基于機器學習的船舶油耗預測

劉洋洋 衛(wèi)家駿

摘 要：準確地預測船舶能耗對實現(xiàn)航速優(yōu)化、縱傾優(yōu)化等具有重要作用。然而船舶油耗受到多種因素的影響，如航行速度、吃水、風速、浪高等，給船舶油耗預測帶來眾多困難與挑戰(zhàn)。本文收集了在航船舶傳感器數(shù)據，通過對數(shù)據進行預處理，提取了與油耗影響有關的特征數(shù)據信息。使用人工神經網絡（Artificial Neural Network，ANN）、支持向量機回歸（Support Vector Regression，SVR）、嶺回歸（Ridge）等共7種機器學習方法進行船舶油耗預測。實驗結果表明，ANN的R2值大于0.9，預測精度最高，Lasso與Ridge的預測精度最低，R2值皆小于0.5。本文提出的模型可為在航船舶實時油耗預測提供重要參考。

關鍵詞：船舶油耗預測;人工神經網絡;支持向量機

中圖分類號：U676.3? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? 文章編號：1006—7973（2021）05-0138-03

隨著世界人口、貿易不斷增加，人們對貨物的需求不斷增加，世界上約80%的貨物運輸是通過船舶運輸完成。根據國際海事組織（International Maritime Organization，IMO）第4次發(fā)布的研究報告，2012～2018年，航運業(yè)排放的溫室氣體從9.77億噸增加到10.76億噸，增長10.1%，航運業(yè)排放比例從原先2.76%上升至2.89%，據IMO估計，按照現(xiàn)有的趨勢發(fā)展，到2050年，CO2的排放量將比2018年提高50%。

Leifson等考慮風浪、污底附著物對船舶航行的影響，并結合主機與螺旋槳的工況，建立了油耗預測白箱模型，并使用人工神經網絡對模型的各個參數(shù)進行了求取。Yang等考慮到船舶實際航行中，由于風、浪等航行環(huán)境的影響，會造成失速現(xiàn)象，為此采用了Kwon的方法進行了航速估算，建立了遠洋船舶的油耗預測模型。Yan等基于在航船舶營運數(shù)據，建立了一種BPNN的船舶能耗預測模型，并對通航環(huán)境因素與能耗的影響進行了敏感性分析，預測獲得的油耗值其精度要高于采用理論公式。Sun等為了加快ANN的預測收斂速度，利用遺傳算法對初始連接權值進行了優(yōu)化，有效提高了模型的訓練收斂速度。Wang等在進行航速優(yōu)化時，使用小波神經網絡對航速、水深、風速進行了實時預測，并使用經驗公式獲得了阻力與航速的關系，在此基礎上確定了主機轉速與單位海里燃油消耗的函數(shù)關系。葉睿與殷振宇等基于一艘丹麥籍客滾輪的運營數(shù)據，經過數(shù)據清洗，提取了油耗相關的特征數(shù)據信息，并使用人工神經網絡進行油耗預測。Yan等認為不同通航環(huán)境的船舶油耗存在一定的差異，為此采用k-mean方法對航行環(huán)境數(shù)據進行聚類，并根據聚類結果，分析了長江內河不同位置的環(huán)境因素對油耗的影響。高梓博等提出了一種高斯混合模型的聚類方法，并結合最大似然算法，對主機工況、航速等特征進行聚類，聚類結果表明油耗量與主機轉速關系并不是一一對應，受到海況的影響較大。

綜上所述，目前主要采用單一的方法進行船舶能耗預測研究，缺乏分析、比較各個方法在能耗預測的優(yōu)劣勢。為此，本文結合機器學習常用的回歸方法，提出了人工神經網絡（Artificial Neural Network，ANN）、支持向量機回歸（Support Vector Regression，SVR）、嶺回歸（Ridge）、Lasso回歸、梯度提升決策樹回歸（GBR）、K最近回歸（KNN）及隨機森林（RF），共7種回歸方法進行船舶能耗預測，分析了各個方法在油耗預測的精度，以及氣象環(huán)境因素對油耗預測的影響。

1油耗數(shù)據采集及預處理

1.1? 船舶油耗數(shù)據采集

本文數(shù)據來源為某油輪的在航船舶實時采集數(shù)據。通過對在航船舶安裝傳感器，如GPS、計程儀、風速風向儀、軸功率儀、油耗儀等。這些傳感器會實時采集船舶姿態(tài)信息、主機性能狀態(tài)信息等，如經緯度、航速、航向、吃水、主機轉速、功率等數(shù)據，這些數(shù)據通過網絡傳輸至船端或岸端，并將其儲存在數(shù)據庫中。數(shù)據的采集過程如圖1所示。

1.2? 油耗數(shù)據預處理

數(shù)據在采集的過程中，由于人為因素、設備儀器、網絡信號等原因，致使采集的數(shù)據包含很多錯誤數(shù)據與噪聲數(shù)據。若將這些數(shù)據直接用于后續(xù)的模型進行訓練學習，其能耗的預測值與實際值相差較大，很難反映眾多影響因素下油耗實際分布情況，因此需要對采集的能效數(shù)據進行數(shù)據預處理。本文根據以下原理對采集的數(shù)據進行預處理。

（1）根據領域知識，對于風向、流向、船艏向、航向不在[0°，360°]范圍內的數(shù)據進行刪除。

（2）由于該船舶是遠洋航行，其大部分是處于滿載和壓載航行，因此其吃水處于一定的吃水范圍內，根據吃水范圍，將不在區(qū)間范圍內的吃水數(shù)據刪除。

（3）根據轉速、航速的分布范圍，將航速不在[4，16]kn范圍內的數(shù)據刪除。為保證主機的工作性能，船舶在航行一段時間后，會進行沖車，由于沖車階段的各個特征數(shù)據發(fā)生急劇變化，對于沖車階段的數(shù)據需進行刪除。

經過以上步驟，數(shù)據最開始由12951行刪除至11271行。對于前后氣象數(shù)據相差較大的數(shù)據先進行異常識別，對識別后的數(shù)據進行線性插值。

2船舶油耗預測模型構建

船舶能耗預測模型如圖2所示，主要包括數(shù)據預處理、數(shù)據集的劃分、模型性能評價。在獲得干凈數(shù)據后，通過相關性分析及結合相關領域知識，綜合考慮到船舶航行姿態(tài)，裝載情況、航行氣象環(huán)境等對油耗的影響，確定了航速、平吃水、縱傾、風速、風向、流速、流向作為模型的輸入，每天的燃油消耗量作為模型的輸出。

在獲得油耗及其相關影響特征數(shù)據集后，將數(shù)據集按照0.8：0.2的比例劃分訓練集與測試集。在訓練集學習過程中，根據各個特征數(shù)據分布情況，通過對訓練集進行訓練學習，以此確定模型的參數(shù)。然而有些模型在訓練集的學習效果好，但并不代表模型在測試集的預測效果也好，有可能出現(xiàn)過擬合與欠擬合現(xiàn)象，因此需要綜合衡量模型在訓練集與測試集性能效果。常見的模型評價指標為均方誤差（MSE）、均方根誤差（RMSE）、平均絕對誤差（MAE）、決定系數(shù)（R2），各個指標的計算值可通過式（1）—（4）獲得。

其中m為測試集樣本個數(shù)，為測試樣本的實際值，為測試樣本的預測值，為測試集中樣本的實際值的平均值。R2越高，意味著油耗實際值與預測值越接近，表示模型的預測精度越高。MSE、RMSE、MAE的值越低，說明油耗實際值與預測值越接近，表示模型的預測精度越高。

3 船舶油耗預測結果分析

數(shù)據在用于模型訓練之前，先對數(shù)據進行標準化處理，使用z-score對數(shù)據進行標準化轉換。使用的工具為python3.7版本，且該版本基于anaconda 3集成開發(fā)環(huán)境。整個數(shù)據集進行20次的不同劃分，每次劃分的數(shù)據集經過標準化處理后，然后用于模型的訓練，對20次模型訓練的結果進行平均作為模型的性能評價值。各個方法的訓練集與測試集的性能指標值如表1所示。由表1可知，在測試集中ANN的R2值均高于其它6種方法，且其MSE、RMSE、MAE的值均低于其它6種方法，這說明在該7種回歸方法中，在船舶能耗預測方面，ANN的預測精度最高。與此同時，Lasso與Ridge 的R2值均低于其它6種方法，且MSE、RMSE、MAE的值均高于其它6種方法，這說明在該7種回歸方法中，在船舶能耗預測方面，Lasso與Ridge的預測精度最低。原因是由于這兩種方法在進行回歸時，對影響能耗的各個特征因素時進行線性組合，然而實際中各個影響因素之間的關系及其復雜，并不一定與油耗呈現(xiàn)簡單的線性關系，因此這兩種方法的預測精度較低。

4結論

通過對在航船舶安裝傳感器，采集能耗及相關特征數(shù)據信息，根據各個特征的數(shù)據分布規(guī)律，提出了數(shù)據清洗方法。結合機器學習、集成學習及深度學習，使用ANN、SVM、RF、Lasso等共7種方法去進行船舶油耗預測，并對每種方法的預測結果進行了分析，結果顯示ANN的預測精度最高，本文所建立的模型可為實時油耗預測提供參考依據。

參考文獻：

[1] UNCTAD. Review of maritime transport 2020 [R]. New York： UNCTAD， 2020.

[2] IMO. Fourth IMO GHS study 2020-final report note by the secretariat [R]. London： 2020.

[3] Leifsson L ?， varsdóttir H S， Sigur?sson S ?， etc. Grey-box modeling of an ocean vessel for operational optimization[J]. Simulation Modelling Practice and Theory， Sep， 2008， 16 （8）： 923-932.

[4] Yang， L. ， Chen， G. ， Zhao， J. ， & Rytter， N. G. M. Ship speed optimization considering ocean currents to enhance environmental sustainability in maritime shipping. Sustainability，2020， 12， 3649.

[5] KWON Y. Speed loss due to added resistance in wind and waves[J].Naval Architect，2008（3）：14-16.

[6] Yan X ，? Xing S ，? Yin Q . Multiparameter Sensitivity Analysis of Operational Energy Efficiency for Inland River Ships Based on Backpropagation Neural Network Method[J]. Marine Technology Society Journal， 2015， 49（1）：148-153.

[7] Sun C ，? Wang H ，? Liu C ， et al. Dynamic Prediction and Optimization of Energy Efficiency Operational Index （EEOI） for an Operating Ship in Varying Environments[J]. Journal of Marine Science and Engineering， 2019， 7（11）：402.

[8] Wang K ， Yan X ， Yuan Y ， et al. Real-time optimization of ship energy efficiency based on the prediction technology of working condition[J]. Transportation Research Part D Transport & Environment， 2016， 46：81-93.

[9] 葉睿， 許勁松. 基于人工神經網絡的船舶油耗模型[J].船舶工程， 2016， 229（03）：89-92.

[10] 殷振宇，許勁松.基于航行數(shù)據的船舶油耗優(yōu)化[J].船舶工程，2019，41（08）：100-104.

[11] Xinping Yan， Kai Wang， Yupeng Yuan， Xiaoli Jiang， Rudy R. Negenborn，Energy-efficient shipping： An application of big data analysis for optimizing engine speed of inland ships considering multiple environmental factors，Ocean Engineering，2018，169，457-468.

[12] 高梓博，杜太利，張勇，黃連忠.聚類算法在船舶能效數(shù)據挖掘中的應用[J].武漢理工大學學報（交通科學與工程版），2019，43（02）：286-290.