摘要
远洋船舶是全球贸易和物流的重要组成部分，其油耗是影响运营成本和环境效益的重要因素。船舶油耗预测是航运管理和航行计划优化的重要手段，通过对船舶油耗进行预测能够优化航线、节约燃油、减少污染排放，提高航运企业的经济效益和社会责任感。当前，随着船舶自动化和信息化技术的不断发展，船舶装备的传感器和通信设备越来越普及，已经能够实时获取海洋环境、船舶状态、船舶运行数据等信息。这些数据可以作为油耗预测的重要输入，利用机器学习、数据挖掘等技术，建立精准的船舶油耗预测模型，实现对船舶运行成本和环境效益的优化。 随着物联网技术和通信技术在海洋、海事领域的深入应用，数据驱动的模型成为船舶油耗预测研究的热点。然而，线性回归（LR）、支持向量回归（SVR）、反向传播神经网络（BPNN）等模型皆存在可解释性差的问题，无法直观提取各因素的内在联系，此外还会因数据的局限性使得模型产生过拟合现象。针对上述问题，本文将深度学习的时序特征表示能力与模糊认知图（FCM）的因果推理能力相结合，提出了一种基于TCN-FCM的船舶油耗预测模型。其主要成果如下： （1）本文采用TCN来提取时间序列中的特征，通过堆叠多个卷积层，实现多尺度特征提取，并且将TCN提取的特征作为FCM中的节点，以进一步分析时间序列数据的结构和特征。 （2）本文采用在神经网络模型的基础上增加模糊逻辑的方法构建了一种模糊认知图（FCM），通过FCM来建立不同节点之间的关系，通过不断调整FCM中的权重，来预测油耗情况，并且可以探索不同油耗影响因素之间的相互作用，增加了模型的可解释性。 （3）本文采用了TCN-FCM模型对实船数据油耗进行预测，并验证了基于TCN-FCM的远洋船舶油耗预测模型的准确性和实用性，该模型能准确分析船舶航行环境与油耗间的关系，为船舶油耗的控制和管理提供依据。
NETL