从高频传感器到午报：基于迁移学习的航海 shaft power 预测
机器学习
2025-10-06 v1 人工智能
摘要
随着全球航运交通量的增长，能源优化对减少成本和确保运营效率至关重要。轴功率是从发动机传递到轴的机械功率，直接影响燃料消耗，使其准确预测成为优化船舶性能的关键步骤。功耗与船舶参数如速度和转速（shaft rotation per minute）以及天气和海况高度相关。频繁获取这些运营数据可以提高预测精度。然而，获取高质量传感器数据往往不可行且成本高昂，使次选源如午报报告成为可行选项。本文提出了一种基于迁移学习的轴功率预测方法，其中先在某艘船舶上高频数据上训练模型，然后在其他船舶的低频每日午报报告上进行微调。我们在姐妹舰舶（尺寸和配置相同）、相似舰舶（稍大且发动机不同）以及不同舰舶（尺寸和配置不同）上测试了我们的方案。实验表明，与仅在午报报告数据上训练的模型相比，姐妹舰舶的平均绝对百分比误差降低了10.6个百分点，相似舰舶降低了3.6个百分点，不同舰舶降低了5.3个百分点。
引用
@article{arxiv.2510.03003,
title = {From high-frequency sensors to noon reports: Using transfer learning for shaft power prediction in maritime},
author = {Akriti Sharma and Dogan Altan and Dusica Marijan and Arnbjørn Maressa},
journal= {arXiv preprint arXiv:2510.03003},
year = {2025}
}
备注
Keywords: transfer learning, shaft power prediction, noon reports, sensor data, maritime