《Journal of Marine Science and Engineering》:Physics-Informed Machine Learning with Monotonic Constraints for Daily Fuel Consumption and CII Prediction of Ships
编辑推荐:
中文摘要翻译
随着国际海事组织(IMO)碳强度指数(CII)法规的年度折减系数逐步收紧,在航次前根据营运条件预测船舶燃油消耗已变得至关重要。然而,现有的数据驱动预测器存在两个方法论盲区:可能产生非物理响应,以及随机验证划分带来的乐观偏差。本研究提出了一种物理信
中文摘要翻译
随着国际海事组织(IMO)碳强度指数(CII)法规的年度折减系数逐步收紧,在航次前根据营运条件预测船舶燃油消耗已变得至关重要。然而,现有的数据驱动预测器存在两个方法论盲区:可能产生非物理响应,以及随机验证划分带来的乐观偏差。本研究提出了一种物理信息机器学习框架,用于预测船舶总日燃油消耗(包括推进、酒店及辅助负荷),该框架将“在给定航速下,燃油消耗不得随天气恶化而下降”的物理要求(偏单调性)作为显式单调约束施加于随机森林(RF)和XGBoost模型。该框架与反映IMO海上环境保护委员会(MEPC)决议的CII计算引擎耦合,并在一种防止营运时间序列信息泄漏的协议下进行验证:在带缓冲区、跨重复轮换的连续时间块上进行验证;遵循相同时间块规则的交叉验证折(分裂一致的袋外(OOF)预测);以及移除目标可算术推导出的输入变量的审计。该框架与数据集无关;其实证验证基于公开可用的实测数据。在三艘不同类型、尺寸和推进系统的船舶实测数据上,受约束的XGBoost实现了R2 = 0.943 ± 0.007,且无精度损失(ΔR2 = +0.006),同时完全消除了累积局部效应(ALE)中的非物理逆转(8、7和9 → 0)。随机分裂的乐观偏差被量化为+0.032,这是相对于种子级离散度的系统性差异,而船舶固定效应回归表明,燃油消耗的速度弹性——速度-燃油幂律的指数——无法从年度公开聚合数据中识别。当预测燃油消耗转换为CII时,平均绝对百分比误差(MAPE)为6.80%,预测评级与实测评级在80.6%的记录中一致(95.8%在一个等级内)。在已验证的三艘船舶范围内,这些结果表明该框架可作为CII规划的航次前筛选工具;对主流货船的验证仍有待开展。
论文解读文章
一、研究背景与问题提出
在国际海事组织(IMO)2023年修订的温室气体战略框架下,自2023年起,所有从事国际航行、总吨位5000及以上的船舶须每年计算营运碳强度指数(Carbon Intensity Indicator, CII)并获得A至E的评级。CII被定义为年度CO2排放量除以船舶容量与航行距离的乘积。由于CII的年度折减系数逐年加强,即使船舶保持完全相同的营运模式,其评级也可能随时间推移而恶化。然而,当前CII评估仅在事后依据年度聚合报告确认评级。为使船东和营运人能够在航次规划阶段定量比较减速航行或燃料切换等应对措施,亟需一种能够根据航速和天气等营运条件提前预测燃油消耗,并将预测与CII评级计算相衔接的技术。
近年来,基于实测营运数据的机器学习燃油消耗与推进功率预测研究迅速积累,多种回归算法、深度学习方法及灰箱模型被相继提出,且普遍证明树集成和神经网络在预测精度上优于物理和统计模型。然而,现有研究存在两个方法论盲区。第一,纯数据驱动模型可能产生非物理响应——例如在给定航速下,预测燃油消耗随天气恶化而下降——这源于训练数据中的噪声和局部偏差,但此类响应的存在很少被系统诊断。第二,大多数报告的性能指标依赖随机训练-测试划分;在营运时间序列中,时间相邻记录间的信息泄漏使随机划分高估模型在真正未见未来时段上的性能,且这一乐观偏差的幅度从未被量化。
此外,尽管欧盟MRV等年度聚合公开数据被广泛利用,但速度弹性(速度-燃油关系的指数)能否从年度分辨率数据中统计识别这一问题从未被检验。物理信息方法通过将物理知识嵌入学习过程提供了有前景的解决途径,但尚无研究将单调约束这一轻量级物理先验同时应用于船舶燃油消耗预测,并量化约束带来的精度变化、非物理响应的消除,以及结合泄漏控制验证协议和CII评级预测精度。
二、研究内容与主要结论
针对上述问题,本研究提出了一种带单调约束的物理信息机器学习框架,用于与IMO CII法规衔接的航次前日燃油消耗预测。预测目标为船舶总日燃油消耗——推进、酒店及辅助负荷之和——因为该量是进入CII计算的量。框架本身具有通用性,其数据摄取、CII引擎、约束规范和验证协议仅取决于输入变量的物理意义,而非特定船舶或数据集。其实证验证基于公开可用的实测营运数据——两艘邮轮和一艘近海支援船——因此本研究应视为概念验证,其定量发现有待在主流货船上确认。
研究得出以下主要结论。第一,受约束的XGBoost在时间块划分下达到R2 = 0.943 ± 0.007,超过物理模型(0.386)、线性回归(0.716)、随机森林(0.928)和未受约束的XGBoost(0.937),且约束未造成精度损失(ΔR2 = +0.006;标准差从0.016降至0.007)。第二,三艘船上的非物理ALE逆转段被完全消除(8、7和9 → 0),表明物理有效性与预测精度的同时实现在三种船型上得到复现。第三,随机分裂的乐观偏差被量化为+0.032,并确认为相对于种子级离散度的系统性、不重叠差异。第四,船舶固定效应回归表明速度弹性无法从年度聚合公开数据中识别,确立了数据角色分离原则。第五,基于预测燃油的CII实现了6.80%的MAPE和80.6%的评级一致率(95.8%在一个等级内),该精度支持已验证船舶的航次前评级筛选和中期规划。
三、关键技术方法
研究人员采用了以下主要技术方法。其一,单调约束集成学习:将偏单调性约束(在给定航速和固定相对方向上,预测燃油消耗不得随天气严重度变量增加而下降)作为显式约束施加于随机森林(RF)和XGBoost模型,通过scikit-learn的monotonic_cst和XGBoost的monotone_constraints设施在树构建算法内部强制执行。其二,泄漏控制验证协议:采用带缓冲区(每侧2%)的连续20%时间块作为验证集,块位置按fold = seed mod n_fold规则在五个区段间轮换;交叉验证遵循相同时间块规则的分裂一致袋外(OOF)预测;并在训练前执行泄漏审计,移除目标可算术推导出的输入变量。其三,CII计算引擎:反映IMO MEPC决议的参考线、折减系数、碳转换因子和评级边界,将预测燃油消耗通过每日CII类指标转换为评级。其四,速度弹性可识别性分析:通过船舶固定效应回归和构造性恒等式推导,证明从EU MRV年度聚合数据中无法识别速度弹性。研究使用的样本来源包括公开的EU MRV年度聚合数据集(2018–2025年合并面板,24,845艘船,100,550行)和FuelCast开放实测数据集(三艘船:大型邮轮Poseidon、小型邮轮Triton、近海支援船Ceto)。
四、研究结果
4.1 年度聚合数据中速度弹性的不可识别性
研究人员在EU MRV面板上估计了船舶固定效应回归。全面板组内估计为b = 0.819 ± 0.007(95,040观测,19,335艘船),与物理预期b ≈ n = 3严重不符;混合和双向固定效应规格分别得到b = 1.549 ± 0.015和b = 0.817 ± 0.008,结论相同。分船型组内估计仅从0.452(客船)到1.004(集装箱船)——均远低于3——且集装箱船的b = 1.004 ± 0.015本质上为等式(8)的单位斜率,协方差项消失,直接证明该系数受构造性恒等式而非流体动力学支配。相比之下,日度实测数据包含独立于燃油记录观测的充分组内速度变化,使速度-燃油响应可识别。这些结果实证确认了推导的不可识别性,并证明了数据角色分离的合理性。
4.2 基线比较与乐观偏差量化
在相同时间块划分协议下(五次重复),对Poseidon船,立方律物理模型仅达R2 = 0.386 ± 0.179,线性回归为0.716 ± 0.055。树集成远超基线:RF记录0.928 ± 0.014,XGBoost记录0.937 ± 0.016,而单调约束XGBoost达0.943 ± 0.007,同时实现最高平均精度和最低离散度。约束引起的性能变化为ΔR2 = +0.006;限制预测自由度不仅未造成退化,还将五种子标准差从0.016降至0.007,表明单调约束起到抑制噪声拟合的正则化作用。随机分裂报告R2 = 0.975 ± 0.001,而时间块分裂报告0.943 ± 0.007,将随机分裂的乐观偏差量化为+0.032。该偏差相对于种子级离散度(0.001和0.007)是系统性差异,其幅度约为时间块离散度的4.6倍,两协议均值±标准差区间完全不重叠。在分裂一致OOF交叉验证下,受约束XGBoost记录R2 = 0.956 ± 0.001,RMSE为7.043 ± 0.087 t/天,MAE为4.886 ± 0.107 t/天,RAAE为0.146 ± 0.003,RMAE为1.731 ± 0.041,全面优于RF。嵌套搜索表明调优仅带来不到0.01的改进,不改变结论。
4.3 物理单调约束的效果
在实测天气范围内的20个等频分箱上,未受约束的XGBoost表现出非物理逆转段——预测燃油随有效波高增加而下降——Poseidon为8个分箱,Triton为7个,Ceto为9个。最大单次相邻分箱下降为Poseidon 1.23 t/天、Triton 0.23 t/天、Ceto 1.81 t/天,分别为各船平均日燃油消耗的1.4%、1.3%和6.1%。逆转集中在低至中等波高范围(Poseidon 0.24–1.1 m,Triton 0.3–1.6 m,Ceto 0.3–2.1 m),三船模式一致。原因是该范围内真实天气效应很小(每天几分之一吨),未受约束分裂估计的局部斜率由残差噪声和与温和天气相关的变量决定。施加约束后,三船逆转数均降为零,而高波高区域的上升ALE斜率与未受约束情况相似,确认约束不扭曲真实的天气-燃油信号。结合精度结果,“无精度损失加完全逆转消除”在三艘不同类型、尺寸和推进系统船舶上的复现,证明单调约束的效果不局限于特定船舶或数据特征。
4.4 受约束模型的天气敏感性
在12.8、16.4和20.1 kn三个营运速度(观测速度分布的15、50和85百分位)下,预测日燃油消耗在实测范围内随风速增加单调上升,且每风速增量的附加燃油随营运速度增长。天气对CII的影响以相对CII表示(静水天气营运点归一化为100),恶劣天气曲线在整个速度范围内相对静水曲线向上移动,降低维持给定评级的容许速度。这些结果符合减速航行的边际燃油节省在恶劣天气下增加的物理直觉,且因单调约束保证整条敏感性曲线的物理一致性,曲线可直接用于营运决策支持。在实测风速范围内,预测日燃油消耗在20.1 kn时上升约5 t/天(约为静水值的4%),在16.4 kn时约1.5 t/天(约2%),在12.8 kn时小于1 t/天(约1%),即风效应在最高速度下与OOF MAE(4.9 t/天)同量级,在较低速度下更小,因此曲线作为方向性决策支持信息而非点预测呈现。
4.5 CII与评级预测精度
基于OOF预测燃油消耗转换的CII预测实现MAPE为6.80%(中位数5.01%),MAE为0.705,RMSE为1.470 gCO2/(容量·nm)。应用MEPC.354(78)评级边界,预测与实测评级一致率为80.6%,一个等级内一致率为95.8%。按实测日CII距最近边界的相对距离分层:距边界2%以内的记录(占18%)仅51%正确评级,2%至5%之间(占24%)为62%,距任何边界超过10%的记录(占52%)正确评级率达98.5%,每个区带的一个等级内一致率均超过93%。当每条记录的预测CII被扰动±2%、±5%和±6.8%(MAPE)时,预测等级分别对18%、42%和45%的记录发生变化,量化了不一致中边界邻近而非模型误差的贡献。在法规运作的层面,将每个验证块通过等式(13)聚合为年度等效CII,五个块的误差在?3.6%至+3.4%之间,预测评级在四个块上与实测一致,一个块差一个等级(该块实测值距边界2.9%)。在记录中位天气下,Poseidon的达到CII对营运速度曲线呈U形,最小值在13–14 kn附近,保持A级评级的最大速度(18.6 kn)从与A/B边界交点读出。在年度加强折减系数下,中位速度(16.4 kn)保持A级至2029年并于2030年变为B级,而85百分位速度(20.1 kn)于2026年从B降为C并于2030年降为D。
五、讨论与结论
讨论部分指出,物理单调约束的施加完全消除了预测中的非物理逆转且无精度损失,这一发现在三种不同船型上一致复现。在实测营运数据中,天气变量的局部样本密度极不均匀,未受约束的树分裂倾向于直接拟合低密度区域的噪声;单调约束作为方向性正则化器防止了此类噪声拟合,这由五种子标准差从0.016降至0.007得到有力支持。只要先验领域知识不与数据根本冲突,物理约束通过方差降低实际促进模型泛化。乐观偏差+0.032是相对于种子级离散度的系统性、不重叠差异,表明对自相关营运时间序列的随机验证因结构原因而非偶然高估模型性能;偏差幅度取决于序列自相关长度、营运包络被重新访问的比例等因素,须在每个数据集上测量。固定效应结果(b = 0.819 ± 0.007对物理预期b ≈ n = 3)表明从年度分辨率MRV公开数据估计速度弹性受构造性恒等式扭曲,为“数据角色分离原则”提供了实证基础,该原则通过三个测试(Q1:速度或距离是否独立于燃油记录观测;Q2:输入是否为目标可算术推导的量;Q3:记录是否时间有序且自相关)将数据源分配到评级诊断或速度-天气-燃油学习。预测与计算的衔接支持航次前评级诊断,记录级精确一致率80.6%、一个等级内95.8%,块级年度等效CII误差在±3.6%以内。模型定量评估评级保持速度极限并预测折减系数加强下的评级下降年份,将框架效用从单一年度诊断扩展到中期营运规划。营运人可按五步使用框架:上传日度营运记录、训练受约束模型并读取OOF精度与乐观偏差、输入计划航次剖面获取预测燃油与敏感性曲线、转换CII并读取评级带与评级下降年份、比较应对措施。但须注意评级边界附近微小预测误差即可翻转等级,框架应定位为稳健的航次前筛选工具而非官方验证的替代。
研究局限性包括:定量发现在三艘开放实测数据船舶上建立,不能声称超出其范围具有普遍性,对主流货船需三项调整——装载状态变量须进入特征向量(吃水或排水量作为固定速度下+1约束的候选,纵倾保持不受约束),压载和满载航段应在时间块轮换中作为独立状态处理,等式(12)中的容量变为载重吨;日度分辨率数据固有地平均了航次内天气变化,未来应通过AIS位置与ERA5再分析数据关联纳入航次和小时级数据;吃水和纵倾等关键装载状态变量在当前数据集中缺失,对具有显著压载-满载循环的货船是一阶因素;当前单调约束仅施加单变量方向性,扩展到多元交互的物理信息约束是未来重要方向。
结论部分总结:(1)受约束XGBoost在时间块划分下达R2 = 0.943 ± 0.007,超过物理模型(0.386)、线性回归(0.716)、RF(0.928)和未受约束XGBoost(0.937),约束无精度损失(ΔR2 = +0.006;标准差0.016 → 0.007)。(2)三艘船的非物理ALE逆转段被完全消除(8、7和9 → 0),物理有效性与预测精度的同时实现在三种船型上复现。(3)随机分裂乐观偏差量化为+0.032,确认为相对于种子级离散度的系统性、不重叠差异。(4)船舶固定效应回归显示速度弹性无法从年度聚合公开数据识别,确立了数据角色分离原则。(5)预测燃油CII实现MAPE 6.80%和评级一致率80.6%(95.8%一个等级内),支持已验证船舶的航次前评级筛选和中期规划。这些结论来自两艘邮轮和一艘近海支援船,构成概念验证;其推广到带装载状态变量的主流货船前不能视为普遍结论。未来工作将扩展到更多船型、基于AIS和ERA5数据的航次级天气遭遇建模、装载状态变量集成以及交互感知物理约束的泛化。