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

全球经济在水面上运行。大约百分之八十的国际贸易通过船舶运输，这使得海运成为了现代生活的无形支柱。为了让这些巨型船舶高效运行，运营商需要准确了解其发动机在任何给定时刻消耗了多少功率。这种功率被称为轴功率，它与燃油消耗量以及船舶排放的温室气体直接相关。船舶在水中移动得越高效，消耗的燃料就越少，空气也保持得越清洁。然而，实时了解这一功率却很困难。虽然一些现代船舶配备了高科技传感器，可以每十五分钟记录一次发动机性能，但许多船舶在运行时并没有这些设备。相反，它们依赖于“航行日志”（noon reports），这是一种由船员每天进行一次的传统日志记录。这些每日记录捕捉了船舶航行的快照，包括其速度、天气和发动机输出，但缺乏连续监测的精细细节。几十年来，这种数据的缺失使得预测船舶表现或优化航线以节省燃料变得困难，在努力实现航运绿色化的进程中留下了一个显著的盲点。

挪威西穆拉研究实验室（Simula Research Laboratory）的一个研究小组开发了一种填补这一空白的新方法。他们提出了一个问题：是否可以利用稀疏的每日航行日志，结合天气和洋流的公开数据，来准确预测船舶的发动机功率，即使在缺乏高频传感器数据的情况下也是如此。为了测试这一点，他们构建了三种不同的深度学习模型，这是一种从数据中学习模式的人工智能。每种模型都是为不同的情况设计的：一种针对历史数据极少的船舶，一种针对拥有数月日志记录的船舶，以及一种针对拥有多年记录的船舶。研究人员在两组截然不同的船舶上测试了这些模型：八艘大型散货船和七艘油轮。他们发现，通过将每日船员日志与风、浪、流等外部信息相结合，可以显著提高功率预测的准确性。更重要的是，他们发现使用哪种最佳方法完全取决于特定船舶拥有的数据量，而不是取决于该船与其他船舶的相似程度。

核心挑战在于数据的性质。航行日志提供的是每日平均值，但海洋是不断变化的。一艘船可能在早晨遇到风暴，而在下午海况平稳，但日志记录的却是全天的一个数字。研究人员意识到，要准确预测发动机功率，他们需要重建一天中缺失的细节。他们通过对每日报告进行“上采样”（upsampling）来实现这一点，即利用来自卫星天气图和洋流监测器等公共来源的数据来填补空白。这创造了一个更加丰富的船舶航行图景，有效地将单一的每日笔记转化为了详细的时间线。然而，仅仅将这些新数据输入到标准的计算机模型中效果并不理想，因为模型仍然缺乏真实的、分钟级的功率读数来进行学习。研究人员必须发明新的方法，仅利用每日摘要来教导这些模型。

他们的第一种方法是为那些数据极少的船舶设计的，使用了被称为“迁移学习”（transfer learning）的技术。想象一下，一位已经深入学习了某个学科的学生，试图去教一位只有几页笔记的新学生。研究人员提取了一个已经在另一艘拥有高质量传感器数据的船舶上训练好的模型，并将其作为起点，用于应用在仅有每日日志的不同船舶上。通过冻结模型中理解通用物理规律的早期层，并仅使用新船舶有限的日志来重新训练最后一层，他们可以有效地进行知识迁移。这种方法对于几乎没有历史记录的船舶来说是最稳健的，使它们能够利用仅有的一个月数据做出可靠的预测。它在所测试的特定散货船队和油轮队之间展现了良好的跨船队迁移能力，尽管研究指出，这是使用单一来源船舶进行的评估，并未评估其向其他类别船舶的泛化能力。

对于拥有中等数量数据（具体为两到四个月日志）的船舶，研究人员发现另一种策略效果最好。这种方法将每日日志视为一个拼图。模型被要求同时完成两件事：预测发动机功率，并尝试根据每日平均值重建一天中缺失的高频细节。通过迫使模型理解当天的潜在模式来解决重建任务，它能更好地学习船舶的行为表征。研究人员称这种方法为“重建引导学习”（reconstruction-guided learning），它提供了一个稳定的中间地带。对于具有这种特定历史记录的船舶，它比迁移学习方法更可靠，在无需“姐妹船”辅助学习的情况下，实现了性能与稳定性的平衡。

当船舶拥有长达六个月或更长时间的日志记录时，第三种方法成为了明显的赢家。这种被称为“聚合损失监督”（aggregate loss supervision）的方法改变了模型的学习方式。模型不再试图预测每一时刻的功率，而是通过训练确保其每日预测的平均值与实际的每日日志条目相匹配。这使得模型能够学习船舶运行的整体趋势和模式，而不会被缺失数据点的噪声所干扰。在拥有足够历史数据的情况下，这种方法产生了最准确的预测，表现优于其他两种方法。它证明了只要有足够的数据，模型就能很好地学习并泛化船舶的行为，从而能够以高频率预测功率，达到与昂贵传感器数据相匹配的细节水平，尽管它仅是用每日日志进行训练的。

当研究人员观察如何为新船选择合适的方法时，一个令人惊讶的发现出现了。他们原以为物理上的相似性——例如尺寸、发动机类型或速度——将是关键因素。他们构建了一个复杂的指数来衡量两艘船之间的相似度，希望以此指导模型的选择。然而，数据表明，这种相似性与模型的成功之间并没有显著联系。相反，最可靠的成功预测指标是：在应用任何高级建模之前，船舶自身的日志在多大程度上可以用来预测其功率。如果一艘船自身的日志已经具有一定的可预测性，那么迁移学习方法效果最好；如果日志显得杂乱无章，则需要使用其他方法。这表明，运营商不需要寻找一艘“姐妹船”来获得好的模型，他们只需要评估自己船舶正在产生的数据质量即可。

研究还探讨了入门所需的实际数据量问题。对于迁移学习方法，研究人员发现，如果是在利用另一艘相似船舶的历史记录进行训练，一艘船只需一个月的数据即可实现可靠预测。对于重建方法，大约需要四个月的数据才能达到稳定状态。而聚合损失法虽然最准确，但至少需要六个月的数据才能收敛到一个可靠的解。这些阈值为航运公司提供了清晰的路线图：如果是一艘新船，使用迁移学习方法；如果已有数月日志，使用重建方法；如果已有长达一年的日志，则切换到聚合损失法以获得最高精度。

最后，这项研究证明，通过将每日稀疏数据与正确的外部信息及学习策略相结合，可以克服其局限性。研究排除了“单一模型适用于所有船舶”或“物理相似性是决定因素”的观点。相反，它表明历史数据的量是最关键的变量。通过将建模方法与数据可用性相匹配，可以将简单的每日日志转化为监控船舶性能的强大工具。这种能力使运营商能够在无需在每艘船上安装昂贵传感器的前提下，优化航线并降低燃油消耗。研究结果为海运业提高效率和减少环境足迹提供了一条切实可行的路径，证明了即使是最古老的数据源，也能通过现代技术焕发新生。