Należymy do Grupy Orange Polska

Kształtujemy Przyszłość Machine Learning
2 min czytania
5/5 - (2 votes)

Machine Learning w praktyce – uczenie maszynowe – Co nowego w projekcie SmartShip?

Autor artykułu:

Machine Learning w praktyce – uczenie maszynowe – Co nowego w projekcie SmartShip?

Jaki jest cel projektu SmartShip?

SmartShip koncentruje się na kluczowych wyzwaniach środowiskowych w przemyśle morskim poprzez budowę wielofunkcyjnej platformy optymalizacyjnej. Rozwiązanie to będzie zarządzać i optymalizować zużycie paliwa i wydajność energetyczną, dostarczając również funkcję zarządzania kontrolą emisji. Smartship uwzględnia wymagania przepisów sektora morskiego, wprowadzając niezwykle istotną dla branży koncepcję gospodarki zrównoważonego rozwoju. (eng. Circular Economy)

Wraz z doświadczonymi naukowcami z Uniwersytetu Harakopio w Atenach, zespół R&D BlueSoft stosuje nauczanie maszynowe do optymalnego przewidywania tras morskich statków.

Każdy kurs statku zależy od wielu czynników zewnętrznych, takich jak: prędkość wiatru, pływy morskie, prędkość kursu i ruch – szczególnie w pobliżu portów, kanałów i cieśnin. Uczenie maszynowe i algorytmy Deep Learning zastosowane w platformie SmartShip pozwalają usprawnić proces holistycznego zarządzania nieograniczoną flotą statków. Rozwiązanie pomaga znacznie skrócić dystans i czas kursu. Zmniejsza również zużycie paliwa i emisję spalin.

Głównym wyzwaniem w badaniach było porównanie wyżej wymienionych metod i wybranie najdokładniejszego modelu predykcyjnego dla odwzorowania warunków rzeczywistych.

Nasi programiści przeprowadzili zaawansowane testy wybranych metodologii szeregów czasowych w następujący sposób:

PROPHET – algorytm został opracowany przez Facebooka w 2017 roku – PROPHET implementuje coś, co określa się mianem addytywnego modelu prognozowania szeregów czasowych. Wdrożenie obsługuje trendy, sezonowość i święta. Zaawansowany test przeprowadzony na zbiorze danych dotyczących tras statków wykazał, że metoda ta jest niewystarczająca, ponieważ dane nie są sezonowe.

Pomarańczowa linia na wykresie pokazuje trend, ale nie pozwala przewidzieć dokładnej pozycji statku. Można przyjąć, że ta metodologia nie daje oczekiwanych rezultatów w zakresie predykcji pozycji.

ARIMA – wynik naszych badań odbiegał od naszych oczekiwań. Wykazało, że metoda ta nie jest nieadekwatna.

Ostatnią badaną metodą zastosowaną do predykcji jest LSTM, która w dużej mierze imituje rozumowanie człowieka.

Niebieska linia pokazująca rzeczywiste dane podąża za pomarańczową linią pokazującą przewidywane wyniki. Oznacza to, że LSTM może doskonale przewidzieć przyszłą pozycję statków. Była to najtrafniejsza metodologia zastosowana w badaniach. Jednak fakt zmieniających się warunków pogodowych (np. ruch na morzu) wskazuje, że metoda ta może być traktowana jedynie jako rozwiązanie częściowe.

W przypadku zastosowania w branży morskiej, uczenie maszynowe oparte na historycznych obserwacjach danych AIS dotyczących tras statków stają się istotną przewagą konkurencyjną. Optymalizują wielofunkcyjne platformy dedykowane do zarządzania statkami zarówno na pokładzie, jak i zdalnie.

Nasza praca jest kontynuacją pogłębionych badań prowadzonych przez kolegów z Uniwersytetu Harakopio nad wyodrębnianiem wzorców ruchu morskiego opisanych w następującym artykule naukowym: https://www.tandfonline.com/doi/full/10.1080/13658816.2020.1792914.

Więcej o projekcie dowiesz się SmartShip : https://smartship2020.eu/

Aby uzyskać więcej informacji, skontaktuj się z autorem.

Co możemy zrobić Dla Twojego biznesu?

Skontaktuj się z nami!

To również może Cię zainteresować