与商船三井公司、宇部兴产海运公司 共同对基于AI的船舶性能评估技术进行验证

本技术介绍参考了以下链接
English

2018年08月30日

株式会社富士通研究所（注1）（以下简称，富士通研究所），联合株式会社商船三井（以下简称：商船三井公司）、宇部兴产海运株式会社（以下简称：宇部兴产海运公司），对富士通研究所与国立大学法人东京海洋大学（以下简称：东京海洋大学）共同开发的船舶速度和燃料消耗等船舶性能评估技术（注2）进行了验证。验证结果表明，无论是内航（国内）线路还是外航（远洋）线路，该技术都可对船舶性能进行高精度评估，误差低于1.5%，确认了该技术在各种天气和海洋条件下的实用性。利用该技术，操作人员可准确预测降低油耗的航线，从而减少油耗费用。

背景

如果海运公司能准确掌握船舶的性能，包括因天气和海洋状况导致的船速和燃料消耗变化等，就可以根据航线上的天气和海洋状况，针对油耗费用和耗时，绘制最佳航线，该技术称为气象导航。例如，可提前知道能够降低油耗费用的航线等，该路线比起最短航线虽然绕远，但因有效避开风浪因此节约了油耗（图1）。2016年5月，富士通研究所与东京海洋大学合作开发了高精度评估船舶性能的技术，该技术基于富士通研究所自主研发的高维统计分析技术（使用了富士通的AI技术“FUJITSU Human Centric AI Zinrai”），实现了高精度评估。

图1 气象导行示意图
（淡蓝色代表波浪平静的海域，橙色代表海浪略高的海域，粉红色代表高波浪海域）

课题

富士通研究所通过使用东京海洋大学小型练习船收集到的近海航运数据进行验证，证明了该技术可高精度评估船舶性能。但为了推动该技术在实际中的应用，需要使用海域中实际船舶在各种天气和海洋条件下的航运数据对评估精度进行验证。

验证内容

此次，在东京海洋大学的技术支持下，基于高维统计分析技术，富士通研究所对船速、燃料消耗进行了预测（图2），通过使用商船三井公司、宇部兴产海运公司实际运行中的商船收集到的航运数据，验证了预测值与实际测量值之间的误差。

以下是本次验证使用的航运数据：

1. 商船三井公司
   航船类型：远洋航船
   数据：风向、风速、主机转速、燃料消耗等30个项目
   时间：2015年10月12日至2015年10月13日
2. 宇都兴产海运公司
   航船类型：国内航船
   数据：风向、风速、主机转速、燃料消耗等14个项目
   时间：2016年7月29日至2016年8月22日

图2 使用高维统计分析技术基于主机转速和风速预测船速的示例
（淡蓝色的点表示实际测量值）

验证方法

基于验证中使用的航运数据，从全部航运数据中随机选择90%的样本数据作为学习数据，将剩余样本数据作为预测数据，求得平均绝对误差率（注3）。将该误差评估重复10次，其平均值作为相对于实际测量值的评估误差结果。

另外，在评估船速的误差时，通过学习非船速数据与船速数据之间的关系，根据该学习结果和非船速数据来预测船速。另外，对燃料消耗也以相同方式进行了误差评估。

验证结果

验证结果表明，船舶性能预测的评估误差低于1.5%（表1）。

图3和图4表示船速和燃料消耗的部分实验结果。图3（a）和图4（a）表示实际测量值和预测值的时间序列，由于实际测量值和预测值几乎一致，因此可以确定预测精度很高。图3（b）和图4（b）表示实际测量值和预测值的分布，如图所示，由于大部分数据点分布在红线附近，所以可以确定实现了稳定的预测精度。

图3 实验结果示例（船速）

图4 实验结果示例（燃料消耗）

通过使用该技术可以准确掌握船舶的实际海上性能，提高气象导行精度，并降低燃料消耗。

今后

富士通计划将该技术装载到利用位置信息的云服务“FUJITSU Mobility Solution SPATIOWL”的菜单中，目标于2018年提供服务。

注释

 注1 株式会社富士通研究所：

社长 佐佐木 繁
总公司所在地 日本神奈川县川崎市

 注2船舶性能评估技术：

“利用航行数据精确推算船舶的油耗性能 ”（ 2017年3月6日研究所技术介绍）

 注3平均绝对误差率（MAPE：Mean Absolute Percentage Error）：

通过以下公式求得的误差指标。T为预测数据的样本数量，t表示T个样本中的样本编号（第t个样本），xt是第t个样本预测中使用的输入数据，f（xt）是针对xt的船速或燃料消耗的预测值；yt表示第t个样本的船速或燃料消耗的实际测量值。

 注4船速精度：

每分钟测量的实际船速和利用该技术估算的船速的误差比率。

 注5燃料消耗精度：

一次航行过程中实际使用的燃料量和利用该技术估算的燃料量的误差比率。