《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：An integrated method of advanced optimisation and adaptive ensemble learning for ship fuel consumption prediction
编辑推荐：
船舶燃油消耗（SFC）的准确预测与可解释性分析对于优化海事运营及支持海运业脱碳至关重要，然而现有方法在模型泛化能力、多源数据集成导致的特征冗余以及模型输出透明度方面面临显著挑战。这些局限性源于碎片化的建模流程，未能全面应对复杂海事环境中数据异质性、特征相关性、
船舶燃油消耗（SFC）的准确预测与可解释性分析对于优化海事运营及支持海运业脱碳至关重要，然而现有方法在模型泛化能力、多源数据集成导致的特征冗余以及模型输出透明度方面面临显著挑战。这些局限性源于碎片化的建模流程，未能全面应对复杂海事环境中数据异质性、特征相关性、参数调优及模型适应性等问题。为应对这些挑战，本研究开发了一种集成框架，该框架由高级优化技术与自适应集成学习组成，并通过四个技术组件的协同管道构建。首先，多源数据融合利用时空对齐技术，整合船舶午间报告、自动识别系统（AIS）数据、欧洲中期天气预报中心第五版再分析数据（ERA5）以及全球海洋物理分析与预报数据（GOPAF），构建综合特征空间。其次，基于SHAP的加权特征选择（SWFS）算法利用多模型SHapley加性解释（SHAP）值评估与递归特征消除，识别并消除冗余特征，从而增强模型的泛化能力和预测效率。再次，分层自适应参数空间探索（HAPSE）算法整合全局随机搜索与局部网格搜索，以实现高效超参数优化。最后，基于聚类的自适应多集成（ACME）模型结合数据聚类与模型融合，以捕捉运营异质性，并针对不同数据簇自适应分配最优权重。对比实验表明，所提模型在多项评估指标上显著优于六种主流机器学习模型和三种经典集成方法。此外，基于SHAP的可解释性分析量化了特征贡献度，揭示了数值变化的具体影响，增强了模型决策支持的透明度。该框架为SFC预测提供了稳健的技术解决方案，为能效管理和可持续海事运营提供了可靠的数据驱动工具。
航运业正经历关键的数字化与环境转型阶段，在面临国际脱碳目标压力与运营成本上升的双重挑战下，船舶燃油消耗（SFC）预测成为经济迫切需求与法规要求。现有预测方法主要基于统计学、物理机制或机器学习（ML），但在处理多源数据异质性、特征冗余、超参数优化效率及模型“黑箱”特性方面存在局限，导致泛化能力不足且缺乏透明度。鉴于此，研究人员开展了本研究，旨在提出一种集成多源数据融合、高级优化与自适应集成学习的综合框架，以提升SFC预测精度并增强模型可解释性。研究数据来源为某远洋散货船479天的航行记录，并结合自动识别系统（AIS）、欧洲中期天气预报中心第五版再分析数据（ERA5）及全球海洋物理分析与预报数据（GOPAF）进行多源时空对齐与融合。关键技术方法包括：首先，通过时空对齐与逆距离权重（IDW）插值实现多源异构数据的深度融合；其次，开发基于SHapley加性解释（SHAP）的加权特征选择（SWFS）算法，结合递归特征消除与性能加权投票，筛选关键特征以去除冗余；再次，提出分层自适应参数空间探索（HAPSE）算法，通过全局随机搜索与局部网格搜索的层级结合，高效优化模型超参数；最后，构建基于聚类的自适应多集成（ACME）模型，利用无监督聚类捕捉运营异质性，并针对不同数据簇自适应分配基学习器权重，辅以元学习提升预测性能。
研究结果方面，在模型性能对比中，ACME模型在决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）等指标上均显著优于支持向量回归（SVR）、随机森林（RF）、梯度提升（GB）、XGBoost、LightGBM、CatBoost以及投票、堆叠、混合等传统集成方法。ACME模型的R2达到0.9088，证明了其对SFC方差的高解释力。机制分析显示，数据样本主要分为两类簇，分别代表常规航行与特定/异常环境条件，ACME模型通过自适应调整不同簇中基学习器的权重，有效利用了各模型在局部数据子空间的优势。可视化分析证实，聚类划分有效捕捉了数据在主要成分分析（PCA）主成分上的分布差异。在可解释性分析中，SHAP全局重要性分析显示，日航行时间、总时间及日航行距离对SFC预测影响最大，主发动机转速次之，验证了运营参数的主导作用。局部SHAP分布分析揭示了特征间的非线性相互作用及阈值效应，如日航行时间与发动机高转速组合导致SFC显著增加，为能效管理提供了透明依据。
讨论部分指出，该框架通过整合多源数据、鲁棒特征选择、高效超参数调优及深层模型可解释性，解决了现有研究中的四大差距：缺乏捕捉运营异质性的集成框架、多源数据融合导致的冗余高维特征、复杂ML模型的低效超参数优化以及高性能模型的可解释性有限。理论贡献在于提出了SWFS、HAPSE及ACME算法，实现了从数据预处理到模型融合的全链条优化。实践意义在于为船东、运营商及监管机构提供了高精度的SFC预测工具，支持航次优化、实时性能监控、能效改进决策以及碳强度指标（CII）合规性管理，助力航运业数字化转型与可持续发展。研究结论部分总结道，本研究建立了一个将高精度预测与深度可解释性相结合的SFC预测整体框架。ACME模型显著优于现有基准模型，结合双层SHAP分析，不仅量化了特征贡献，还揭示了SFC复杂动态机制。尽管验证数据来自单一船型，限制了结果的普适性，但该框架架构具有船型无关性。未来研究应扩展至异质船队数据集以验证稳健性，并探索结合因果推理以区分相关性与因果关系，从而提供更可靠的决策支持。该研究发表在《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》。
