Assessing the magnitude of fuel consumption of marine traffic is a challenging task. The consumption can be reduced by the ways the vessels are operated, to achieve both improved cost efficiency and reduced CO2 emissions. Mathematical models for predicting ships' consumption are in a central role in both of these tasks. Nowadays, many ships are equipped with data collection systems, which enable data-based calibration of the consumption models. Typically this calibration procedure is carried out independently for each particular ship, using only data collected from the ship in question. In this paper, we demonstrate a hierarchical Bayesian modeling approach, where we fit a single model over many vessels, with the assumption that the parameters of vessels of same type and similar characteristics (e.g. vessel size) are likely close to each other. The benefits of such an approach are two-fold; 1) we can borrow information about parameters that are not well informed by the vessel-specific data using data from similar ships, and 2) we can use the final hierarchical model to predict the behavior of a vessel from which we don't have any data, based only on its characteristics. In this paper, we discuss the basic concept and present a first simple version of the model. We apply the Stan statistical modeling tool for the model fitting and use real data from 64 cruise ships collected via the widely used commercial Eniram platform. By using Bayesian statistical methods we obtain uncertainties for the model predictions, too. The prediction accuracy of the model is compared to an existing data-free modeling approach.


翻译:评估海上交通燃料消耗量的规模是一项艰巨的任务。通过船舶的运作方式,可以降低消耗量,提高成本效率和减少二氧化碳排放量。预测船舶消耗量的数学模型在这两项任务中都起着中心作用。如今,许多船舶都配备了数据收集系统,能够对消费模型进行基于数据的校准。通常,这种校准程序是针对每艘特定船舶独立进行的,只使用从有关船舶收集的数据。在本文件中,我们展示了一种无等级的贝叶西亚模式,我们把一个单一模型放在许多船舶上,假设同一类型和类似特性的船舶参数(例如船舶大小)可能彼此接近。这种方法的好处是双重的;1 我们可以借用关于使用类似船舶的数据来获得船舶特定数据不甚佳的参数的信息。2 我们可以使用最后等级模式来预测我们没有任何数据的船只的行为,我们仅根据这些模型的特性来使用。在本文中,我们讨论同一类型和类似特性的船舶的参数参数(例如船舶大小)的参数可能彼此接近。这种方法的好处是双重的;1,我们可以借用使用从船舶收集的统计模型中获取的简单数据来进行统计的模型。我们从数据库中获取的模型。我们用一个数据库的模型来进行比较。

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年6月27日
Arxiv
0+阅读 · 2021年6月25日
Deep Learning
Arxiv
6+阅读 · 2018年8月3日
Arxiv
7+阅读 · 2018年3月22日
VIP会员
相关VIP内容
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
Arxiv
0+阅读 · 2021年6月27日
Arxiv
0+阅读 · 2021年6月25日
Deep Learning
Arxiv
6+阅读 · 2018年8月3日
Arxiv
7+阅读 · 2018年3月22日
Top
微信扫码咨询专知VIP会员