다선박 운항로그 통합을 통한 딥러닝 기반 선박 연료소모량 예측 모델 개발 = Development of a Deep Learning-Based Fuel Consumption Prediction Model through Cross-Vessel Voyage Log Integration

다국어 초록 (Multilingual Abstract)

This study proposes a ship fuel consumption prediction approach aligned with the International Maritime Organization (IMO)’s carbon-neutrality goals. Voyage log data from 19 bulk carriers and 1 oil tanker are integrated, and TabM, a deep learning model specialized for tabular data, is applied to perform multi-ship integrated learning. In contrast to previous studies that rely on dynamic variables measured during operation, such as RPM and engine power, and are typically trained on single-ship datasets, the proposed model uses only 17 pre-departure planning variables (speed, draft, cargo amount, and meteorological–ocean forecasts), allowing application at the voyage planning stage. The TabM-based integrated model reduces the average mean absolute percentage error (MAPE) from 11.44% to 10.01% compared with single-ship models, corresponding to a 1.43 percentage point improvement that is statistically significant across ships (paired t-test, p < 0.05). In contrast, LightGBM and polynomial regression degrade under integrated learning. These results indicate that TabM can jointly capture ship-specific behavior and cross-ship regularities, supporting fuel-efficiency optimization and greenhouse gas reduction in maritime operations.

목차 (Table of Contents)

• I. 서론 1
• 1.1 연구 배경 1
• 1.2 연구 목적 및 방법 4
• Ⅱ. 관련 연구 7
• 2.1 물리 기반 모델 7
• 2.2 데이터 기반 모델 8
• 2.2.1 머신러닝 기반 연료 소모량 예측 모델 8
• 2.2.2 딥러닝 기반 연료 소모량 예측 모델 9
• 2.3 입력 변수 활용방식에 따른 선행연구 분류 11
• 2.3.1 동적 변수 기반 접근과 한계 11
• 2.3.2 출항 전 변수 기반 접근의 현황과 과제 11
• 2.4 다중 선박 통합 학습 12
• 2.4.1단일 선박 모델의 한계 12
• 2.4.2 전이학습 연구 사례 12
• 2.4.3 다중 선박 통합 학습의 연구 사례 13
• Ⅲ. 데이터셋 15
• 3.1 데이터 수집 및 구성 15
• 3.2 데이터 전처리 18
• 3.2.1 기초 전처리 19
• 3.2.2 운항 가능 영역 정적 필터링 19
• 3.2.3 시간 윈도우 기반 이상치 제거 20
• 3.2.4 다운샘플링 21
• 3.3 변수 변환 및 파생 변수 생성 22
• Ⅳ. 실험 설계 23
• 4.1 모델의 최종 변수 구성 23
• 4.2 모델 아키텍처 구성 24
• 4.2.1 TabM 모델 아키텍처 24
• 4.2.2 LightGBM 28
• 4.2.3 Polynomial Regression with Lasso 29
• 4.3 실험 시나리오 30
• 4.3.1 단일 선박 모델 31
• 4.3.2 통합 선박 모델 32
• 4.4 성능 평가 지표 34
• 4.5 모델 비교 및 검증 방법 35
• 4.5.1 단일 모델과 통합 모델 비교 방식 35
• 4.5.2 통계적 유의성 검증 36
• Ⅴ. 실험 결과 37
• 5.1 단일 선박 모델별 성능 비교 37
• 5.2 통합 선박 모델별 성능비교 41
• 5.2.1 전체 테스트 셋 평가 44
• 5.2.2 선박별 성능 평가 44
• 5.2.3 단일 모델 대비 성능 개선도 분석 46
• 5.3 단일 모델 대비 성능 개선에 대한 통계적 검증 52
• Ⅵ. 결론 및 한계점 54
• 6.1 연구 의의 54
• 6.2 연구 한계 및 향후 과제 55