論文の概要: Estimation and Optimization of Ship Fuel Consumption in Maritime: Review, Challenges and Future Directions
- arxiv url: http://arxiv.org/abs/2602.21959v1
- Date: Wed, 25 Feb 2026 14:41:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-26 18:19:16.867944
- Title: Estimation and Optimization of Ship Fuel Consumption in Maritime: Review, Challenges and Future Directions
- Title（参考訳）: 海上における船舶燃料消費量の推定と最適化--展望, 課題, 今後の方向性
- Authors: Dusica Marijan, Hamza Haruna Mohammed, Bakht Zaman,
- Abstract要約: 本報告では, 海上輸送における燃料消費の予測と最適化手法について概観する。
我々は、AIS、オンボードセンサー、気象データを組み合わせて精度を高めるデータ融合技術の重要性を強調した。
データ品質、可用性、リアルタイム最適化の必要性など、非常に重要な課題が特定されている。
- 参考スコア（独自算出の注目度）: 1.1470070927586018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To reduce carbon emissions and minimize shipping costs, improving the fuel efficiency of ships is crucial. Various measures are taken to reduce the total fuel consumption of ships, including optimizing vessel parameters and selecting routes with the lowest fuel consumption. Different estimation methods are proposed for predicting fuel consumption, while various optimization methods are proposed to minimize fuel oil consumption. This paper provides a comprehensive review of methods for estimating and optimizing fuel oil consumption in maritime transport. Our novel contributions include categorizing fuel oil consumption \& estimation methods into physics-based, machine-learning, and hybrid models, exploring their strengths and limitations. Furthermore, we highlight the importance of data fusion techniques, which combine AIS, onboard sensors, and meteorological data to enhance accuracy. We make the first attempt to discuss the emerging role of Explainable AI in enhancing model transparency for decision-making. Uniquely, key challenges, including data quality, availability, and the need for real-time optimization, are identified, and future research directions are proposed to address these gaps, with a focus on hybrid models, real-time optimization, and the standardization of datasets.
- Abstract（参考訳）: 二酸化炭素排出量を削減し、輸送コストを最小化するためには、船舶の燃料効率を向上させることが不可欠である。
船舶の燃料消費量を抑えるため、船舶のパラメータを最適化し、燃料消費量を最も低いルートを選択するなど、様々な措置が取られる。
燃料消費の予測には異なる推定法が提案され、燃料消費の最小化には様々な最適化法が提案されている。
本報告では, 海上輸送における燃料消費の予測と最適化手法について概観する。
我々の新しい貢献には、燃料の消費を物理ベース、機械学習、ハイブリッドモデルに分類し、その強さと限界を探求することが含まれる。
さらに、AIS、オンボードセンサー、気象データを組み合わせて精度を高めるデータ融合技術の重要性を強調した。
我々は、意思決定におけるモデルの透明性を高める上で、Explainable AIが果たす役割について、初めて議論する。
データ品質、可用性、リアルタイム最適化の必要性といった重要な課題が特定され、これらのギャップに対処するための今後の研究方向が提案され、ハイブリッドモデル、リアルタイム最適化、データセットの標準化に焦点が当てられている。
関連論文リスト
- Data-driven jet fuel demand forecasting: A case study of Copenhagen Airport [43.17090130312271]
デンマークの大手航空燃料流通業者から得られた大量のデータを用いて,データ駆動型アプローチの性能評価を行った。
本分析では,従来の時系列モデル,Prophet,LSTMシーケンス・ツー・シーケンスニューラルネットワーク,ハイブリッドモデルの予測能力を比較した。
データ駆動アプローチの信頼性を確保し、実践者に貴重な洞察を提供するために、3つの異なるデータセットを分析します。
論文 参考訳（メタデータ） (2025-11-04T11:45:58Z) - FuelCast: Benchmarking Tabular and Temporal Models for Ship Fuel Consumption [40.66746563566378]
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。
論文 参考訳（メタデータ） (2025-10-09T13:38:46Z) - Data Fusion and Machine Learning for Ship Fuel Consumption Modelling -- A Case of Bulk Carrier Vessel [0.7603018443428445]
エネルギー効率操作指標(EEOI)のような主要な性能指標は、燃料効率に重点を置いている。
これらのアプローチの理論的基礎は、帆走速度、変位、トリム、気候、および海の状態の関数として、燃料消費の正確な予測にある。
本研究は,コペルニクス海洋環境モニタリングサービス (CMEMS) の気象観測データを19パラメータ,欧州中距離気象予報センター (ECMWF) を61パラメータで統合した。
論文 参考訳（メタデータ） (2025-09-15T10:01:14Z) - Exploiting Prior Knowledge in Preferential Learning of Individualized Autonomous Vehicle Driving Styles [41.94295877935867]
自動車両の軌道計画では、一般的に移動地平線上を最適化するモデル予測制御を用いる。
乗客に好まれる運転スタイルをもたらす適切なコスト関数を見つけることは、現在進行中の課題である。
我々は、乗客の好みを反復的にクエリすることでコスト関数の学習に優先的なベイズ最適化を用いる。
論文 参考訳（メタデータ） (2025-03-19T16:47:56Z) - NPC: Neural Predictive Control for Fuel-Efficient Autonomous Trucks [31.02279745978277]
燃料効率は、石油を動力とするトラックによる長距離貨物輸送の重要な側面である。
現在の予測制御法は、車両力学とエンジンの正確なモデルに依存している。
車両に物理モデルを用いない純データ駆動型ニューラル予測制御(NPC)を提案する。
論文 参考訳（メタデータ） (2024-12-18T08:57:05Z) - Hierarchical Features Matter: A Deep Exploration of Progressive Parameterization Method for Dataset Distillation [44.03611131165989]
階層型生成蒸留(H-PD)と呼ばれる新しい生成パラメータ化法を提案する。
提案したH-PDは、等価な時間消費で様々な設定で大幅な性能向上を実現している。
IPC=1, IPC=10の超過圧縮比下での拡散モデルを用いて, 現在の再生蒸留を超越している。
論文 参考訳（メタデータ） (2024-06-09T09:15:54Z) - A Preference-aware Meta-optimization Framework for Personalized Vehicle
Energy Consumption Estimation [0.0]
自動車エネルギー消費の推定は、所定の旅行に必要な総エネルギーを、開始前に予測することを目的としている。
既存のアプローチは主に、VEC推定を改善するために典型的な旅行から統計的に重要な要素を抽出することに焦点を当てている。
本稿では、自動車のエネルギー消費のパーソナライズのための好みを考慮したメタ最適化フレームワークMeta-Pecを提案する。
論文 参考訳（メタデータ） (2023-06-26T05:03:24Z) - Predict+Optimize Problem in Renewable Energy Scheduling [31.032838966665828]
本稿では IEEE-CIS Technical Challenge on Predict+ for Renewable Energy Scheduling のソリューションをベンチマークする。
光GBMアンサンブルを用いた最適化手法は、少なくとも2%のエネルギーコスト削減を実現した。
この研究の新規性は、現実の再生可能エネルギースケジューリング問題に適用される予測+方法論の包括的評価にある。
論文 参考訳（メタデータ） (2022-12-21T02:34:12Z) - Interpretable Machine Learning Models for Predicting and Explaining
Vehicle Fuel Consumption Anomalies [2.28438857884398]
我々は,異常燃料消費の潜在的な原因を説明するために,教師なし異常検出技術,ドメイン知識,解釈可能な機械学習モデルを組み合わせる。
結果は、さまざまな種類の産業車両のディーゼル車やガソリン車に接続されたテレマティクス機器の実際のデータに基づいて評価される。
燃料の削減が達成できる可能性は35%である。
論文 参考訳（メタデータ） (2020-10-28T16:50:17Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳（メタデータ） (2020-02-21T07:29:15Z)
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。