論文の概要: Comparative study of global pooling for pre-departure ship fuel consumption prediction: Advantages over per-ship and adaptation-based approaches

• arxiv url: http://arxiv.org/abs/2611.03015v1
• Date: Mon, 02 Nov 2026 12:14:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:55:26.214296
• Title: Comparative study of global pooling for pre-departure ship fuel consumption prediction: Advantages over per-ship and adaptation-based approaches
• Title（参考訳）: 船内燃費予測のためのグローバルプールの比較研究:船内給油法と適応型アプローチに対するアドバンテージ
• Abstract要約: 航海計画のための燃料消費モデルのほとんどは船ごとのモデルである。 艦艇21隻について, 艦船1隻当たり11隻, 適応型, グローバルな手法を比較した。
• 参考スコア（独自算出の注目度）: 5.033817441082188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most fuel oil consumption (FOC) models for voyage planning are per-ship models and thus generalize poorly beyond each vessel's records. Transfer and federated learning have been reported to perform better, but under different protocols that often use inputs unavailable before departure or random data splits. It therefore remains unclear which approach performs best. In this study, we compare 11 per-ship, adaptation-based, and global methods on 21 vessels. To prevent leakage, all methods receive identical inputs known or forecast before departure, excluding engine RPM and shaft power, and are tested on intact voyage legs after all training records of each vessel. Global pooling, in which one model describes each vessel by its ship identity and seven ship specifications, performs best overall in every setting examined. For in-fleet vessels, Global LightGBM reaches an overall MAPE of 8.92%, against 11.14% for Per-Ship LightGBM, and outperforms every per-ship and adaptation-based model. Global models of five architectures, including a Transformer, all outperform the per-ship and federated models. Fine-tuning a global model for each vessel, even by low-rank adaptation of the Transformer, adds no accuracy. Without any records of a vessel, the global model reaches a median MAPE of 11.20% and outperforms a per-ship model trained on that vessel's records for 14 of 21 vessels. Adding its first records to the pooled data is as accurate as vessel-specific adaptation. Ship identity and specifications are largely interchangeable for in-fleet vessels, but only the specifications support zero-shot prediction. Its error grows as a vessel's specifications differ from the fleet's. Per-ship models and vessel-specific adaptation are therefore unnecessary under fair comparison. One global model can serve a whole fleet, including newly delivered vessels with similar specifications.
• Abstract（参考訳）: 航海計画のためのほとんどの燃料消費モデル(FOC)は船ごとのモデルであり、そのため各船の記録をはるかに超えるほどに一般化されている。 転送とフェデレートされた学習は、より良いパフォーマンスを示すと報告されているが、出発前やランダムなデータ分割前にしばしば使用できない入力を使用する異なるプロトコルの下では、より優れている。 したがって、どのアプローチが最善かは定かではない。 本研究では,21隻の船舶について,艦船1隻当たり11,適応型およびグローバルな手法を比較した。 漏れを防止するため、全ての手法はエンジンRPMとシャフトパワーを除いて出発前に同じ入力または予測を受け、各船の訓練記録の後に無傷の航海脚で試験される。 グローバルプール(Global pooling)は、1つのモデルで船の身元と7つの船の仕様を記述し、調査された各設定で最高に機能する。 飛行船の場合、Global LightGBMは総MAPEが8.92%、Per-Ship LightGBMは11.14%に達し、艦船毎のモデルと適応ベースのモデルでパフォーマンスが向上する。 Transformerを含む5つのアーキテクチャのグローバルモデルは、すべてシップごとのモデルとフェデレートされたモデルより優れています。 トランスフォーマーの低ランク適応であっても、各容器のグローバルモデルを微調整すると、精度は向上しない。 船の記録がなければ、グローバルモデルは11.20%のMAPEに達し、21隻中14隻の船の記録に基づいて訓練された艦船ごとのモデルを上回っている。 プールされたデータに最初のレコードを追加することは、容器固有の適応と同じくらい正確です。 船舶の識別と仕様は、主に艦隊内艦艇と交換可能であるが、仕様はゼロショット予測をサポートしている。 船の仕様が艦隊と異なるため、その誤りは増大する。 したがって、船体ごとのモデルと船体ごとの適応は、公正な比較では不要である。 1つのグローバルモデルは、同様の仕様で新しく納入された船を含む、全艦を運用することができる。

関連論文リスト

• Self-Evolving World Models for LLM Agent Planning [72.99782619992361]
  我々はWorldEvolverを紹介した。WorldEvolverは、ダウンストリームエージェントとすべてのモデルパラメータを凍結したまま、デプロイメント時間コンテキストを更新する自己進化型ワールドモデルフレームワークである。 WorldEvolverは3つのバックボーンで最高の予測精度を達成し、下流エージェントの成功率で他のワールドモデルベースラインを導く。
  論文  参考訳（メタデータ） (2026-06-29T17:58:43Z)
• WUTDet: A 100K-Scale Ship Detection Dataset and Benchmarks with Dense Small Objects [68.44670476527155]
  WUTDetは100,576イメージと381,378のアノテートされた船舶インスタンスを備えた大規模な船舶検出データセットである。 CNN, Transformer, Mambaの3つの主流検出アーキテクチャから20のベースラインモデルを体系的に評価した。 Ship-GENの結果は、WUTDetでトレーニングされたモデルは、異なるデータ分布下でより強力な一般化を示すことを示している。
  論文  参考訳（メタデータ） (2026-04-09T03:28:05Z)
• From high-frequency sensors to noon reports: Using transfer learning for shaft power prediction in maritime [1.1135951251864944]
  本稿では,伝達学習に基づく船体シャフトパワーの予測手法を提案する。 モデルは、船からの高周波データに基づいて訓練され、その後、他の船からの低周波の昼の報告で微調整される。 実験の結果、姉妹船では平均絶対誤差が10.6%、類似船では3.6%、異船では5.3%減少した。
  論文  参考訳（メタデータ） (2025-10-03T13:47:16Z)
• Diffusion Bridge or Flow Matching? A Unifying Framework and Comparative Analysis [57.614436689939986]
  拡散ブリッジとフローマッチングは、任意の分布間の変換において魅力的な経験的性能を示した。 我々は,これらのフレームワークを最適制御のレンズを通して再キャストし,拡散橋のコスト関数が低いことを証明した。 これらの理論的主張を裏付けるために,潜伏変圧器上に構築された拡散橋の新しい強力なアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-09-29T09:45:22Z)
• 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)
• Predicting Barge Presence and Quantity on Inland Waterways using Vessel Tracking Data: A Machine Learning Approach [0.0]
  本研究では,内陸水路における船舶輸送量を予測するための機械学習手法を提案する。 AISはタグと曳航船の位置を追跡しているが、これらの船によって輸送される船舶の存在や数を監視していない。 この知見は、水路の管理やインフラ運営が目標の干ばつ活動のような地域に影響を与えることにも有用である。
  論文  参考訳（メタデータ） (2024-12-31T19:28:21Z)
• On the Generalization Properties of Deep Learning for Aircraft Fuel Flow Estimation Models [2.7336487680215815]
  本稿では,燃料消費予測におけるディープラーニングモデルの一般化能力について検討する。 本稿では,ニューラルネットワークアーキテクチャとドメイン一般化技術を統合する新しい手法を提案する。 以前は目に見えない航空機に対して、航空機へのノイズの導入とエンジンパラメーターはモデルの一般化を改善した。
  論文  参考訳（メタデータ） (2024-10-10T08:34:19Z)
• PerAda: Parameter-Efficient Federated Learning Personalization with Generalization Guarantees [95.87604231887353]
  既存のpFL手法は高い通信コストと計算コストをもたらすか、テスト通信に弱い。 PerAdaではパラメータ蒸留とpFL pFLが特に試験時間分布において優れた性能を示す。 私たちのコードはhttps://github.com/NV/PerAda.comで公開されています。
  論文  参考訳（メタデータ） (2023-02-13T19:00:37Z)

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。