Modeling Vessel Shaft Power from Noon Reports: Data Fusion Strategies for Deep Learning under varying Data Availability

世界経済は水の上で動いています。国際貿易の約80パーセントが船舶によって運ばれており、海上輸送は現代生活の見えないバックボーンとなっています。これらの巨大な船舶を効率的に稼働させ続けるために、オペレーターはエンジンがどの瞬間にどれだけのパワーを使用しているかを正確に理解する必要があります。この「軸出力（シャフトパワー）」と呼ばれる電力は、燃料消費量や船からの温室効果ガスの排出量と直接結びついています。船がより効率的に水の中を進めれば進むほど、燃焼する燃料は減り、空気はより清潔な状態に保たれます。しかし、この電力をリアルタイムで知ることは困難です。一部の最新鋭の船舶にはエンジンの性能を15分ごとに記録するハイテクセンサーが備わっていますが、多くの船舶はそれらなしで運用されています。その代わりに、彼らは乗組員による一日に一度の伝統的なログブックへの記入である「ヌーンレポート（正午報告書）」に頼っています。これらの日報は、速度、天候、エンジンの出力を含む航海の断片的なスナップショットを捉えていますが、連続的なモニタリングのような詳細さには欠けています。数十年にわたるこのデータのギャップにより、船舶のパフォーマンス予測や、燃料節約のためのルート最適化が困難となり、海運をよりクリーンにする取り組みにおける重大な盲点となってきました。

ノルウェーのシムラ・リサーチ・ラボラトリーの研究チームは、この空白を埋めるための新しい方法を開発しました。彼らは、高頻度のセンサーデータが欠落していても、疎な日常的なヌーンレポートと天気や海流に関する公開データを組み合わせることで、エンジンの出力を正確に予測することが可能かどうかを検証しました。テストのために、彼らはディープラーニングモデル（データからパターンを学習する人工知能の一種）を3種類構築しました。各モデルは異なる状況に合わせて設計されました。一つは履歴データが非常に少ない船舶用、もう一つは数ヶ月分のログを持つ船舶用、そして最後の一つは数年間の記録を持つ船舶用です。研究者たちは、これら3つのモデルを、8隻の大型バルクキャリア（散積み船）と7隻のタンカーという2つの全く異なるグループの船舶を用いてテストしました。その結果、日々のクルーのログと風、波、潮流に関する外部情報を融合させることで、出力予測の精度を大幅に向上させられることが分かりました。さらに重要なことに、最適な手法は、特定の船舶がいかに他の船舶と似ているかではなく、その船舶で利用可能なデータ量が何であるかに完全に依存するということを発見しました。

核心となる課題は、データの性質にあります。ヌーンレポートは一日の平均値を提供しますが、海洋の状態は常に変化しています。午前中に嵐に見舞われ、午後には穏やかな海になることもありますが、ログブックには一日を通して一つの数値しか記録されません。研究者たちは、エンジン出力を正確に予測するためには、失われた詳細な内容を再構成する必要があることに気づきました。そこで彼らは、日報を取り込み、「アップサンプリング」を行うことで、衛星気象マップや海洋電流モニターなどの公共ソースからのデータで隙間を埋めました。これにより、単なる一日のメモを、出来事の詳細なタイムラインへと変え、より豊かな旅の描写を作り出すことに成功したのです。しかし、この新しいデータを標準的なコンピュータモデルに入力しただけではうまくいきませんでした。なぜなら、モデルには依然として学ぶべき真の分単位の出力値が存在しないからです。研究者たちは、日次の要約のみを使用してモデルを教えるための新しい方法を考案しなければなりませんでした。

最初の、極めて少ないデータを用いる船舶向けののアプローチは、「転移学習（トランスファーラーニング）」と呼ばれる技術を用いました。これは、ある主題について深く学んだ学生が、わずかなノートしか持たない別の生徒に教えている様子を想像してください。研究者は、ある船舶の高精度なセンサーデータに基づいて訓練されたモデルをベースとし、それを日次ログしかない別の船舶に応用しました。物理法則を理解しているモデルの初期層を固定し、新しい船舶の限られたログを使って最終層のみを再学習させることで、知識を効果的に転移させたのです。この方法は、ほとんど履歴のない船舶に対して最も堅牢であることが証明され、わずか1ヶ月のデータでも信頼できる予測が可能となりました。また、テストされた特定のバルクキャリア艦隊とタンカー艦隊の間でのクロスフリート転移可能性も十分に示されましたが、本研究では単一のソース船舶を用いた評価であり、他の船舶カテゴリーへの一般化については検討されていないことが注記されています。

2ヶ月から4ヶ月のログを持つ中程度のデータ量の船舶については、別の戦略が最適であることが判明しました。このアプローチは、日誌を一編のパズルとして扱いました。モデルに対し、エンジンの出力を予測すると同時に、日次の平均に基づいた欠落している高頻度情報の詳細を再構成するという二つのタスクを同時に行うよう求めました。モデルに一日の基礎となるパターンを解く能力を持たせることで、シップの挙動についてのより優れた表現を獲得させたのです。研究者が「再構成ガイド付き学習（レコンストラクション・ガイデッド・ラーニング）」と呼ぶこの手法は、安定した中間地点を提供しました。これは、特定の期間の履歴を持つ船舶において、姉妹船から学ぶ必要がなく、かつ転移学習よりも高い信頼性と安定性を兼ね備えたバランスの良い手法でした。

6ヶ月以上の長期のログを持つ船舶の場合、第三の手法が明確な勝者となりました。「集計損失監督（アグリゲート・ロス・スーパービジョン）」として知られるこのメソッドは、モデルの学習方法を変えました。モデルはすべての瞬間ごとの出力を予測しようとするのではなく、一日の予測の平均値が実際の当日ログのエントリーと一致するように訓練されました。これにより、モデルは欠損データのノイズに惑わされることなく、船舶の運転における全体的な傾向やパターンを学習できました。十分な歴史的データがあれば、この手法は全アプローチの中で最も精度の高い予測を生み出し、他の2つを凌駕しました。それは、十分なデータさえあれば、モデルが船舶の挙動を高度に汎化できるようになり、たとえ日次のログのみで訓練されていたとしても、高価なセンサーデータと同等の詳細レベルで高頻度の出力を予測できることを実証しました。

新たな船舶に対して適切な手法を選択する方法に関して、興味深い発見がありました。研究者たちは、船舶間の物理的な類似性——サイズ、エンジンタイプ、あるいは速度など――こそが鍵になると予想していました。彼らは、二つの船舶がどれほど似ているかを測定するための複雑な指標を作成し、それが最良のモデル選択の指トリガーになることを期待しました。しかし、データによれば、この類似性とモデルの成功率との間には有意な関連性は認められませんでした。むしろ、最も信頼できる予測因子は、高度なモデリングを適用する前に、その船舶自身の日常的なログ自体がどれだけ出力を予測しやすいかということでした。もし自船のログがすでに一定程度予測可能であれば、転移学習法が最も適しており、逆にログの内容が混沌としている場合は、他の手法が必要となります。これは、オペレーターが優れたモデルを得るために「姉妹船」を探す必要はなく、自分たちの船が現在生み出しているデータの質を評価すればよいことを示唆しています。

研究はまた、開始にあたってどの程度のデータが必要かという実践的な問いにも答えています。転移学習法においては、同様の船舶の履歴を用いて訓練する場合、1ヶ月のデータだけで信頼できる予測を実現できることがわかりました。再構成法の場合は、安定した状態に至るまでに約4ヶ月のデータが必要です。集計損失法は最も正確ですが、信頼できる解決策に収束するには少なくとも6ヶ月のデータが必要となります。これらの閾値は、海運会社にとって明確なロードマップを提供します。つまり、新造船であれば転移学習法を用い、数ヶ月のログがあれば再構成法を用い、1年のログがあれば最高の精度を得るために集計損失法へ切り替えるべきだということです。

結論として、今回の研究は、適切な外部情報と正しい学習戦略を組み合わせることにより、希薄な日次データの限界を克服できることを示しています。本研究は、あらゆる船舶に適応する単一のモデルが存在することや、物理的な類似性が決定要因であることを否定しました。代わりに、利用可能な歴史的データ量が最も重要な変数であることを明らかにしました。データ提供体制に合わせたモデリング手法を採用することで、日々の単純なログを、船舶の性能監視のための強力なツールに変えることができます。この能力により、全ての船舶に高価なセンサーを設置することなく、オペレーターはルートを最適化し、燃料消費量を削減できます。今回の知見は、古いデータ源であっても近代的な技術によって再生できることを証明しており、海運業界が効率性を向上させ、環境負荷を軽減していくための実践的な道筋を示しています。