清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

A novel GA-LSTM-based prediction method of ship energy usage based on the characteristics analysis of operational data

自回归积分移动平均 计算机科学 人工神经网络 超参数 能量(信号处理) 能源消耗 遗传算法 高效能源利用 燃料效率 数据挖掘 人工智能 机器学习 时间序列 工程类 汽车工程 数学 统计 电气工程
作者
Kai Wang,Yu Hua,Lianzhong Huang,Xin Guo,Xing Liu,Zhongmin Ma,Ranqi Ma,Xiaoli Jiang
出处
期刊:Energy [Elsevier BV]
卷期号:282: 128910-128910 被引量:33
标识
DOI:10.1016/j.energy.2023.128910
摘要

Optimization of ship energy efficiency is an efficient measure to decrease fuel usage and emissions in the shipping industry. The accurate prediction model of ship energy usage is the basis to achieve optimization of ship energy efficiency. This study investigates the sequential properties of the actual voyage data from a VLOC. On this basis, a model for predicting ship energy consumption is established by adopting a LSTM neural network that has better prediction performance for sequential datasets. To further enhance the performance of the established LSTM-based model, the network structures and hyperparameters are optimized by using Genetic Algorithm. Lastly, the application analysis is conducted to validate the established GA-LSTM-based model for ship fuel usage prediction. The established model for ship energy usage shows a significant improvement in prediction accuracy, compared to the original LSTM-based model. Meanwhile, the developed prediction model is more accurate than the existing BP, SVR, and ARIMA-based energy consumption models. The prediction errors for the ship's operational energy efficiency adopting the established GA-LSTM-based model can reach as low as 0.29%. Therefore, the established model can effectively predict the ship fuel usage under different conditions, which is essential for the optimization and improvement of ship energy efficiency.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
elisa828发布了新的文献求助10
3秒前
胡国伦完成签到 ,获得积分10
16秒前
科研通AI2S应助科研通管家采纳,获得10
17秒前
李东东完成签到 ,获得积分10
20秒前
自然的含蕾完成签到 ,获得积分10
37秒前
nuliguan完成签到 ,获得积分10
40秒前
1分钟前
Alisha完成签到,获得积分10
1分钟前
双子土豆泥完成签到 ,获得积分10
1分钟前
任伟超完成签到,获得积分10
1分钟前
ramsey33完成签到 ,获得积分10
1分钟前
twrw发布了新的文献求助10
1分钟前
淡然一德完成签到,获得积分10
1分钟前
清秀灵薇完成签到,获得积分10
1分钟前
mathmotive完成签到,获得积分20
1分钟前
丁老三完成签到 ,获得积分10
1分钟前
fei完成签到 ,获得积分10
2分钟前
三个气的大门完成签到 ,获得积分10
2分钟前
幽默滑板完成签到,获得积分10
2分钟前
郭俊秀完成签到 ,获得积分10
2分钟前
胡可完成签到 ,获得积分10
2分钟前
2分钟前
2分钟前
梵莫发布了新的文献求助10
2分钟前
Wen完成签到 ,获得积分10
3分钟前
云下完成签到 ,获得积分10
3分钟前
aaiirrii完成签到,获得积分10
3分钟前
浚稚完成签到 ,获得积分10
3分钟前
Sandy应助土豆··采纳,获得20
3分钟前
WittingGU完成签到,获得积分0
3分钟前
仁和完成签到 ,获得积分10
4分钟前
4分钟前
噼里啪啦完成签到 ,获得积分10
4分钟前
小龙仔123完成签到 ,获得积分20
4分钟前
大水完成签到 ,获得积分10
4分钟前
雪山飞龙发布了新的文献求助10
4分钟前
通科研完成签到 ,获得积分10
4分钟前
aq22完成签到 ,获得积分10
4分钟前
xdd完成签到 ,获得积分10
4分钟前
风华完成签到,获得积分10
4分钟前
高分求助中
A new approach to the extrapolation of accelerated life test data 1000
Cognitive Neuroscience: The Biology of the Mind 1000
Technical Brochure TB 814: LPIT applications in HV gas insulated switchgear 1000
Immigrant Incorporation in East Asian Democracies 600
Nucleophilic substitution in azasydnone-modified dinitroanisoles 500
不知道标题是什么 500
A Preliminary Study on Correlation Between Independent Components of Facial Thermal Images and Subjective Assessment of Chronic Stress 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 3968521
求助须知:如何正确求助?哪些是违规求助? 3513341
关于积分的说明 11167298
捐赠科研通 3248700
什么是DOI,文献DOI怎么找? 1794434
邀请新用户注册赠送积分活动 875030
科研通“疑难数据库(出版商)”最低求助积分说明 804664