年龄、性别、健康状况(例如睡眠质量) 等个体差异设置不同的预设阈值。例如，对于工龄较短、健康状况较差(例如睡 眠质量不佳)的船员可以对其设置较高的预设阈值。在一些实施例中，可以根据 船员所在岗位规章严格程度设置不同的预设阈值。例如，负责瞭望巡查的值班船 员的预设阈值可以高于值守于船舶仓储间的值班船员的预设阈值。80.若差异值不大于预设阈值，则执行步骤540，不修正船员休息数据；若差 异值大于预设阈值，则执行步骤550，修正船员休息数据。81.在一些实施例中，若差异值大于预设阈值，服务器对船员休息数据进行修 正包括先基于参考位移数据(例如船舶位移数据)调整船员位移数据，基于调整 后的船员位移数据修正船员休息数据。例如，船员位移数据与船舶位移数据的差 异值大于预设阈值，则可能存在该船员休息数据中的至少部分数据并非属于休 息状态，可以将导致差异值大于预设阈值的该船员休息数据中的至少部分数据 进行筛除，获得修正后的船员休息数据。再例如，船员位移数据与船舶位移数据 的差异值小于预设阈值，则可能存在该船员休息数据中的至少部分数据虽然存 在一定位移但依然属于休息的状态下，故对应的船员休息数据的相关信息需要 修正。82.在本说明书一些实施例中，通过将船员位移数据与船舶位移数据等参考 位移数据结合，可以更加客观全面地判断并调整船员休息数据，便于更清楚准确 地掌握船员休息状态，有助于提高船员作息管理的智能化程度。83.在另一些实施例中，由于船舶在航行途中时船的颠簸给船员的生理体征 带来了额外的震动，带来了船员休息数据中的噪音数据，需要对船员休息数据进 行修正，即去除噪音数据。在一些实施例中，当船舶在港口平稳停靠且风平浪静 时，没有噪音数据，无需对船员休息数据进行修正。84.在一些实施例中，修正模型可以通过与判断模型联合训练得到。例如：85.s1、获取训练数据，训练数据包括第一组训练样本和第二组训练样本。第 一组训练样本包括第一样本船员休息数据、第一样本船员位移数据、以及需要修 正的标识。在一些实施例中，第一样本船员休息数据及第一样本船员位移数据可 以是历史采集的船舶航行时的船员的休息数据以及船员的位移数据。第二组训 练样本包括第二样本船员休息数据、第二样本船员位移数据、以及不需要修正的 标识。在一些实施例中，第二样本船员休息数据及第二样本船员位移数据可以是 历史采集的船舶平稳停靠时的船员休息数据及船员位移数据。86.s2、随机初始化修正模型的参数。87.s3、基于修正模型对第一样本船员休息数据进行处理，输出第三样本船员 休息数据，生成第三组训练样本。第三组训练样本包括第三样本船员休息数据、 第一样本船员位移数据以及需要修正的标识，基于第三组训练样本和第二组训 练样本对判断模型(即待优化的判断模型)的参数进行优化。以第三组训练样本 优化判断模型为例，将第三样本船员休息数据和第一样本船员位移数据输入判 断模型，基于判断模型输出的预测值与需要修正的标识构建损失函数，并基于损 失函数更新判断模型的参数。在一些实施例中，待优化的判断模型的参数可以是 随机初始化参数。在一些实施例中，可以是基于第一组训练样本和第二组训练样 本训练得到的，例如，将第一组训练样本和第二组训练样本输入初始化判断模型 进行训练，经训练后得到待优化的判断模型。88.s4、基于不需要修正的标识更新第一模型的参数，其中第一模型由判断模 型和修正模型联合构成，修正模型的输出为判断模型的输入。在一些实施例中， 待更新的第一模型中判断模型的参数基于s3优化确定。在一些实施例中，基于 第二组训练样本以及不需要修正的标识，对第一模型的参数进行更新，例如，将 第二样本船员休息数据输入第一模型中的修正模型，将修正模型的输出和第二 样本船员位移数据输入第一模型中的判断模型，基于判断模型的输出和不需要 修正的标识更新第一模型的参数，更新时，第一模型中修正模型的参数会更新， 判断模型参数固定。在一些实施例中，基于第三组训练样本中的第三船员休息数 据和第一船员位移数据，以及不需要修正的标识更新第一模型的参数，更新时， 第一模型中修正模型的参数会更新，判断模型参数固定。89.重复上述s3和s4直到训练达到预设训练目标。在一些实施例中，预设 训练目标包括判断模型的输出满足预设阈值，例如，判断模型对某个船员休息数 据的判断结果(需要修正或不需要修正)与0.5的差值小于阈值等。90.在一些实施例中，基于上述大量的训练，通过调整判断模型及修正模型的 参数，可以获得更良好的判断及修正效果，实现在船员休息数据中去除船舶航行 时所产生的位移信息的干扰，可以进一步提高对船员休息状态判断的准确性。91.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细 披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明， 本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进 和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实 施例的精神和范围。92.同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施 例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某 一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或 多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同 一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以 进行适当的组合。93.此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、 数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。 尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当 理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施 例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价 组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只 通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的 系统。94.同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或 多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归 并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明 书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于 上述披露的单个实施例的全部特征。95.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用 于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来 修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变 化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值， 该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应 考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中 用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设 定在可行范围内尽可能精确。96.针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料， 如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为 参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利 要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说 明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书 所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为 准。97.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例 的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本 说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实 施例不仅限于本说明书明确介绍和描述的实施例。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!