Comparative study of global pooling for pre-departure ship fuel consumption prediction: Advantages over per-ship and adaptation-based approaches

{"tags": ["Machine Learning", "LightGBM", "Maritime AI", "Fuel Consumption", "Zero-shot Prediction", "Global Pooling"], "risks": ["Độ chính xác suy giảm khi thông số kỹ thuật của tàu mới có độ lệch lớn so với phân phối dữ liệu của đội tàu hiện tại.", "Độ tin cậy phụ thuộc hoàn toàn vào chất lượng dữ liệu dự báo thời tiết/hành trình trước khi khởi hành."], "category": "Research", "entities": ["LightGBM", "Transformer", "LoRA"], "summary_vi": "Nghiên cứu so sánh 11 phương pháp dự đoán mức tiêu thụ nhiên liệu tàu biển (FOC) trước khi khởi hành trên 21 tàu. Kết quả chứng minh mô hình gộp toàn cục (Global Pooling, tiêu biểu là Global LightGBM) vượt trội hơn hẳn các mô hình huấn luyện riêng cho từng tàu (per-ship) cũng như các kỹ thuật thích ứng phức tạp (federated learning, LoRA fine-tuning). Mô hình chỉ cần định danh và 7 thông số kỹ thuật của tàu là có thể dự đoán chính xác, đồng thời hỗ trợ dự đoán zero-shot cho tàu mới mà không cần dữ liệu lịch sử của tàu đó.", "key_changes": ["Mô hình gộp toàn cục (Global Pooling) vượt trội toàn diện so với các mô hình per-ship và các phương pháp thích ứng (adaptation/federated learning) trên 21 tàu thử nghiệm.", "Global LightGBM đạt mức sai số MAPE 8,92% cho tàu trong đội (in-fleet), tốt hơn rõ rệt so với 11,14% của Per-Ship LightGBM.", "Tinh chỉnh mô hình toàn cục cho từng tàu (kể cả dùng LoRA trên Transformer) không mang lại thêm bất kỳ độ chính xác nào.", "Hỗ trợ dự đoán zero-shot cho tàu mới chưa có dữ liệu hành trình dựa vào thông số kỹ thuật (đạt MAPE trung vị 11,20%, tốt hơn mô hình per-ship ở 14/21 tàu).", "Thiết lập chuẩn đánh giá nghiêm ngặt, loại bỏ rò rỉ dữ liệu (loại trừ RPM động cơ và công suất trục, chỉ dùng thông số biết trước khi xuất phát)."], "sub_category": "Maritime Machine Learning", "novelty_score": 72, "business_score": 85, "research_score": 88, "why_it_matters": "Nghiên cứu phá vỡ định kiến cho rằng mỗi con tàu cần một mô hình học máy chuyên biệt hoặc cần cơ chế thích ứng phức tạp (như LoRA/Federated Learning). Kết quả này giúp doanh nghiệp vận tải biển và kỹ sư MLOps đơn giản hóa đáng kể quy trình triển khai mô hình, giảm chi phí huấn luyện/bảo trì, và cho phép dự toán nhiên liệu chính xác ngay khi tiếp nhận tàu mới.", "developer_score": 82, "importance_score": 78, "possible_use_cases": ["Lập kế hoạch hành trình và dự toán chi phí nhiên liệu trước khi tàu rời cảng (pre-departure voyage planning).", "Định giá vận hành và lập kế hoạch tiêu thụ nhiên liệu tức thì cho tàu mới gia nhập đội tàu (zero-shot fleet expansion).", "Hợp nhất kiến trúc MLOps hàng hải: thay thế hạ tầng quản lý hàng trăm mô hình riêng lẻ bằng một mô hình toàn cục duy nhất."], "actionability_score": 85}