FuelCast：船舶燃料消耗的表格与时序模型基准测试
机器学习
2025-10-10 v1 人工智能
摘要
在航运业中，燃料消耗与排放因其对经济效率和环境可持续性的重大影响而成为关键因素。准确预测船舶燃料消耗对进一步优化海事运营至关重要。然而，异质的方法论和有限的高质量数据集阻碍了建模方法的直接比较。本文做出三项关键贡献：(1) 我们引入并发布了一个新数据集（https://huggingface.co/datasets/krohnedigital/FuelCast），包含三艘船舶的运行与环境数据；(2) 我们定义了一个覆盖表格回归与时间序列回归的标准化基准；(3) 我们研究了 TabPFN 基础模型在船舶燃料消耗建模中的上下文学习（in-context learning）应用——据我们所知，这是该领域的首次尝试。我们的结果表明所有评估模型均表现出强劲性能，支持船上数据驱动燃料预测的可行性。纳入环境条件的模型始终优于仅依赖航速的简单多项式基线。TabPFN 略微优于其他技术，凸显了具备上下文学习能力的基础模型在表格预测中的潜力。此外，纳入时序上下文可提升精度。
引用
@article{arxiv.2510.08217,
title = {FuelCast: Benchmarking Tabular and Temporal Models for Ship Fuel Consumption},
author = {Justus Viga and Penelope Mueck and Alexander Löser and Torben Weis},
journal= {arXiv preprint arXiv:2510.08217},
year = {2025}
}
备注
This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this contribution will be published in "ECML PKDD Workshop 2025 - Advanced Analytics and Learning on Temporal Data"