論文の概要: FuelCast: Benchmarking Tabular and Temporal Models for Ship Fuel Consumption
- arxiv url: http://arxiv.org/abs/2510.08217v1
- Date: Thu, 09 Oct 2025 13:38:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-10 17:54:15.100289
- Title: FuelCast: Benchmarking Tabular and Temporal Models for Ship Fuel Consumption
- Title（参考訳）: FuelCast: 船舶燃料消費のタブラルモデルとテンポラルモデルの比較
- Authors: Justus Viga, Penelope Mueck, Alexander Löser, Torben Weis,
- Abstract要約: 海運業界では、燃費と排出が経済効率と環境持続可能性に大きな影響を及ぼす重要な要因である。
船舶の燃料消費の正確な予測は、海洋活動のさらなる最適化に不可欠である。
- 参考スコア（独自算出の注目度）: 40.66746563566378
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In the shipping industry, fuel consumption and emissions are critical factors due to their significant impact on economic efficiency and environmental sustainability. Accurate prediction of ship fuel consumption is essential for further optimization of maritime operations. However, heterogeneous methodologies and limited high-quality datasets hinder direct comparison of modeling approaches. This paper makes three key contributions: (1) we introduce and release a new dataset (https://huggingface.co/datasets/krohnedigital/FuelCast) comprising operational and environmental data from three ships; (2) we define a standardized benchmark covering tabular regression and time-series regression (3) we investigate the application of in-context learning for ship consumption modeling using the TabPFN foundation model - a first in this domain to our knowledge. Our results demonstrate strong performance across all evaluated models, supporting the feasibility of onboard, data-driven fuel prediction. Models incorporating environmental conditions consistently outperform simple polynomial baselines relying solely on vessel speed. TabPFN slightly outperforms other techniques, highlighting the potential of foundation models with in-context learning capabilities for tabular prediction. Furthermore, including temporal context improves accuracy.
- Abstract（参考訳）: 海運業界では、燃費と排出が経済効率と環境持続可能性に大きな影響を及ぼす重要な要因である。
船舶の燃料消費の正確な予測は、海洋活動のさらなる最適化に不可欠である。
しかし、ヘテロジニアスな手法と限られた高品質なデータセットは、モデリングアプローチの直接比較を妨げている。
本稿は,(1)3つの船舶の運用および環境データを含む新しいデータセット(https://huggingface.co/datasets/krohnedigital/FuelCast)の導入とリリース,(2)表層回帰と時系列回帰をカバーする標準ベンチマークを定義する(3)TabPFNファウンデーションモデルを用いた船舶消費モデリングのためのコンテキスト内学習の適用について検討する。
本研究は,すべての評価モデルに対して高い性能を示し,データ駆動型燃料予測の実現可能性について検証した。
環境条件を組み込んだモデルは、船体速度のみに依存する単純な多項式ベースラインを一貫して上回る。
TabPFNは、他のテクニックよりも若干優れており、グラフ予測のためのコンテキスト内学習機能を備えた基礎モデルの可能性を強調している。
さらに、時間的文脈を含むと精度が向上する。
関連論文リスト
- Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。
微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。
モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
論文 参考訳（メタデータ） (2025-09-28T07:07:13Z) - Data-driven models for production forecasting and decision supporting in petroleum reservoirs [0.0]
本稿では,データ駆動型アプローチと機械学習手法を用いてこの問題に対処することを提案する。
本研究の目的は,生産量として生成および注入された単純なデータに基づいて生産パラメータを予測する手法を開発することである。
論文 参考訳（メタデータ） (2025-08-21T19:48:58Z) - Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。
このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。
本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
論文 参考訳（メタデータ） (2025-03-14T02:58:24Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Arbitrary-Scale Downscaling of Tidal Current Data Using Implicit
Continuous Representation [7.688686113950605]
本稿では,潮流データに対する新しいダウンスケーリングフレームワークを提案し,その特性に対処する。
本フレームワークは, ベースラインモデルと比較して93.21% (MSE) および63.85% (MAE) の流量速度予測を著しく改善した。
論文 参考訳（メタデータ） (2024-01-29T05:16:19Z) - Fuel Consumption Prediction for a Passenger Ferry using Machine Learning
and In-service Data: A Comparative Study [5.516843968790116]
本稿では,旅客船から収集したサービス内データを用いて,燃料消費を予測するモデルを提案する。
最高の予測性能は、ブーチングアンサンブルアプローチであるXGboost技術を用いて開発されたモデルから得られる。
論文 参考訳（メタデータ） (2023-10-19T19:35:38Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。