适应性无感知式船舶容器监控

监控船舶容器内部的温度和湿度对于防止货物运输中的质量退化至关重要。无感知式监控——即使用外部因素预测容器内部状况的机器学习模型——作为传感器监控的有前景的替代方案。然而，它不包含遥测信息，也无法纠正系统性误差，导致预测结果与实时数据存在显著差异，给用户带来困惑。本文引入了残差校正方法，这是一种通用的框架，用于在观察实时遥测数据后纠正无感知式模型中的系统性偏差。我们将其称为“适应性无感知式”监控的一类模型。我们在348万数据点上训练和评估适应性无感知式模型——这是学术研究中使用过最大的容器传感器数据集，并展示它们在基线无感知式模型之上取得了一致的改进。当在模拟数据的留置集上评估时，它们在温度上实现平均绝对误差(MAE)为2.24~2.31摄氏度(无感知式为2.43摄氏度)，相对湿度为5.72~7.09%(无感知式为7.99%)，平均根均方误差(RMSE)为3.19~3.26摄氏度(无感知式为3.38摄氏度)，相对湿度为7.70~9.12%(无感知式为10.0%)。适应性无感知式模型实现了更精确的货物监控、早期风险检测以及对全球航运中更少的完全连接依赖。