基于AIS的运营阶段识别使用渐进式废弃特征选择与机器学习来改进船舶排放估计
Kuiquan Duan1, Qingbo Li1, Shangheng Liu1
1Green Shipping and Carbon Neutrality Laboratory, College of Environmental Science and Engineering, Dalian Maritime University, Dalian, People's Republic of China.
本研究介绍了一种机器学习模型,使用自动识别系统数据准确识别船舶运营阶段. 该模型显著改善了排放估计,并有助于港口管理和排放控制.
科学领域:
- 海洋技术的海洋技术
- 环境科学环境科学
- 机器学习应用程序 机器学习应用程序
背景情况:
- 船舶发动机和炉工作状态严重影响排放估计,与运营阶段直接相关.
- 准确识别船舶运营阶段对于精确的排放计算至关重要.
- 自动识别系统 (AIS) 数据提供了丰富的船舶行为信息.
研究的目的:
- 开发和验证基于机器学习的分类模型,用于识别船舶运营阶段.
- 通过改进运营阶段识别,提高船舶排放估计的准确性.
- 为此目的探索自动识别系统 (AIS) 数据的实用性.
主要方法:
- 从散货船的AIS数据中提取了12个与运动行为和地理空间特征相关的特征.
- 开发并比较了五种机器学习模型,其中随机森林 (RF) 显示出卓越的性能.
- 采用渐进式除特征选择 (PAFS) 来优化RF模型的特征集.
主要成果:
- 随机森林模型在确定运营阶段时实现了高准确度 (96.66%),F1得分 (93.34%) 和AUC (99.93%).
- 使用PAFS从12个特征减少到8个特征对模型性能影响最小,保持精度高于96%.
- 与传统算法相比,射频模型的NOx排放估计准确度提高了57.83% (主发动机) 和93.89% (辅助发动机).
结论:
- 拟议的机器学习方法有效地识别了船舶的运营阶段,从而获得更准确的排放估计.
- 该模型在多艘散货船上的验证证明了它的稳定性和适用性.
- 这种方法为港口交通管理,船舶排放控制和碳税预测提供了显著的好处.
更多相关视频
06:20Author Spotlight: Development of an Automated Camera-Based System for Real-Time Blast Overpressure Monitoring and TBI Risk Assessment in Military Training
Published on: December 6, 2024
09:41Emission Spectroscopic Boundary Layer Investigation during Ablative Material Testing in Plasmatron
Published on: June 9, 2016
相关概念视频
Inductively Coupled Plasma Atomic Emission Spectroscopy: Instrumentation
There are three main types of inductively coupled plasma atomic emission spectroscopy (ICP-AES) instruments: sequential, simultaneous multichannel, and Fourier transform instruments, with the latter being less commonly used....
Atomic Emission Spectroscopy: Lab
Atomic Emission Spectroscopy: Interference
