基于三层可解释机器学习框架的海洋燃料消耗建模：预测验证、物理合理性审计与运营脱碳敏感性评估

《Sustainability》：Generalisation, Physical Plausibility, and CII-Proxy Sensitivity in Ship Fuel-Consumption Prediction: A Three-Layer Interpretable Machine-Learning Framework for Maritime ITS

　　### 摘要海洋脱碳需要准确、物理上合理且适用于运营决策支持的燃料消耗模型。我们开发了一个三层可解释机器学习框架，结合预测验证、物理合理性审计和运营聚合。基于21艘船舶的489,620条航速稳定的巡航观测数据，预测层将记录级插值与时间跨度和跨船舶迁移分离；在更严格的验证下，均方根误差增加约三倍，表明随机划分会高估迁移能力。解释层将SHAP派生的响应与预先设定的物理预期和经验支持进行审计。航速响应呈现强单调性和非线性，在锁定的C4规则下，主要波浪扰动未得到确认，而舵响应在经验上无法辨识。运营层使用观测期主机CII代理指标评估降速敏感性。固定时间响应在不同船舶组间存在异质性，并在XGBoost、LightGBM和随机森林模型中得到重现；更深层次的扰动会逐渐脱离多变量训练支持范围。配对的ERA5对照保留了主要的迁移和波浪审计结论，但未能消除路径与船舶类型之间的混杂。这些发现是所研究的21艘船舶样本中的局部、基于模型的敏感性分析，并不估算法定年度CII，也不建立因果性的船舶类型机制。该框架为海上智能运输系统提供了可审计的验证协议；其适用性超越航运领域需要独立验证。