NGHIÊN CỨU MÔ HÌNH HỌC LIÊN TỤC TỪ CÁC DỮ LIỆU THU THẬP THEO THỜI GIAN THỰC ĐỂ NÂNG CAO ĐỘ CHÍNH XÁC KHI DỰ BÁO LƯỢNG NHIÊN LIỆU TRÊN TÀU BIỂN

Tóm tắt

Trong bối cảnh chuyển đổi số ngành hàng hải, việc dự báo chính xác tiêu thụ nhiên liệu là yếu tố then chốt để tối ưu hóa chi phí vận hành và tuân thủ các quy định phát thải quốc tế như CII và EEXI. Tuy nhiên, các mô hình học máy tĩnh truyền thống thường gặp khó khăn trước hiện tượng "trôi dạt khái niệm" khi điều kiện môi trường và kỹ thuật tàu thay đổi theo thời gian. Nghiên cứu này đề xuất một kiến trúc học liên tục (Continual Learning) tiên tiến, ứng dụng kỹ thuật Củng cố trọng số đàn hồi (EWC) nhằm bảo tồn tri thức cũ trong khi thích nghi với dòng dữ liệu thời gian thực. Để nâng cao độ bền vững, nghiên cứu sử dụng thuật toán phân tách Cholesky tạo lập 20 bộ dữ liệu tổng hợp với quy mô 200.000 mẫu dựa trên ma trận tương quan thực tế từ tàu Ashico Victoria. Kết quả thực nghiệm cho thấy mô hình học liên tục đạt độ chính xác cao với sai số MAE trung bình là 0,745 Tấn, duy trì sự ổn định vượt trội so với mô hình tĩnh khi đối mặt với dữ liệu mới. Hệ thống đã chứng minh khả năng dự báo thực tiễn với độ tin cậy đạt 98,1%, cung cấp giải pháp kỹ thuật hiệu quả cho các hệ thống quản lý năng lượng thông minh (SEMS) hướng tới hàng hải xanh.

Abstract

In the era of maritime digital transformation, accurate fuel consumption prediction is a cornerstone for optimizing operational costs and ensuring compliance with international emission regulations, such as the Carbon Intensity Indicator (CII) and the Energy Efficiency Existing Ship Index (EEXI). However, traditional static machine learning models often encounter significant challenges due to "concept drift" and "catastrophic forgetting" when processing updated data streams. This study proposes an advanced Continual Learning (CL) architecture utilizing the Elastic Weight Consolidation (EWC) technique to preserve historical knowledge while adapting to real-time data streams. To enhance model robustness, a synthetic data generation method based on Cholesky decomposition was employed to produce 20 independent datasets totaling 200,000 samples, derived from the actual correlation matrix of the vessel Ashico Victoria. Experimental results demonstrate that the proposed Continual Learning model achieves high accuracy with a Mean Absolute Error (MAE) of 0.745 tons, outperforming static models in terms of adaptability to non-linear fluctuations in hydrographic and technical conditions. The system achieved a confidence level of 98.1%, providing an effective technical solution for intelligent Ship Energy Management Systems (SEMS) and contributing to the roadmap for green and sustainable maritime operations.

Keywords: Fuel consumption prediction, Continual Learning, Elastic Weight Consolidation (EWC), Ashico Victoria vessel, Ship Energy Management, Intelligent Ship Energy Management Systems (SEMS).