PORT INTELLIGENT LOGISTICS · 2026
交通运输高质量发展重点课题

港口数智物流
垂域大模型
十大智能体

研发工作汇报
牵头单位交通运输部水运局
共建单位浙江省海港投资运营集团 · 中交水运规划设计院 · 交通运输部规划研究院 ·
北京交通大学 · 山东省港口集团
汇报时间2026 年 8 月
OVERVIEW · 政策背景与课题定位

总体方案

课题以人工智能大模型赋能港口物流为核心,构建垂域大模型,研发十大智能体,形成"数据治理+训推算力+行业大模型"于一体的技术框架,覆盖对外服务与生产经营两大领域。本课题所建大模型、高质量数据集与智能体将积极融入综合交通运输大模型建设布局。

政策依据

《人工智能+交通运输典型应用场景创新行动方案》
提出推进港口智能感知网络建设,鼓励研发港口智能调度模型,实现集疏运资源智能匹配与动态优化;支持构建港航一体化智能调度系统;鼓励研发港口数字孪生+AI辅助决策等智能体。
《加快推动人工智能在水运重点领域创新应用的通知》
提出港口企业智能安全管理、港口大型装卸设备健康运行安全监测预警;自动化码头无人化作业,构建面向多智能体的码头协同优化模型;铁水联运智能组织调度等方向。

课题定位与场景遴选

围绕上述政策方向,本课题遴选港航物流链智能客服(物流百晓)、端到端物流路径决策(货主无忧)、集装箱码头堆存(堆位智调)、船舶集装箱配载(船箱智排)、干散货码头泊位计划(泊舟统筹)、港口安防(港安智防)、无人驾驶水平运输(云驭集卡)、仓储管理(仓储智营)、外集卡导航与协同管控(易享领航)、港口装备安全运维(机行智维)共10个数据可获取、模型可支撑、具备落地可行性的高价值场景,开展高质量数据集建设、模型训练及智能体搭建工作。

总体框架
以"通用基模+行业微调"打造垂域模型,以"大模型+小模型+RAG"实现能力互补,构建覆盖用户层、智能体层、增强层、模型层、基础工具层、数据层、算力层的七层技术体系,支撑十大智能体在对外服务与生产经营两大领域的稳定运行。
港口数智物流大模型— 总体方案 —02
CONTENTS

目 录

A总体方案与架构P 02 – 04
A1总体方案与政策背景政策依据 · 课题定位 · 场景遴选02
A2总体架构 · 七层体系端层 · 智能体 · 增强 · 模型 · 工具 · 数据 · 算力04
B数据建设与模型研发P 05
B1技术路线与数据建设三条技术路线 · 训练流程 · 数据采集清单 · 训练评估05
C十大智能体研发P 06 – 15
C1物流百晓 · 港航物流链智能客服RAG+SFT 双轨并行 · 一站式智能问答与单证处理06
C2货主无忧 · 端到端物流路径决策大模型+专家模型+运筹优化 · 多式联运方案生成07
C3堆位智调 · 集装箱码头堆存智能体动态短计划+蒙特卡洛决策树 · 自动选位08
C4船箱智排 · 集装箱码头配载智能体多目标优化 · 自动贝位分配09
C5泊舟统筹 · 干散货码头泊位计划大模型语义理解+强化学习 · 船货泊匹配10
C6云驭集卡 · 港口无人驾驶水平运输车路云一体化 · 平行驾驶 · L4 级11
C7港安智防 · 港口安防智能体多模态识别 · 11类目标标注 · 主动告警12
C8仓储智营 · 仓储管理智能体多智能体协同 · 入库出库盘点三策略13
C9易享领航 · 外集卡导航与协同管控北斗高精定位 · 港内外集卡全链路14
C10机行智维 · 港口装备安全运维知识整合 · 技能驱动 · 人在回路15
D成效与展望P 16 – 17
D1应用成效核心指标 · 验证方法与结果16
D2工作总结与下一步计划建设成果概述 · 后续发展方向17
港口数智物流大模型— CONTENTS —03
ARCHITECTURE · 七层体系

总体架构

底座是集数据治理、训推算力、行业大模型于一体的底层技术框架,以"通用基模+行业微调"打造垂域模型,以"大模型+小模型+RAG"实现能力互补,支撑十大智能体稳定运行。

端层
用户接入 · 全端覆盖
PC 端
Web 管理后台 · 业务操作台
移动端
小程序 · APP · H5
智能体层
十大智能体 · 对外服务 + 计划调度 + 设备作业
物流百晓货主无忧 堆位智调船箱智排 泊舟统筹云驭集卡 港安智防仓储智营 易享领航机行智维
增强层
RAG 检索增强生成 · 全链路能力
分块策略
标点分块 · 语义分块父子分块
检索策略
全文检索 · 向量检索混合检索
模型
向量模型 · 重排模型LLM 模型
工具
Dify · RAGflowMilvus 向量库
模型层
基座模型 · 通用推理 + 领域专用
多模态
qwen3.5-35B 多模态 · qwen-vl 视觉语言单证 OCR · 图像理解
通义千问
qwen3-235B · qwen3-32B通用推理 · 复杂任务处理
微调模型
SIGAng-knowledge · PERT-LoRA 微调港口领域专用 · 持续迭代
基础工具层
训推工程化能力
模型推理服务本地模型运行 深度学习框架模型微调工具 实验追踪可视化参数高效微调
数据层
领域数据资源
港航专业知识高危品运输知识 通讯行业知识物流跟踪 HSCODE港口作业规范港口基础信息
算力层
(信创)
国产化算力集群
推理集群 A
国产高性能计算卡 × 8 · 单卡显存 48 GB32B / 70B 模型推理部署
微调集群
国产高性能计算卡 × 8 · 单卡显存 48 GBPERT-LoRA 模型微调训练
推理集群 B
国产高性能计算卡 × 8 · 单卡显存 80 GB235B 大模型推理 · 多模态
港口数智物流大模型— ARCHITECTURE —04
R&D · 技术路线与数据建设

技术路线与数据建设

三条核心技术路线

01

通用基模 + 行业微调

在通用大模型基础上,用行业高质量数据微调,打造专业垂域模型,兼顾通用能力与行业知识。

02

大模型 + 小模型

大模型负责理解与生成,专用小模型负责预测与优化,能力互补、效率与精度兼得。

03

大模型 + 小模型 + RAG

叠加检索增强生成,构建协同架构,融合行业知识与最新业务信息。

垂类模型训练流程 数据工程 → 基座选型 → 微调训练 → 训练评估
1数据工程DATA ENGINEERING
行业法规与知识
高危品运输规则 5.7万 · 港航知识 5万
报关与口岸数据
HSCODE 报关实例 1800万 · 标准 1万
生产与基础信息
场站/码头 22万 · 作业流程 3万
数据清洗与标注
去重 · 标准化 · 质量评分 · 专家审核
数据集划分
8 : 1 : 1
训练集 / 验证集 / 测试集
2基座选型BASE SELECTION
能力评估
通用:逻辑推理·语义理解
领域:术语覆盖·专业语境
策略选型
微调策略 PERT LoRA
选型结果
千问 3-32B 微调基座
千问 3-235B 通用问答
千问 3.5-35B 多模态
3微调训练FINE-TUNING
基座 · 千问 3-32B
指令驱动 · LoRA 高效参数微调
指令数据集构建
港口法律法规 QA · 船舶安全指令
领域知识注入
法律法规 · 作业规范 · ISM 体系
FINE-TUNED MODEL
Sigang-knowledge
港口垂类知识增强基座
4训练评估EVALUATION
过程监控
loss 曲线 · 训练/验证损失收敛
生成质量
BLEU / ROUGE / BERTScore
人工评审
专家逐项打分 · RAG 召回率
DEPLOY
XInference / OLLAMA
模型+RAG+智能体系统集成
训练评估指标
0.80
训练集最终损失
1.04
验证集最优损失
76.0%
训练集 Token 准确率
70.9%
验证集 Token 准确率
2.23 / 2.82
PPL(训练/验证)

数据采集概况

智能体方向核心数据类型数据规模主要用途
物流百晓行业知识库 · HSCODE · 高危品 · 法规QA1816万条/份(HSCODE实例1801万条)RAG知识库 + SFT微调
货主无忧网络结构 · 运价 · 船期 · AIS轨迹 · 集卡轨迹18类4.5亿条 + 2500万条集卡轨迹路径优选模型训练
堆位智调堆场基础 · 设备状态 · 作业指令 · 环境监测610万余条(设备1000余台)选位决策模型
船箱智排箱基础 · 船基础 · 配载规则 · 历史配载150万余条(规则500余条)配载方案优化
泊舟统筹船舶 · 泊位 · 历史泊位安排70TB(5万+船舶 · 7年历史)视觉模型 + NLP模型
云驭集卡作业指令 · 车辆轨迹 · 感知事件1PB+(车辆175台)感知/预测/规划/控制模型
港安智防安防图像 · 视频片段百万集(计划100万张图像)多模态大模型训练
易享领航BDS轨迹 · 电子围栏 · 场景感知图像108TB原始(有效2TB+2TB)导航/调度/预警模型
机行智维设备台账 · 维保工单 · PLC时序数据45.2万条 + 200GB时序数据知识库 + 模型微调 + 在线诊断

注:数据标注统一采用"规则预标注+专家精标+交叉验证"机制,核心字段缺失率控制在0.5%以内,数据准确率达99.5%–99.7%。敏感数据按要求脱敏并实行分级权限管控。

基座模型

LLMDeepSeek-V3
LLMQwen3-235B
LLMQwen3-32B(LoRA 微调)
MLLMQwen3.5-35B 多模态
VLMQwen-VL 视觉语言
港口数智物流大模型— R&D —05
智能体 01对外服务

物流百晓 · 港航物流链智能客服

一站式智能问答与单证处理 · RAG+SFT 双轨并行
问题与目标 OBJECTIVE
港航物流咨询涉及面广、专业性强,传统人工客服难以保证7×24小时服务一致性与专业度。本智能体旨在构建覆盖咨询、订舱、报关、运踪全流程的一站式智能问答与单证处理系统。
技术方案 TECHNICAL APPROACH
数据来源行业综合知识库5万份 · HSCODE实例1801万条 · HSCODE标准1万条 · 海运高危品运输数据5.7万条 · 港航法规QA 3万份 · 客服常见QA 3千份
数据规模总量约1816万条/份 · 经清洗后高质量微调数据集1.3万条
技术方法RAG+SFT双轨并行 · 接入知识库源网站45个 · 覆盖78类业务问答 · 数据清洗→知识库构建→问答对生成→版本管理
能力覆盖港口业务知识/HS编码/高危品/政策法规查询 · OCR单证识别 · 海运跟踪查询(中英文港口名/船名自动转换)
知识库源 法规·HSCODE·高危品·QA 1816万条/份 指令数据集 SFT微调语料 1.3万条 RAG SFT 垂域大模型 Qwen3-32B · LoRA RAG + SFT 双轨并行 服务能力 智能问答 OCR单证识别 海运跟踪查询 78类业务问答 45个知识源网站
物流百晓 · RAG+SFT 双轨架构示意
应用场景 SCENARIOS
依托"四港"联动智慧物流云平台,服务货主、货代、报关员、船代等市场主体,覆盖咨询、订舱、报关、运踪全流程。融合SOLAS、IMDG等国际公约知识。
验证成效
92.5%问答准确率
↓70%运踪查询工作量
93.8%OCR识别完整率
↓91.7%单证处理耗时
验证方法:基于实际运营数据统计,问答准确率经专家逐项评审核定。
港口数智物流大模型— 智能体 01 / 物流百晓 —06
智能体 02对外服务

货主无忧 · 端到端物流路径决策

自然语言输入 → 多式联运最优方案 · 大模型+专家模型+运筹优化
问题与目标 OBJECTIVE
多式联运方案涉及公路、铁路、内河、支线等多种运输方式,信息壁垒导致人工报价耗时长、方案不透明。本智能体旨在实现自然语言输入到多式联运最优方案的自动生成,支持价格最优与时间最短多目标决策。
技术方案 TECHNICAL APPROACH
数据来源网络结构 · 运价费用 · 船期时刻 · 节点公告 · 气象水文 · AIS轨迹 · 集卡GPS轨迹
数据规模150+数据项 · 22万+运输实例 · 13万环境数据 · 18类4.5亿条系统数据 · 2500万条集卡轨迹
技术方法大模型语义理解+专家模型(AI预测)+运筹优化混合路线 · 梳理39个关键影响因子 · 覆盖公路/铁路/支线/内河四大运输方式
动态重规划堵港/天气/船期异常秒级响应 · 3分钟内生成新方案
应用场景 SCENARIOS
"四港"联动平台订舱与联运调度,面向货主、货代、集团联运调度/操作/计划/运营人员,覆盖报价、改港、应急调度场景。
端到端路径决策智能体交互示意
端到端路径决策智能体 · 交互示意
验证成效
↑90%方案生成效率
↓66%整体下单耗时
↓6.73%平均运输成本
↑58.3%时效精准度
验证方法:基于实际运营数据对比统计,覆盖浙江全境运输实例。
港口数智物流大模型— 智能体 02 / 货主无忧 —07
智能体 03计划调度

堆位智调 · 集装箱码头堆存智能体

数据驱动的自动选位与场地计划 · 动态短计划+蒙特卡洛决策树
问题与目标 OBJECTIVE
堆场作业是码头生产组织的核心环节。面对设备资源变化、箱区拥堵与作业波动,人工调度难以实现全场协同优化。本智能体旨在构建数据驱动的自动选位系统,在"随到随派"模式下提供秒级选位支持。
技术方案 TECHNICAL APPROACH
数据来源TOS箱位主数据 · ECS作业指令 · PLC/车载终端设备状态 · 气象站/潮汐传感器环境监测
数据规模接入设备1000余台 · 610万+条记录 · 5类数据(堆场基础10万+作业指令500万+历史作业100万)
技术方法动态短计划模型+蒙特卡洛决策树两层架构 · 5分钟滚动优化 · 多目标规划(泊位就近/贝位利用率/亏位数最小)
数据架构Lambda架构(离线批处理+实时流计算) · Kafka消息总线 · OPC-UA/MQTT协议
堆场智能体指令分配与选位决策示意
堆场智能体 · 指令分配与选位决策示意
应用场景 SCENARIOS
服务堆场策划员、中控调度员与配载员,在"随到随派、随作业动态调整"模式下提供秒级选位支持。
验证成效
↓至18%人工干预率(基线约40%)
<3秒系统响应延迟
↑10%作业效率
↑25%设备利用率
验证方法:90天生产验证期连续运行,人工干预率从约40%降至18%以下。核心字段缺失率<0.3%,数据准确率99.7%,指标在验证期内保持不下降。
港口数智物流大模型— 智能体 03 / 堆位智调 —08
智能体 04计划调度

船箱智排 · 集装箱码头配载智能体

从人工配载到智能决策配载 · 多目标全局优化
问题与目标 OBJECTIVE
传统人工配载依赖经验逐箱点击,效率低且难以兼顾全局最优。本智能体旨在实现按预配船图、船舶适航条件与码头约束自动配载,完成出口集装箱至目标船箱位的智能匹配。
技术方案 TECHNICAL APPROACH
数据来源TOS集装箱主数据 · 船代申报数据 · 船舶资料库 · 业务专家经验 · 泊位/岸桥/堆场配置台账
数据规模5大维度150万+条 · 箱基础100万+船基础1000+规则500余条+码头资源200+历史配载50万
技术方法多目标优化(翻箱最少+龙门吊移动最小+重量均衡) · 6大类别规则(重量平衡/危险品隔离/冷藏供电/翻捣最小化等)
标注机制规则预标注+专家精标+交叉验证 · 标注一致性系数≥0.85
配载截面示意 BAY ALLOCATION
B01B02B03 B05B07B09B11
应用场景 SCENARIOS
配载员、堆场策划与码头生产管理部门,将出口集装箱智能匹配至目标船箱位。
验证成效
↑40%配载效率
↓60%人工干预
↓5%计划翻箱率
↓至15%大幅修改率(基线约35%)
验证方法:90天生产验证期连续运行。离线采用回放验证(与历史最优方案对比),在线统计人工修订率。大幅修改率(修改贝位数>10)从约35%降至15%以内。
港口数智物流大模型— 智能体 04 / 船箱智排 —09
智能体 05计划调度

泊舟统筹 · 干散货码头泊位计划

船-货-泊智能匹配 · 大模型语义理解+强化学习
问题与目标 OBJECTIVE
干散货码头泊位计划涉及多货种、多泊位、吨级与船型差异,人工排泊难以全局优化。本智能体旨在实现兼顾多货种、多泊位差异的船-货-泊智能匹配与差异化排泊。
技术方案 TECHNICAL APPROACH
数据来源船舶数据 · 泊位数据 · 历史泊位安排 · 作业日志 · 调度指令 · 故障报告
数据规模70TB · 5万+船舶 · 20+泊位 · 7年历史数据 · 准确率98% · 标注一致性95%
技术方法大模型语义理解+强化学习协同 · 视觉模型(mAP+召回率) · NLP模型(实体F1值+意图分类准确率) · 自动船型分类/吨级识别
排泊策略分货种/泊位/船型差异化排泊 · 多目标优化(船型大小/重轻搭配/作业效率/单位收益)
泊位排程示意 BERTH SCHEDULING
00020406 08101214 16182022
B1
MAERSK
COSCO
B2
CMA CGM
ZJSH
MAERSK
B3
HMM
OOCL
EVER
B4
COSCO
CMA CGM
应用场景 SCENARIOS
码头计划员、生产调度员;服务专业码头,单泊位日均作业船型3-5艘的高强度排泊场景。
验证成效
≤1分钟单次计划生成
80%排泊正确率
>96%全局优化准确率
95%+核心指标(mAP/F1)
验证方法:建立分级指标体系,视觉模型采用mAP与召回率,NLP模型采用F1值与意图分类准确率。经光照突变、设备遮挡、语音噪声等边界工况鲁棒性测试,核心指标稳定在95%以上。
港口数智物流大模型— 智能体 05 / 泊舟统筹 —10
智能体 06设备作业

云驭集卡 · 港口无人驾驶水平运输

车-路-云一体化 · 平行驾驶 · L4 级
问题与目标 OBJECTIVE
港内水平运输传统依赖人工驾驶,效率受限、安全风险高。本智能体旨在构建L4级港口无人驾驶水平运输系统,实现岸桥-堆场-闸口之间真实港口混流场景下的无人化闭环作业。
技术方案 TECHNICAL APPROACH
数据来源TOS/FMS作业指令 · 车辆定位轨迹 · 港区车道拓扑 · 视频/雷达/V2X感知事件
数据规模累计1PB+ · 采集车辆175台 · 覆盖岸桥-堆场-闸口混流场景
核心数据①生产过程数据(装卸船任务链/水平移箱/桥吊交互)②运行状态数据(轨迹/车速/停车/能耗/接管)③静态语义数据(车道拓扑/交通规则/缓冲区)④感知安全事件(拥堵/冲突/异常停车)
技术方法车-路-云一体化 · 虚实融合平行驾驶 · 全局路径优化+多车协同调度+紧急避障/接管/路权博弈
感知与轨迹示意 PERCEPTION
起点 堆场 L4 · 无人 感知半径 ~30m
应用场景 SCENARIOS
无人车集卡驾驶员、远控操作员、运营/安全/调度管理部门;面向港内水平运输全场景。
验证成效
<5cm全场域定位误差
>200m有效感知距离
L4级自动驾驶水平
验证方法:基于1PB+真值数据集(可回放、可评估、可追溯),支撑车端感知/预测/规划/控制模型训练与云端调度/路径优化/风险预警策略持续迭代。
港口数智物流大模型— 智能体 06 / 云驭集卡 —11
智能体 07设备作业

港安智防 · 港口安防智能体

多模态识别 · 11类目标标注 · 主动告警
问题与目标 OBJECTIVE
传统安防依赖人盯屏,异常发现滞后、漏检率高。本智能体旨在构建基于多模态大模型的港口安防系统,实现人/车/物多目标跟踪、异常事件自动识别预警与处置闭环。
技术方案 TECHNICAL APPROACH
数据来源散货码头 · 集装箱码头 · 通用型码头安防图像与视频
数据规模百万集 · 计划采集图像100万张(历年30万+散货55万+集装箱15万) · 视频片段9.3万
场景覆盖8类关键作业场景(卸船/装船/堆场/内部道路/转运站/变电站/闸口/建筑区) · 11类目标标注(人员入侵/未戴安全帽/未穿反光衣/抽烟/睡岗/玩手机等)
技术方法多模态大模型 · 清洗→标注→增强→评测 · 人工+半自动标注(类间误差率<5%) · 时序增广+图像空间变换+光照模拟+噪声注入
港口安防智能体实景
港口安防智能体 · 实景值守
应用场景 SCENARIOS
码头安防运营管理、安防作业人员;覆盖散货与集装箱码头核心区域。
验证成效
90%+识别精度
<1秒告警响应时间
≥3种极端工况适配
验证方法:从识别精度、场景泛化性、实时性能、运行稳定性、业务适配性五个维度综合评价。适配夜间低光、强光逆光、雨天雾天等极端工况,支持高并发多摄像头同时解析。
港口数智物流大模型— 智能体 07 / 港安智防 —12
智能体 08计划调度

仓储智营 · 仓储管理智能体

多智能体协同 · 入库出库盘点三策略
问题与目标 OBJECTIVE
传统仓储管理依赖人工经验,入库/出库/盘点效率低、差错率高。本智能体旨在构建多智能体协同的仓储管理系统,实现库位推荐、拣选优化与盘点自动化。
技术方案 TECHNICAL APPROACH
数据来源①业务运营数据(历史订单/客户档案/仓储记录/服务条款)②实时动态数据(WMS/TMS库存/库位/设备/物流轨迹)③客户交互数据(咨询记录/搜索关键词/行为日志)
技术方法多智能体协同架构:入库策略智能体(品类/周转率/关联SKU推荐库位)+ 出库策略智能体(订单聚合/波次拣选/路径优化)+ 盘点策略智能体(动碰盘点+视觉复核)
标注机制双人标注+交叉审核 · 按业务场景/问题类型/难度等级分层抽样 · 通过率≥95%
数据处理JSON格式标准化 · 敏感信息脱敏 · 长文本语义切片
仓库三层态势示意 WAREHOUSE
F3出库区 · 波次拣选
F2存储区 · 动态推荐
F1入库区 · 智能上架
应用场景 SCENARIOS
仓储管理员、仓储管理经理;面向港口保税仓、堆存仓、多品类SKU高密度仓储场景。
验证成效
≥95%标注通过率
7×24全天候自助服务
验证方法:业务专家组成质量审核小组对抽样数据(不低于总量10%)进行人工审核,通过率≥95%。利用标注平台自动化检测工具进行格式/重复/敏感内容/逻辑一致性检测。
港口数智物流大模型— 智能体 08 / 仓储智营 —13
智能体 09对外服务

易享领航 · 外集卡导航与协同管控

北斗高精定位 · 港内外集卡全链路
问题与目标 OBJECTIVE
港内外集卡运输涉及导航、预约、调度等多环节,信息割裂导致效率低下。本智能体旨在构建以北斗高精定位为核心的港内外集卡导航与协同管控系统,覆盖集卡提空、装箱、运输、进港、作业、离场全链路。
技术方案 TECHNICAL APPROACH
数据来源BDS高精定位轨迹 · 电子围栏 · 预约业务 · 港机作业时序 · 场景感知图像 · 空间地理
数据规模原始108TB · 文本类24TB→有效2TB · 图像类84TB→规整2TB · 覆盖1782家运输企业 · 3万+司机 · 131家堆场
区域覆盖北仑全域 · 梅山港区 · 苏州现代货箱码头(跨区域场景落地)
技术方法北斗+视觉+基站融合定位(厘米级) · 预规划—动态路权分配—数据闭环 · 静态检测+动态验证质量评价
场景覆盖①港内精准作业(导航/贝位指引/港机协同)②港外运输预约(预约/到港预测/疏港通行)③港外车生态服务(补能推荐/停车调度/路线优化)
港内外集卡定位
易港通平台 · 港内外集卡实时定位与路径调度
应用场景 SCENARIOS
集卡司机、运输企业、堆场/仓储企业;港内精准导航与安全预警,港外精准预约、运输撮合与路线优化。
验证成效
↓10%外集卡偏航率
↓5%综合违章率
↓2分钟单车到达贝位待时
↑7%闸口通行效率
验证方法:基于近两年实际运营数据持续归集优化,全量数据已完成标准化清洗与入库治理。静态检测(完整性/准确性/时效性/安全合规性)+动态验证综合评价。
港口数智物流大模型— 智能体 09 / 易享领航 —14
智能体 10设备作业

机行智维 · 港口装备安全运维

知识整合 · 技能驱动 · 人在回路
问题与目标 OBJECTIVE
港口设备运维传统以事后维修为主,预防性/预测性维护能力不足。本智能体旨在构建面向港机智能运维、产量分析与软件系统故障诊断的智能体,推动运维模式由事后维修向预防性、预测性维护转变。
技术方案 TECHNICAL APPROACH
设备接入桥吊52台 · 轮胎吊175台 · 固定吊3台 · 智能集卡102台 · 50个操作台 · 64台桥吊吊具 · 197台龙门吊吊具
数据规模维保工单/PLC/故障报警等45.2万条 · 时序数据200GB · "芯宝"知识库
标注机制规则预标注+工程师精标+交叉复核 · 故障案例整理为"设备/部件/现象/原因/措施/结果"样本
技术方法知识库检索+模型微调+在线诊断 · 隔离沙盒+本地模型部署(数据不出域) · 人在回路分解执行复杂长程任务
受控运维架构 ARCHITECTURE
港机 · 岸桥 受控边界 · 隔离沙盒 1 故障定位 2 知识检索 · RAG 3 技能编排 4 人在回路 人工审核 · 安全可控
验证成效
↓20%设备年备件采购量
↑25%库存能力
↑80%动态派工工单量
↑18%设备利用率
验证方法:基于平台全年运行统计。后续将持续沉淀人工修订、诊断采纳和安全审计数据,形成多智能体协同运维的闭环数据集。
港口数智物流大模型— 智能体 10 / 机行智维 —15
RESULTS · 应用成效

应用成效

十大智能体在真实生产环境中已取得可量化成效。以下指标均基于实际运营数据统计,部分智能体经90天以上生产验证期连续运行验证。

核心指标

92.5%
智能客服问答准确率
覆盖HS编码/高危品/法规/运踪查询
↑90%+
路径方案生成效率
3分钟内生成多方案
↑40%
配载效率
经90天生产验证期
<5cm
无人车定位精度
L4级自动驾驶水平

各智能体验证结果汇总

智能体关键指标数值验证方法
物流百晓问答准确率 / 单证处理耗时92.5% / ↓91.7%实际运营数据统计 · 专家逐项评审
货主无忧方案生成效率 / 运输成本↑90% / ↓6.73%浙江全境运输实例对比统计
堆位智调人工干预率 / 作业效率40%→18% / ↑10%90天生产验证期 · 离线回放+在线比对
船箱智排配载效率 / 人工干预↑40% / ↓60%90天生产验证期 · 回放验证+人工修订率统计
泊舟统筹排泊正确率 / 全局优化准确率80% / >96%分级指标体系 · 边界工况鲁棒性测试
云驭集卡定位误差 / 感知距离<5cm / >200m1PB+真值数据集 · 可回放可追溯
港安智防识别精度 / 告警响应90%+ / <1秒五维度综合评价 · 极端工况适配测试
仓储智营标注通过率≥95%双人标注+交叉审核 · 分层抽样人工审核
易享领航偏航率 / 闸口效率↓10% / ↑7%近两年运营数据 · 静态检测+动态验证
机行智维备件采购量 / 设备利用率↓20% / ↑18%平台全年运行统计 · 闭环数据集

效率与成本改善

成本与耗时降低
单证处理耗时↓91.7%
运踪查询工作量↓70%
整体下单耗时↓66%
备货提前期↓约50%
货物通关时长↓50%
物流综合成本↓15%
效率与质量提升
多式联运订舱效率↑50%
时效精准度↑58.3%
配载效率↑40%
堆场设备利用率↑25%
堆场周转率↑20%
设备利用率(运维)↑18%
港口数智物流大模型— 应用成效 —16
SUMMARY & OUTLOOK

工作总结与
下一步计划

建设成果
  • 构建1套垂域大模型底座(七层技术体系)
  • 研发10个智能体,覆盖对外服务与生产经营
  • 建设高质量数据集,数据总量达1PB+
  • 基座模型微调完成,训练集准确率76%
验证成果
  • 堆场/配载智能体经90天生产验证期连续运行
  • 核心数据准确率达99.7%,标注一致性≥95%
  • 各智能体关键指标均达到生产级部署标准
  • 人工干预率显著下降,作业效率持续提升
技术积累
  • 形成"通用基模+行业微调"垂域模型方法论
  • 建立"规则预标注+专家精标+交叉验证"标注体系
  • 沉淀港口领域专用微调语料7万条
  • 训练样本超150万条,覆盖10个业务场景
下一步计划
1. 数据持续沉淀:随着场桥、龙门吊等设备远控化与无人化改造推进,数据采集颗粒度将提升至秒级位置与姿态信息,为全要素智能化提供更高精度数据底座。
2. 模型迭代优化:持续沉淀人工修订、诊断采纳和安全审计数据,形成多智能体协同运维的闭环数据集,推动模型在常态与边界工况下持续优化。
3. 场景扩展推广:在现有10个智能体基础上,逐步拓展至更多港口业务场景,推动人工智能基础设施与技术成果的共建、共享、共用,融入综合交通运输大模型建设布局。
牵头单位交通运输部水运局
共建单位浙江省海港投资运营集团 · 中交水运规划设计院 · 交通运输部规划研究院 ·
北京交通大学 · 山东省港口集团
汇报时间2026 年 8 月