出航前船舶燃油消耗预测中全局数据汇集的比较研究：相较于单船建模和基于适配的方法的优势

用于航次规划的燃油消耗（FOC）模型大多为单船模型，因此在各船自身记录范围之外的泛化能力较差。已有研究报告称，迁移学习和联邦学习表现更好，但这些研究采用的评估方案各不相同，且常使用出航前无法获取的输入或随机数据划分。因此，哪种方法表现最佳仍不明确。本研究在21艘船舶上比较了11种单船、基于适配及全局方法。为防止数据泄漏，所有方法均使用相同的、出航前已知或可预测的输入，不包括发动机转速和轴功率，并在时间上晚于各船全部训练记录的完整航段上进行测试。全局数据汇集方法使用一个模型，通过船舶身份标识和七项船舶规格参数描述各船，在所有考察的设置下，其整体表现均为最佳。对于船队内船舶，Global LightGBM的总体平均绝对百分比误差（MAPE）为8.92%，而Per-Ship LightGBM为11.14%，且前者优于所有单船模型和基于适配的模型。包括Transformer在内的五种架构的全局模型均优于单船模型和联邦学习模型。针对各船对全局模型进行微调，即使采用Transformer的低秩适配，也未能提高准确性。在完全没有某艘船记录的情况下，全局模型的MAPE中位数达到11.20%，并且在21艘船中的14艘上，优于使用该船记录训练的单船模型。将该船最初的一批记录加入汇集数据，其准确性与针对该船进行专门适配相当。对于船队内船舶，船舶身份标识和规格参数在很大程度上可以相互替代，但只有规格参数能够支持零样本预测。随着船舶规格参数与船队的差异增大，其预测误差也随之增大。因此，在公平比较条件下，单船模型和针对特定船舶的适配并无必要。一个全局模型即可服务整个船队，包括规格参数相近的新交付船舶。