港湾シナリオにおける気象条件のナウキャスティングのためのセンサーフュージョンベースの機械学習アルゴリズム

科学分野:

• 海事業務と環境モニタリング
• 物流における機械学習の応用
• 港湾管理のためのモノのインターネット（IoT）

背景:

• 港湾業務は、予測不可能な天候や環境の変化の影響をますます受けています。
• 正確な短期予測は、海事の安全性と効率にとって不可欠です。
• 既存のシステムでは、重要な運用のための状況認識の向上が必要です。

研究 の 目的:

• 風況のリアルタイムマルチターゲットナウキャスティングフレームワークを開発すること。
• センサーフュージョンとIoTアーキテクチャを使用して異種データソースを統合すること。
• 風の突風速度、持続風速、風向を予測するための機械学習モデルを評価すること。

主な方法:

• リボルノ港でIoTアーキテクチャ（oneM2M標準）を利用しました。
• 気象観測所、風速計、船舶搭載LiDARからのデータを統合しました。
• 特徴量レベルのセンサーフュージョンを採用し、ランダムフォレスト、XGBoost、LSTM、TCN、アンサンブルニューラルネットワーク、Transformer、カルマンフィルターモデルを比較しました。

主要な成果:

• XGBoostは、すべての風ターゲット（単一分割でR²≈0.999、交差検証で平均R²=0.9976）で最も高い精度を示しました。
• アンサンブルモデルは、深層学習モデルと比較して堅牢性が向上しました。
• センサーフュージョンフレームワークは、突風速度、持続風速、風向などの重要な変数の状況認識を効果的に向上させました。

結論:

• 提案されたセンサーフュージョンベースの機械学習フレームワークは、リアルタイムの風況ナウキャスティングに非常に効果的です。
• XGBoostはこのマルチターゲット予測タスクにおいてトップクラスのパフォーマンスを発揮するモデルです。
• このフレームワークは、海事自律表面船（MASS）システムや港湾意思決定支援プラットフォームに展開され、安全性と運用継続性を向上させる大きな可能性を秘めています。