中国航海

基于航行观测数据的船舶油耗智能预测方法比较研究

PDF下载

陈辰 ¹^,²^,^* , 刘兆东 ¹ , 何广华 ³ , 干伟东 ⁴ , 彭耀武 ¹ , 刘文韬 ¹

中国航海 | 绿色航运 2026,49(1): 135-143

收起

中国航海 | 绿色航运 2026, 49(1): 135-143

基于航行观测数据的船舶油耗智能预测方法比较研究

全屏

陈辰¹^,²^,^*, 刘兆东¹, 何广华³, 干伟东⁴, 彭耀武¹, 刘文韬¹

作者信息

^1．武汉理工大学航运学院，湖北武汉 430063

^2．武汉理工大学水路交通控制全国重点实验室，湖北武汉 430063

^3．哈尔滨工业大学（威海）海洋工程学院，山东威海 264209

^4．交通运输部天津水运工程科学研究院，天津 300000

陈辰（1988—），男，特岗教授，博士，研究方向为船舶气象导航、绿色智能船舶、水上交通运输安全与环境保护。

通讯作者:

^*cc198895@hotmail.com

A comparative study of intelligent methods for predicting ship fuel consumption using navigation monitoring data

Chen CHEN¹^,²^,^*, Zhaodong LIU¹, Guanghua HE³, Weidong GAN⁴, Yaowu PENG¹, Wentao LIU¹

Affiliations

^1.School of Navigation, Wuhan University of Technology, Wuhan 430063, China

^2.State Key Laboratory of Maritime Technology and Safety, Wuhan University of Technology, Wuhan 430063, China

^3.School of Ocean Engineering, Harbin Institute of Technology, Weihai, Weihai 264209, China

^4.Tianjin Research Institute for Water Transport Engineer, M. O. T, Tianjin 300000, China

出版时间: 2026-02-25 doi: 10.3969/j.issn.1000-4653.2026.01.014

文章导航

摘要

收起

船舶燃油消耗预测在船舶航行决策和能效智能评估中起着至关重要的作用，对未来的海上自主水面船舶（MASS）而言更是如此。研究基于某全球航线28 000DWT散货船上的船舶实测数据采集系统，采集、分析了该船2010年至2016年在不同海域、不同装载状态、不同气象海况影响下的船舶航速、航向、船舶摇荡、主机转速、气象海况等船舶航行相关数据。然后，以实时波高、波向、航速、风速、纵摇角度、主机功率和主机转速为输入，构建了基于LightGBM算法的船舶油耗预测模型。最后，将模型预测结果与支持向量回归模型（SVR），长短期记忆网络（LSTM），门控循环单元（GRU），人工神经网络（ANN），极端梯度提升（XGBoost）等机器学习模型进行比较，其中LightGBM预测模型均方根误差（RMSE）降低7.26%，平均绝对误差（MAE）至少降低2.62%，决定系数R²提高0.23%，模型运行时间缩短73.76%。此外，根据船舶实际装载状况，将以上航行数据分为4组，进一步验证了所构建LightGBM模型在船舶油耗预测中的泛化应用能力。结果表明，文章所提出的LightGBM模型可用于预测船舶燃料消耗，同时兼顾准确性和运行效率，这有助于为同类型船舶选择最优船舶油耗预测方法提供参考。

关键词

船舶油耗预测 / 机器学习 / 航行观测数据 / LightGBM

Abstract

收起

Ship fuel consumption prediction plays a crucial role in navigation decision-making and the intelligent evaluation of energy efficiency, particularly for future Marine Autonomous Surface Ships (MASS). This study leverages an onboard measurement and data acquisition system installed on a 28, 000 DWT bulk carrier operating on global routes. With the system, navigation-related data from 2010 to 2016 across different sea areas, loading conditions, and meteorological and sea states were collected and analyzed, including ship speed, course, sway, main engine speed, and environmental parameters. Using real-time inputs such as wave height, wave direction, speed, wind speed, pitch angle, main engine power, and main engine speed, a fuel consumption prediction model was developed based on the lightGBM algorithm. The performance of this model was compared with other machine learning approaches, including Support Vector Regression（SVR）, Long Short-term Memory （LSTM）, Gated Recurrent Unit （GRU）, Artificial Neural Network （ANN）, and Extreme Gradient Boosting （XGBootst）. Results show that the proposed model achieves superior performance, with RMSE reduced by 7.26%, MAE reduced by at least 2.62%, R² increased by 0.23%, and runtime shortened by 73.76%. Furthermore, the navigation data was divided into four subsets based on actual loading conditions to further validate the generalization capability of the lightGBM model. The results indicate that the proposed LightGBM model provides an effective solution for predicting ship fuel consumption, striking a balance between accuracy and computation efficiency. This study also provides a valuable reference for selecting optimal fuel consumption prediction methods in comparable vessel types.

Key words

ship fuel consumption prediction / machine learning / navigation monitoring data / LightGBM

引用本文

陈辰, 刘兆东, 何广华, 干伟东, 彭耀武, 刘文韬. 基于航行观测数据的船舶油耗智能预测方法比较研究. 中国航海, 2026 , 49 (1) : 135 -143 . DOI: 10.3969/j.issn.1000-4653.2026.01.014

Chen CHEN, Zhaodong LIU, Guanghua HE, Weidong GAN, Yaowu PENG, Wentao LIU. A comparative study of intelligent methods for predicting ship fuel consumption using navigation monitoring data[J]. Navigation of China, 2026 , 49 (1) : 135 -143 . DOI: 10.3969/j.issn.1000-4653.2026.01.014

基金

收起

国家重点研发计划(2022YFC3302703)
国家自然科学基金项目(52201416)
湖北省自然科学基金项目(2023AFD099)

参考文献

收起

2026年第49卷第1期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.3969/j.issn.1000-4653.2026.01.014

接收时间：2025-02-23
首发时间：2026-05-19
出版时间：2026-02-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-02-23

基金

国家重点研发计划(2022YFC3302703)

国家自然科学基金项目(52201416)

湖北省自然科学基金项目(2023AFD099)

作者信息

^1．武汉理工大学航运学院，湖北武汉 430063

^2．武汉理工大学水路交通控制全国重点实验室，湖北武汉 430063

^3．哈尔滨工业大学（威海）海洋工程学院，山东威海 264209

^4．交通运输部天津水运工程科学研究院，天津 300000

通讯作者:

^*cc198895@hotmail.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/zghh/CN/10.3969/j.issn.1000-4653.2026.01.014

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT