SHAP을 활용한 벌크선 메인엔진 연료 소모량 예측연구
A Study on the Prediction of Fuel Consumption of Bulk Ship Main Engine Using Explainable Artificial Intelligence
1
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
본 연구에서는 벌크 선박의 연료 소비를 예측하기 위해 XGBoost와 SHapley Additive exPlanation (SHAP)을 사용하는 예측 모델을 제안한다. 기존 연구에서도 선박 엔진 데이터와 기상데이터를 활용하였지만 선박 연료소모량 예측 모델에 대한 예측 결과의 신뢰성과 예측 모델 구현에 사용된 변수들에 대한 설명이 부족한 한계가 있었다. 이러한 문제를 해결하기 위해 본 연구에서는 XGBoost와 SHAP를 사용하여 예측 모델을 개발하였다. 이 연구는 연구 배경, 범위, 관련 규정 및 이전 연구들, 그리고 연구 방법론에 대한 소개를 제공하며, 또한 벌크선 데이터 정제 방법과 예측 모델 결과의 검증을 설명한다.
Abstract
This study proposes a predictive model using XGBoost and SHapley Additive exPlanation (SHAP) to estimate fuel consumption in bulk carriers. Previous studies have also utilized ship engine data and weather data. However, they lacked reliability in predicted results and explanations of variables used in the fuel consumption prediction model implementation. To address these limitations, this study developed a predictive model using XGBoost and SHAP. It provides research background, scope, relevant regulations, previous studies, and research methodology. Additionally, it explains the data cleaning method for bulk carriers and verifies results of the predictive model.
참고문헌 (16)
- Chen, T., "XGBoost: A Scalable Tree Boosting System", Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.785~794 (2016)
- Greenwell, B. M., "pdp:An R package for constructing partial dependence plots", The R Journal, 9(1), pp.421~436 (2017)
- Hannes, J., "Increased energy efficiency in short sea shipping through decreased time in port", Transportation Research Part A : Policy and Practice, 71, pp.167~178 (2015)
- IMO, "Amendments to MARPOL Annex VI and the NOx Technical Code 2008 with regard to the requirement for in-use NOx abatement technology", MEPC, 377(80) (2023)
- 김영롱, "주성분 분석기법을 이용한 선박의 연료소비 예측에 관한 연구", 한국항해항만학회지, 43(6), pp.335~343 (2019), 한국항해항만학회[DOI]
- Lloyd, S., "A Value for n-person Games", Contributions to the Theory of Games II, 307~317 (1953)
- Lipton, Z. C., "The Mythos of Model Interpretability", Communications of the ACM, 61(10), pp.36~43 (2018)
- Lundberg, S. M., "A Unified Approach to Interpreting Model Predictions", Advances in Neural Information Processing Systems, 30, pp.765~774 (2017)
- Moore, D. S., "The Basic Practice of Statistics, Vol. 2" (2007), WH Freeman Press
- Mengnan, D., "Techniques for Interpretable Machine Learning", Communications of the ACM, 63(1), pp.68~77 (2019)
- Opitz, D., "Popular Ensemble Methods : An Empirical Study", Journal of Artificial Intelligence Research, 11, pp.169~198 (1999)
- 신대운, "선속과 해양기상이 선박 연료소모량에 미치는 영향에 대한 실선 실험 해석", 한국연안방재학회지, 8(2), pp.99~110 (2021), (사)한국연안방재학회[DOI]
- Stopford, M., "Maritime Economics" (2009), Routledge
- T, Uyanık, "Machine Learning Approach to Ship Fuel Consumption: A Case of Container Vessel", Transportation Research Part D:Transport and Environment, 84, pp.102389~ (2020)
- Tjoa, E., "A survey on explainable artificial intelligence (xai): Toward medical xai", IEEE transactions on neural networks and learning systems, 2(11), pp.4793~4813 (2020)
- Yoon, Y. J., "Marine Navigation", pp.1~20 (2005), Haean Publishing Company