JP6282569B2 - 船舶の運航支援システム及び船舶の運航支援方法 - Google Patents
船舶の運航支援システム及び船舶の運航支援方法 Download PDFInfo
- Publication number
- JP6282569B2 JP6282569B2 JP2014203146A JP2014203146A JP6282569B2 JP 6282569 B2 JP6282569 B2 JP 6282569B2 JP 2014203146 A JP2014203146 A JP 2014203146A JP 2014203146 A JP2014203146 A JP 2014203146A JP 6282569 B2 JP6282569 B2 JP 6282569B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- energy
- ship
- prediction model
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 39
- 238000011156 evaluation Methods 0.000 claims description 76
- 238000010276 construction Methods 0.000 claims description 67
- 238000007781 pre-processing Methods 0.000 claims description 38
- 238000001228 spectrum Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 20
- 238000010183 spectrum analysis Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 235000003392 Curcuma domestica Nutrition 0.000 claims 1
- 244000008991 Curcuma longa Species 0.000 claims 1
- 235000003373 curcuma longa Nutrition 0.000 claims 1
- 235000013976 turmeric Nutrition 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 15
- 230000007704 transition Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000001914 filtration Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、船舶の運航支援システム及び船舶の運航支援方法に関し、より具体的には船舶全体のエネルギー需要の予測を行う船舶の運航支援システム及び船舶の運航支援方法に関するものである。
タンカー、貨物船など一般船の運航支援を対象とした運航支援システムが従来より実現されている。一般船では、ほとんどのエネルギー消費は推進部で行われており、また居住区のエネルギー需要は略一定である。一方、大型客船等の客船では、一般船とは異なり居住区のエネルギー需要が多い。エネルギー需要が発生した際に需要に応じて発電する方式が採られており、前述の運航支援システムにおける最適化には十分反映されていない。このため、居住区のエネルギー需要を含めた船舶内のエネルギー需要を考慮する方法が検討されている。
例えば、特許文献１には、居住区のエネルギー需要を含めた船内のエネルギー予測モデルを構築し、居住区のエネルギー需要をも考慮することが開示されている。
例えば、特許文献１には、居住区のエネルギー需要を含めた船内のエネルギー予測モデルを構築し、居住区のエネルギー需要をも考慮することが開示されている。
しかしながら、上記特許文献１に開示された発明では、居住区のエネルギー需要の具体的な予測方法が開示されていないため、推進部のエネルギー需要に加え、居住区のエネルギー需要をも考慮することによるメリットが十分に享受できてないという問題があった。
本発明は、このような事情に鑑みてなされたものであって、居住区のエネルギー需要の予測方法を確立した船舶の運航支援システム及び船舶の運航支援方法を提供することを目的とする。
上記課題を解決するために、本発明の船舶の運航支援システム及び船舶の運航支援方法は以下の手段を採用する。
船舶の船内需要における過去のエネルギー需要実績に基づき複数のエネルギー予測モデルを構築し、前記エネルギー予測モデルの優劣判断に用いる評価指標である予測評価値を各々複数の前記予測評価値の種別である予測評価値種別ごとに算出する予測モデル構築部と、前記予測モデル構築部で構築された複数の前記エネルギー予測モデルから前記予測評価値が最小であるエネルギー最適予測モデルを選定する予測モデル選定部と、前記エネルギー最適予測モデルと、前記過去のエネルギー需要実績または気象、海象および海流予報とから船舶エネルギー需要予測を行う予測部と、前記過去のエネルギー需要実績におけるスペクトル分析を行う前処理部と、を備え、前記予測モデル構築部は、前記過去のエネルギー需要実績に対し前記スペクトル分析されたスペクトルが第１閾値を上回る周波数成分を抽出して前記エネルギー予測モデルとして時系列モデルを複数構築し、前記過去のエネルギー需要実績に基づき前記エネルギー予測モデルとして回帰モデルを複数構築し、複数の前記時系列モデル及び前記回帰モデルについて各々前記予測評価値を算出することを特徴とする船舶の運航支援システムを採用する。
船舶の船内需要における過去のエネルギー需要実績に基づき複数のエネルギー予測モデルを構築し、前記エネルギー予測モデルの優劣判断に用いる評価指標である予測評価値を各々複数の前記予測評価値の種別である予測評価値種別ごとに算出する予測モデル構築部と、前記予測モデル構築部で構築された複数の前記エネルギー予測モデルから前記予測評価値が最小であるエネルギー最適予測モデルを選定する予測モデル選定部と、前記エネルギー最適予測モデルと、前記過去のエネルギー需要実績または気象、海象および海流予報とから船舶エネルギー需要予測を行う予測部と、前記過去のエネルギー需要実績におけるスペクトル分析を行う前処理部と、を備え、前記予測モデル構築部は、前記過去のエネルギー需要実績に対し前記スペクトル分析されたスペクトルが第１閾値を上回る周波数成分を抽出して前記エネルギー予測モデルとして時系列モデルを複数構築し、前記過去のエネルギー需要実績に基づき前記エネルギー予測モデルとして回帰モデルを複数構築し、複数の前記時系列モデル及び前記回帰モデルについて各々前記予測評価値を算出することを特徴とする船舶の運航支援システムを採用する。
本発明によれば、予測モデル構築部は、船舶の船内需要における過去のエネルギー需要実績に基づき複数のエネルギー予測モデルを構築し各々複数の予測評価値種別の予測評価値を算出し、予測モデル選定部は、予測モデル構築部で構築された複数のエネルギー予測モデルから予測評価値が最小であるエネルギー最適予測モデルを選定し、予測部は、エネルギー最適予測モデルと、過去のエネルギー需要実績または気象、海象および海流予報とから船舶エネルギー需要予測を行うことから、船舶の居住区のエネルギー需要を含めた船舶エネルギー需要に対し、エネルギー予測モデルの予測精度の評価指標となる予測評価値が最小、すなわち精度の高い予測を選定することができ、これを用いた運航支援が可能となる。
また、複数のエネルギー予測モデルを構築することから、様々な電力需要のパターンに対応でき、船舶の種類、航路、日程などによらず精度の高い予測の適用が可能である。
また、複数のエネルギー予測モデルを構築することから、様々な電力需要のパターンに対応でき、船舶の種類、航路、日程などによらず精度の高い予測の適用が可能である。
上記発明において、前記予測モデル選定部は、前記スペクトル分析されたスペクトル各周波数成分の振幅と第２閾値との比較結果に基づき前記時系列モデルまたは前記回帰モデルのいずれを用いるか決定し、決定した前記時系列モデルまたは前記回帰モデルのいずれかにおいて前記予測評価値が最小となる前記エネルギー最適予測モデルを選定することとしてもよい。
本発明によれば、予測モデル構築部は、過去のエネルギー需要実績に対し第１閾値を上回る周波数成分を抽出してエネルギー予測モデルとして時系列モデルを複数構築し、過去のエネルギー需要実績に基づきエネルギー予測モデルとして回帰モデルを複数構築し、各エネルギー予測モデルについて予測評価値を算出し、予測モデル選定部は、時系列モデルまたは回帰モデルのいずれを用いるか決定した上で予測評価値が最小となるエネルギー最適予測モデルを選定することから、船舶によりそれぞれの特徴を持った船舶エネルギー需要に対応する複数のエネルギー予測モデルを構築することができるため、精度の高い船舶エネルギー需要予測が可能である。
上記発明において、前記予測モデル選定部において各前記予測評価値種別ごとに最小予測評価値の前記エネルギー予測モデルを選定し、前記予測部において各前記予測評価値種別ごとの最小予測評価値の前記エネルギー予測モデルに基づき各々前記船舶エネルギー需要予測を行い、各前記船舶エネルギー需要予測と航行後のエネルギー需要実績とを比較し最も誤差の小さい前記船舶エネルギー需要予測における前記予測評価値種別を抽出する、及び前記時系列モデルおよび前記回帰モデルに基づき前記第１閾値および前記第２閾値を修正した上で、該予測評価値種別および該第１閾値を前記予測モデル構築部へ送信し、該第２閾値を前記予測モデル選定部へ送信する閾値・情報量規準選択部を備えることとしてもよい。
本発明によれば、予測モデル選定部は各予測評価値種別ごとに最小予測評価値のエネルギー予測モデルを選定し、予測部は各予測評価値種別ごとの最小予測評価値のエネルギー予測モデルに基づき各々船舶エネルギー需要予測を行い、閾値・情報量規準選択部は、各船舶エネルギー需要予測と航行後のエネルギー需要実績とを比較し最も誤差の小さい船舶エネルギー需要予測における予測評価値種別を抽出するとともに時系列モデルおよび回帰モデルに基づき第１閾値および第２閾値を修正した上で、予測評価値種別および第１閾値を予測モデル構築部へ送信し、第２閾値を予測モデル選定部へ送信することから、予測と実績との誤差を把握しこれを次回の運航時に対し適用することができ、予測精度の向上が可能となる。
上記発明において、前記予測モデル選定部は、前記閾値・情報量規準選択部から送信された前記予測評価値種別の前記予測評価値が最小であるエネルギー最適予測モデルを選定することとしてもよい。
本発明によれば、前処理部は、過去のエネルギー需要実績における特徴分析を行い、予測モデル選定部は、特徴分析の結果に基づき時系列モデルまたは回帰モデルのいずれを用いるか決定しフィードバックされた予測評価値種別の予測評価値の最小値であるエネルギー最適予測モデルを選定することから、エネルギー需要実績に応じたエネルギー予測モデルをその特徴分析（例えば周期性）から導くことができるため、精度の高い船舶エネルギー需要予測が可能である。また、前回の航行において得られたエネルギー最良予測モデルの結果をフィードバックすることから、さらに精度の高い船舶エネルギー需要予測が可能となる。
上記発明において、前記前処理部は、前記予測モデル構築部が用いる前記過去のエネルギー需要実績においてエネルギー需要実績データの欠落した欠落時間帯がある場合、前記欠落時間帯前後の前記エネルギー需要実績データに基づき線形補間を行う、または、全前記欠落時間帯の削除を行うとしてもよい。
本発明によれば、前処理部は、過去のエネルギー需要実績においてデータの欠落した欠落時間帯がある場合、欠落時間帯前後のエネルギー需要実績データに基づき線形補間を行う、または、全欠落時間帯の削除を行うことから、欠落時間帯のあるデータをそのまま用いる場合は予測精度が悪化する可能性があるが、いずれかの方法によりエネルギー予測モデル構築用データに対しフィルタ処理を行うことによって予測精度を向上させることができる。
上記発明において、気象、海象および海流予報と他船の気象海象海流計測情報との誤差を算出し、該誤差を用いて前記気象、海象および海流予報の修正を行った修正予報情報を取得し、前記エネルギー最適予測モデル、前記過去のエネルギー需要実績、及び前記修正予報情報に基づき船舶エネルギー需要予測を行う予測部を備えることとしてもよい。
本発明によれば、予測部は、気象、海象および海流予報と他船の気象海象海流計測情報との誤差を算出し、該誤差を用いて各予報の修正を行った修正予報情報を取得し、エネルギー最適予測モデル、過去のエネルギー需要実績、及び修正予報情報に基づき船舶エネルギー需要予測を行うことから、他船の計測データを活用することで気象、海象および海流予報の精度を高めることができ、精度の高い気象、海象および海流情報を用いることでより精度の高い船舶エネルギー需要予測を用いた運航支援が可能となる。
本発明は、前述のいずれかに記載の船舶の運航支援システムを搭載する船舶を採用する。
本発明によれば、船舶が前述のいずれかに記載の船舶の運航支援システムを搭載することから、船舶の居住区のエネルギー需要を含めた船舶エネルギー需要に対し、エネルギー予測モデルの予測精度の評価指標となる予測評価値が最小、すなわち精度の高い予測を選定することができ、これを用いた運航支援が可能となる。
また、複数のエネルギー予測モデルを構築することから、様々な電力需要のパターンに対応でき、船舶の種類、航路、日程などによらず精度の高い予測の適用が可能である。
また、複数のエネルギー予測モデルを構築することから、様々な電力需要のパターンに対応でき、船舶の種類、航路、日程などによらず精度の高い予測の適用が可能である。
本発明は、船舶の船内需要における過去のエネルギー需要実績に基づき複数のエネルギー予測モデルを構築し、前記エネルギー予測モデルの優劣判断に用いる評価指標である予測評価値を各々複数の前記予測評価値の種別である予測評価値種別ごとに算出する予測モデル構築工程と、複数の前記エネルギー予測モデルから前記予測評価値が最小であるエネルギー最適予測モデルを選定する予測モデル選定工程と、前記エネルギー最適予測モデルと、前記過去のエネルギー需要実績または気象、海象および海流予報とから船舶エネルギー需要予測を行う予測工程と、前記過去のエネルギー需要実績におけるスペクトル分析を行う前処理工程と、を有し、前記予測モデル構築工程は、前記過去のエネルギー需要実績に対し前記スペクトル分析されたスペクトルが第１閾値を上回る周波数成分を抽出して前記エネルギー予測モデルとして時系列モデルを複数構築し、前記過去のエネルギー需要実績に基づき前記エネルギー予測モデルとして回帰モデルを複数構築し、複数の前記時系列モデル及び前記回帰モデルについて各々前記予測評価値を算出することを特徴とする船舶の運航支援方法を採用する。
本発明によれば、船舶の船内需要における過去のエネルギー需要実績に基づき構築された複数のエネルギー予測モデルから予測評価値が最小であるエネルギー最適予測モデルを選定し、エネルギー最適予測モデルと気象、海象および海流予報、および過去のエネルギー需要実績とから船舶エネルギー需要予測を行うことから、船舶の居住区のエネルギー需要を含めた船舶全体のエネルギー需要に対し精度の高い予測を行い、これを用いた運航支援が可能となる。
また、複数のエネルギー予測モデルを構築することから、様々な電力需要のパターンに対応でき、船舶の種類、航路、日程などによらず精度の高い予測の適用が可能である。
また、複数のエネルギー予測モデルを構築することから、様々な電力需要のパターンに対応でき、船舶の種類、航路、日程などによらず精度の高い予測の適用が可能である。
本発明によれば、船舶内のエネルギー需要に対し複数の予測モデルを構築しその中から最適な予測モデルを選定するので、精度の高い予測が行え、これを用いた最適な運航支援が可能となる。
以下に、本発明に係る船舶の運航支援システム及び船舶の運航支援方法の一実施形態について、図面を参照して説明する。
〔第１実施形態〕
以下、本発明の第１実施形態について、図１乃至７を用いて説明する。
図１には、本実施形態に係る船舶の運航支援システム及び船舶の運航支援方法の概略構成が示されている。
図１に示されるように、船舶の運航支援システム１は、船舶１００に搭載された自船の運航データを計測する計測システム１１０、自動操縦装置１２０及びディスプレイ１３０、衛星から地球上の現在位置情報を受信するＧＰＳ（Global Positioning System／全地球測位網）８０、本実施形態では例えば地上のデータセンターに備えられた最適航路計算部１０、船舶エネルギー需要予測部２０、最適船速計画部３０及び各々の部品間と相互通信を行いデータの記憶を担う記憶部４０、及び各部品間のデータの送受信を行う通信網３００を主な構成として備えている。
船舶１００は、主機が電気モータである船舶を想定している。
〔第１実施形態〕
以下、本発明の第１実施形態について、図１乃至７を用いて説明する。
図１には、本実施形態に係る船舶の運航支援システム及び船舶の運航支援方法の概略構成が示されている。
図１に示されるように、船舶の運航支援システム１は、船舶１００に搭載された自船の運航データを計測する計測システム１１０、自動操縦装置１２０及びディスプレイ１３０、衛星から地球上の現在位置情報を受信するＧＰＳ（Global Positioning System／全地球測位網）８０、本実施形態では例えば地上のデータセンターに備えられた最適航路計算部１０、船舶エネルギー需要予測部２０、最適船速計画部３０及び各々の部品間と相互通信を行いデータの記憶を担う記憶部４０、及び各部品間のデータの送受信を行う通信網３００を主な構成として備えている。
船舶１００は、主機が電気モータである船舶を想定している。
最適航路計算部１０は、世界気象機関の予報データから取得した気象、海象および海流予報と、船舶１００の計測システム１１０から船舶１００の運航スケジュール（発着地点および発着時刻等）を受信する。次に、受信した運行スケジュールを満足し、かつ燃料消費量が最小となる航行ルートを算出する。算出された最適な航行ルートの情報、すなわち運航航路計画は、船舶エネルギー需要予測部２０、最適船速計画部３０、自動操縦装置１２０及びディスプレイ１３０へ通信網３００を通じて送信される。
船舶エネルギー需要予測部２０は、船舶のエネルギー需要を予測モデルを用いて予測する。船舶のエネルギー需要は、船舶の動きに関わらないため、このような場合の予測には統計予測モデルを用いるのが好適である。
図２には、本実施形態に係る船舶エネルギー需要予測部の概略構成が示されている。
船舶エネルギー需要予測部２０は、前処理部２１、予測モデル構築部２２、予測モデル選定部２３、予測部２４及び閾値設定・情報量規準選定部２５を備えている。
船舶エネルギー需要予測部２０は、予測モデル構築用データ及び実績データを取得し、予測モデルの構築・選択を行った上で予測を行う。前処理部２１、予測モデル構築部２２、予測モデル選定部２３、予測部２４及び閾値設定・情報量規準選定部２５は、それぞれ相互にデータのやり取りを行う。
図２には、本実施形態に係る船舶エネルギー需要予測部の概略構成が示されている。
船舶エネルギー需要予測部２０は、前処理部２１、予測モデル構築部２２、予測モデル選定部２３、予測部２４及び閾値設定・情報量規準選定部２５を備えている。
船舶エネルギー需要予測部２０は、予測モデル構築用データ及び実績データを取得し、予測モデルの構築・選択を行った上で予測を行う。前処理部２１、予測モデル構築部２２、予測モデル選定部２３、予測部２４及び閾値設定・情報量規準選定部２５は、それぞれ相互にデータのやり取りを行う。
以下、本実施形態の船舶エネルギー需要予測部の各部およびその処理について、図３及び４のフローチャートを用いて説明する。
図３には、本実施形態に係る船舶エネルギー需要予測部の予測の処理を示したフローチャートが表されており、図４には本実施形態に係る船舶エネルギー需要予測部の閾値設定・情報量規準選択部の処理を示したフローチャートが表されている。
前処理部２１は、予測モデル構築用データにおけるフィルタ処理を行う。
本実施形態では、例えば１時間毎に居住区のエネルギー需要（船内需要）のデータを取得しているとする。客船では、停泊中に船舶のメンテナンスを行う機会が多い。このメンテナンス期間中、居住区のエネルギー需要のデータが取得されていない、すなわち欠測している場合がある。したがって、欠測した時間帯を含めたエネルギー需要の取得データをそのまま用いて予測モデルの構築を行うとすると、予測精度が悪化してしまうことが懸念される。
図３には、本実施形態に係る船舶エネルギー需要予測部の予測の処理を示したフローチャートが表されており、図４には本実施形態に係る船舶エネルギー需要予測部の閾値設定・情報量規準選択部の処理を示したフローチャートが表されている。
前処理部２１は、予測モデル構築用データにおけるフィルタ処理を行う。
本実施形態では、例えば１時間毎に居住区のエネルギー需要（船内需要）のデータを取得しているとする。客船では、停泊中に船舶のメンテナンスを行う機会が多い。このメンテナンス期間中、居住区のエネルギー需要のデータが取得されていない、すなわち欠測している場合がある。したがって、欠測した時間帯を含めたエネルギー需要の取得データをそのまま用いて予測モデルの構築を行うとすると、予測精度が悪化してしまうことが懸念される。
そこで、前処理部２１において予測モデル構築用データに対しフィルタ処理を実施する（図３のステップＳ３０１）。
前処理部２１に対し、予測モデル構築用データ（１時間毎の居住区のエネルギー需要のデータ／過去のエネルギー需要実績）が渡されると、そのデータに欠測した時間帯がある場合、前処理部２１は「前後データによる線形補間」及び「欠測時間帯全削除」の２つのフィルタ処理を行う。
図５には、本実施形態に係る前処理部におけるデータ欠測時の処理例を表す表が示されている。
図５の（ａ）は居住区のエネルギー需要のデータにおいて欠測した時間帯がある元データの例、（ｂ）は（ａ）に対し「前後データによる線形補間」のフィルタ処理を行った例、（ｃ）は（ａ）に対し「欠測時間帯全削除」のフィルタ処理を行った例を表す表である。
図５（ａ）の例の場合、１８時から２０時の時間帯における１９時の時間帯において欠測が発生している。
「前後データによる線形補間」のフィルタ処理を行う場合は、１９時の前後、すなわち１８時と２０時のデータにより、１９時のデータの線形補間値を算出する。この場合、図５（ｂ）に示されるように、１９時の時間帯の船舶エネルギー需要は１５０ｋＷが線形補間値として与えられる。
「欠測時間帯全削除」のフィルタ処理を行う場合は、図５（ｃ）に示されるように欠測した１９時の時間帯のデータを全て削除する。
このように、前処理部２１において予測モデル構築用データに対し２つのフィルタ処理済データが作成される。
前処理部２１に対し、予測モデル構築用データ（１時間毎の居住区のエネルギー需要のデータ／過去のエネルギー需要実績）が渡されると、そのデータに欠測した時間帯がある場合、前処理部２１は「前後データによる線形補間」及び「欠測時間帯全削除」の２つのフィルタ処理を行う。
図５には、本実施形態に係る前処理部におけるデータ欠測時の処理例を表す表が示されている。
図５の（ａ）は居住区のエネルギー需要のデータにおいて欠測した時間帯がある元データの例、（ｂ）は（ａ）に対し「前後データによる線形補間」のフィルタ処理を行った例、（ｃ）は（ａ）に対し「欠測時間帯全削除」のフィルタ処理を行った例を表す表である。
図５（ａ）の例の場合、１８時から２０時の時間帯における１９時の時間帯において欠測が発生している。
「前後データによる線形補間」のフィルタ処理を行う場合は、１９時の前後、すなわち１８時と２０時のデータにより、１９時のデータの線形補間値を算出する。この場合、図５（ｂ）に示されるように、１９時の時間帯の船舶エネルギー需要は１５０ｋＷが線形補間値として与えられる。
「欠測時間帯全削除」のフィルタ処理を行う場合は、図５（ｃ）に示されるように欠測した１９時の時間帯のデータを全て削除する。
このように、前処理部２１において予測モデル構築用データに対し２つのフィルタ処理済データが作成される。
次にフィルタ処理が行われた予測モデル構築用データに対し、特徴分析を行う（図３のステップＳ３０２）。
予測を行う対象（本実施形態の場合、居住区のエネルギー需要）の時系列データについてスペクトル分析を行い、周期性の有無やその強さを確認する。
図６には、本実施形態に係る前処理部におけるスペクトル分析を示したグラフが表されている。
図６の横軸はスペクトルの周期、縦軸はスペクトルの振幅を表している。図６のスペクトルは特に１２時間および２４時間の場合に振幅が大きくなっていることから、このスペクトルは１２時間の周期性を持つと言える。
予測を行う対象（本実施形態の場合、居住区のエネルギー需要）の時系列データについてスペクトル分析を行い、周期性の有無やその強さを確認する。
図６には、本実施形態に係る前処理部におけるスペクトル分析を示したグラフが表されている。
図６の横軸はスペクトルの周期、縦軸はスペクトルの振幅を表している。図６のスペクトルは特に１２時間および２４時間の場合に振幅が大きくなっていることから、このスペクトルは１２時間の周期性を持つと言える。
また、前処理部２１は、予測モデル構築用データを用いて、予測モデルの説明変数候補を作成する。
予測を行う対象（本実施形態の場合、居住区のエネルギー需要）の時系列データについて各時間帯毎の平均値を算出し、同時に計測されている気温や湿度等とともに説明変数候補とする。例えば、予測を行う対象のデータに時間との相関関係、すなわち周期性（例えば昼間にピークがあり夜間にボトムがある等）がある場合、時間帯毎の平均値を説明変数とした回帰モデルを構築することで、予測精度の向上が見込める。
以上、前処理部２１による図３のステップＳ３０１及びステップＳ３０２の処理により導き出された各フィルタ処理済の予測モデル構築データとスペクトル分析結果および説明変数候補とを予測モデル構築部２２へ送信する。
予測を行う対象（本実施形態の場合、居住区のエネルギー需要）の時系列データについて各時間帯毎の平均値を算出し、同時に計測されている気温や湿度等とともに説明変数候補とする。例えば、予測を行う対象のデータに時間との相関関係、すなわち周期性（例えば昼間にピークがあり夜間にボトムがある等）がある場合、時間帯毎の平均値を説明変数とした回帰モデルを構築することで、予測精度の向上が見込める。
以上、前処理部２１による図３のステップＳ３０１及びステップＳ３０２の処理により導き出された各フィルタ処理済の予測モデル構築データとスペクトル分析結果および説明変数候補とを予測モデル構築部２２へ送信する。
予測モデル構築部２２は、前処理部２１によってフィルタ処理されたデータをもとに、パラメータ設定を含む予測モデルの構築を行う。予測モデルについては、時系列モデル及び回帰モデルの２つのモデルを構築するものとする。
予測モデル構築部２２による時系列モデルの構築について説明する（図３のステップＳ３０３）。
時系列モデルの構築を行う場合、予測モデル構築部２２は、前処理部２１により「前後データによる線形補間」のフィルタ処理が行われた予測モデル構築用データを用いる。時系列モデルは、ＡＲ（Autoregressive／自己回帰）モデル、ＭＡ（Moving-average／移動平均）モデル、あるいはそれらを応用したモデル、及びそれらを組み合わせたモデルのいずれを用いてもよい。
予測モデル構築部２２は、後述する閾値設定・情報量規準選択部２５より、第１閾値を受信する（図３のＢより遷移）。
図６のグラフに、第１閾値が示されている。予測モデル構築部２２は、前処理部２１から受信したスペクトル分析結果および第１閾値に基づき、スペクトルが第１閾値を上回る周波数成分を抽出する。図６の例では、この予測モデル構築用データのスペクトルが１２時間の周期性を持つ（例えば、朝と夕にエネルギー需要がピークとなる）ことがわかる。
抽出した周波数成分（周期性）を表現する時系列モデルの次数（パラメータ）候補それぞれについて、前処理部２１によってフィルタ処理された予測モデル構築用データを元に、予測モデルを構築する。ここで次数候補は、用いたモデルによって変動する（例えばＡＲモデルの場合は自己回帰パラメータ等）。
また、予測モデル構築の際、予測モデルを構築する度に各予測モデルの情報量規準（予測評価値）を算出する。情報量規準は、予測モデルの優劣判断に用いる評価指標であり、情報量規準の種別（予測評価値種別）としては、ＡＩＣ（Akaike's Information Criterion／赤池情報量規準）、ＢＩＣ（Bayesian Information Criterion／ベイズ情報量規準）及びＧＩＣ（Generalized Information Criterion／一般化情報量規準）等がある。情報量規準は、その値が小さいほど予測精度が良いとされる指標である。
予測モデル構築部２２による時系列モデルの構築について説明する（図３のステップＳ３０３）。
時系列モデルの構築を行う場合、予測モデル構築部２２は、前処理部２１により「前後データによる線形補間」のフィルタ処理が行われた予測モデル構築用データを用いる。時系列モデルは、ＡＲ（Autoregressive／自己回帰）モデル、ＭＡ（Moving-average／移動平均）モデル、あるいはそれらを応用したモデル、及びそれらを組み合わせたモデルのいずれを用いてもよい。
予測モデル構築部２２は、後述する閾値設定・情報量規準選択部２５より、第１閾値を受信する（図３のＢより遷移）。
図６のグラフに、第１閾値が示されている。予測モデル構築部２２は、前処理部２１から受信したスペクトル分析結果および第１閾値に基づき、スペクトルが第１閾値を上回る周波数成分を抽出する。図６の例では、この予測モデル構築用データのスペクトルが１２時間の周期性を持つ（例えば、朝と夕にエネルギー需要がピークとなる）ことがわかる。
抽出した周波数成分（周期性）を表現する時系列モデルの次数（パラメータ）候補それぞれについて、前処理部２１によってフィルタ処理された予測モデル構築用データを元に、予測モデルを構築する。ここで次数候補は、用いたモデルによって変動する（例えばＡＲモデルの場合は自己回帰パラメータ等）。
また、予測モデル構築の際、予測モデルを構築する度に各予測モデルの情報量規準（予測評価値）を算出する。情報量規準は、予測モデルの優劣判断に用いる評価指標であり、情報量規準の種別（予測評価値種別）としては、ＡＩＣ（Akaike's Information Criterion／赤池情報量規準）、ＢＩＣ（Bayesian Information Criterion／ベイズ情報量規準）及びＧＩＣ（Generalized Information Criterion／一般化情報量規準）等がある。情報量規準は、その値が小さいほど予測精度が良いとされる指標である。
また、予測モデル構築部２２による回帰モデルの構築について説明する（図３のステップＳ３０４）。
回帰モデルの構築を行う場合、予測モデル構築部２２は、前処理部２１により「欠測時間帯全削除」のフィルタ処理が行われた予測モデル構築用データを用いる。回帰モデルは、多項式のような線形回帰モデル、及びニューラルネットワークのような非線形回帰モデルのいずれを用いてもよい。
例えば、多項式モデルを用いる場合、次数（パラメータ）候補および説明変数候補のそれぞれについて前処理部２１において導き出されたデータをもとに予測モデルの構築を行う。また、ニューラルネットワークモデルを用いる場合、中間層（ノード）数の候補それぞれについて、前処理部２１において導き出されたデータをもとに予測モデルの構築を行う。
また、予測モデル構築の際、予測モデルを構築する度に各予測モデルの情報量規準（予測評価値）を算出する。
回帰モデルの構築を行う場合、予測モデル構築部２２は、前処理部２１により「欠測時間帯全削除」のフィルタ処理が行われた予測モデル構築用データを用いる。回帰モデルは、多項式のような線形回帰モデル、及びニューラルネットワークのような非線形回帰モデルのいずれを用いてもよい。
例えば、多項式モデルを用いる場合、次数（パラメータ）候補および説明変数候補のそれぞれについて前処理部２１において導き出されたデータをもとに予測モデルの構築を行う。また、ニューラルネットワークモデルを用いる場合、中間層（ノード）数の候補それぞれについて、前処理部２１において導き出されたデータをもとに予測モデルの構築を行う。
また、予測モデル構築の際、予測モデルを構築する度に各予測モデルの情報量規準（予測評価値）を算出する。
図７には、本実施形態に係る予測モデル構築部における時系列モデル及び回帰モデルの例とその各情報量規準値を示した表が示されている。
図７（ａ）は、時系列モデルの例Ａ乃至Ｄ、（ｂ）は、回帰モデルの例Ｅ乃至Ｈを示している。時系列モデル及び回帰モデルのいずれについても、情報量規準ＡＩＣ、ＢＩＣ及びＧＩＣを算出している。
例えば、時系列モデルの例Ａ乃至Ｄの場合、スペクトル分析結果において抽出されたスペクトルの周波数成分と、選択されたモデル（例えばＡＲモデル）に応じた次数（パラメータ）とに基づき予測値が算出される。またこの各予測モデルについて、情報量規準のＡＩＣ、ＢＩＣ及びＧＩＣが算出されている。予測モデル構築部２２は、前処理部２１により「前後データによる線形補間」のフィルタ処理が行われた予測モデル構築用データを用いる。よって、時系列モデルを用いる場合は、周期性のあるデータに対する予測精度が向上する。
また、回帰モデルの例Ｅ乃至Ｈの場合、説明変数候補と、選択されたモデル（例えば多項式モデル）に応じた次数（パラメータ）とに基づき予測値が算出される。またこの各予測モデルについて、情報量規準のＡＩＣ、ＢＩＣ及びＧＩＣが算出されている。予測モデル構築部２２は、前処理部２１により「欠測時間帯全削除」のフィルタ処理が行われた予測モデル構築用データを用いる。よって、回帰モデルを用いる場合は、正しいデータのみによる予測が可能である。
以上、予測モデル構築部２２によって構築された各予測モデルが、予測モデル選定部２３へ送信される。
図７（ａ）は、時系列モデルの例Ａ乃至Ｄ、（ｂ）は、回帰モデルの例Ｅ乃至Ｈを示している。時系列モデル及び回帰モデルのいずれについても、情報量規準ＡＩＣ、ＢＩＣ及びＧＩＣを算出している。
例えば、時系列モデルの例Ａ乃至Ｄの場合、スペクトル分析結果において抽出されたスペクトルの周波数成分と、選択されたモデル（例えばＡＲモデル）に応じた次数（パラメータ）とに基づき予測値が算出される。またこの各予測モデルについて、情報量規準のＡＩＣ、ＢＩＣ及びＧＩＣが算出されている。予測モデル構築部２２は、前処理部２１により「前後データによる線形補間」のフィルタ処理が行われた予測モデル構築用データを用いる。よって、時系列モデルを用いる場合は、周期性のあるデータに対する予測精度が向上する。
また、回帰モデルの例Ｅ乃至Ｈの場合、説明変数候補と、選択されたモデル（例えば多項式モデル）に応じた次数（パラメータ）とに基づき予測値が算出される。またこの各予測モデルについて、情報量規準のＡＩＣ、ＢＩＣ及びＧＩＣが算出されている。予測モデル構築部２２は、前処理部２１により「欠測時間帯全削除」のフィルタ処理が行われた予測モデル構築用データを用いる。よって、回帰モデルを用いる場合は、正しいデータのみによる予測が可能である。
以上、予測モデル構築部２２によって構築された各予測モデルが、予測モデル選定部２３へ送信される。
予測モデル選定部２３は、前処理部２１によるスペクトル分析結果をもとに、予測モデルに時系列モデル及び回帰モデルのいずれを用いるか選定する。また、選定した予測モデルのうち、どのモデルを用いるか選定する。
予測モデル選定部２３によるモデルの選定について説明図する（図３のステップＳ３０５からＳ３０８）。
予測モデル選定部２３は、後述する閾値設定・情報量規準選択部２５より、第２閾値を受信する（Ｓ３０５／図３のＢより遷移）。前処理部２１によってスペクトル分析されたスペクトルの各周波数成分の振幅が第２閾値を超える、すなわちスペクトルの周期性が強いといえる場合は、時系列モデルを選定し（Ｓ３０６）、スペクトルの各周波数成分の振幅が第２閾値を超えない場合は、回帰モデルを選定する（Ｓ３０７）。これは、時系列モデルは周期性のある予測対象を表現するのに適しているためである。
例えば図６に示されたスペクトルの場合は、８時間、１２時間、２４時間の周期において第２閾値を超えていることから、時系列モデルを選定する。
予測を行う対象（本実施形態の場合、居住区のエネルギー需要）が複数存在する場合は、全ての予測を行う対象に対し、いずれのモデルを適用するか決定する。
予測モデル選定部２３によるモデルの選定について説明図する（図３のステップＳ３０５からＳ３０８）。
予測モデル選定部２３は、後述する閾値設定・情報量規準選択部２５より、第２閾値を受信する（Ｓ３０５／図３のＢより遷移）。前処理部２１によってスペクトル分析されたスペクトルの各周波数成分の振幅が第２閾値を超える、すなわちスペクトルの周期性が強いといえる場合は、時系列モデルを選定し（Ｓ３０６）、スペクトルの各周波数成分の振幅が第２閾値を超えない場合は、回帰モデルを選定する（Ｓ３０７）。これは、時系列モデルは周期性のある予測対象を表現するのに適しているためである。
例えば図６に示されたスペクトルの場合は、８時間、１２時間、２４時間の周期において第２閾値を超えていることから、時系列モデルを選定する。
予測を行う対象（本実施形態の場合、居住区のエネルギー需要）が複数存在する場合は、全ての予測を行う対象に対し、いずれのモデルを適用するか決定する。
予測モデル選定部２３は、後述する閾値設定・情報量規準選択部２５より、今回の評価に用いる情報量規準の情報を受信する（Ｓ３０８／図３のＢより遷移）。本実施形態の場合、例えばＡＩＣが選択されているものとする。
ステップＳ３０６において時系列モデルが選定された場合、予測モデル構築部２２において構築された全ての時系列モデルのうち、ステップＳ３０８にて受信した今回の評価に用いる情報量規準ＡＩＣの値が最も小さい値である時系列モデルを最終的な予測モデル（エネルギー最適予測モデル）として選定する。
図７のような予測モデルが構築されているの場合、スペクトルの各周波数成分の振幅が第２閾値を超えており、かつＡＩＣが選択されている場合は、図７（ａ）の時系列モデル例のうちＡＩＣの値が最も小さい値３．５である例Ａが選択されることとなる。
ステップＳ３０７において回帰モデルが選定された場合、予測モデル構築部２２において構築された全ての回帰モデルのうち、ステップＳ３０８にて受信した今回の評価に用いる情報量規準ＡＩＣの値が最も小さい値である回帰モデルを最終的な予測モデル（エネルギー最適予測モデル）として選定する。
図７のような予測モデルが構築されている場合、スペクトルの各周波数成分の振幅が第２閾値を超えておらず、かつＡＩＣが選択されている場合は、図７（ｂ）の回帰モデル例のうちＡＩＣの値が最も小さい値２．１である例Ｇが選択されることとなる。
以上、予測モデル選定部２３によって選定された予測モデル（エネルギー最適予測モデル）における予測値を、予測部２４へ送信する。
ステップＳ３０６において時系列モデルが選定された場合、予測モデル構築部２２において構築された全ての時系列モデルのうち、ステップＳ３０８にて受信した今回の評価に用いる情報量規準ＡＩＣの値が最も小さい値である時系列モデルを最終的な予測モデル（エネルギー最適予測モデル）として選定する。
図７のような予測モデルが構築されているの場合、スペクトルの各周波数成分の振幅が第２閾値を超えており、かつＡＩＣが選択されている場合は、図７（ａ）の時系列モデル例のうちＡＩＣの値が最も小さい値３．５である例Ａが選択されることとなる。
ステップＳ３０７において回帰モデルが選定された場合、予測モデル構築部２２において構築された全ての回帰モデルのうち、ステップＳ３０８にて受信した今回の評価に用いる情報量規準ＡＩＣの値が最も小さい値である回帰モデルを最終的な予測モデル（エネルギー最適予測モデル）として選定する。
図７のような予測モデルが構築されている場合、スペクトルの各周波数成分の振幅が第２閾値を超えておらず、かつＡＩＣが選択されている場合は、図７（ｂ）の回帰モデル例のうちＡＩＣの値が最も小さい値２．１である例Ｇが選択されることとなる。
以上、予測モデル選定部２３によって選定された予測モデル（エネルギー最適予測モデル）における予測値を、予測部２４へ送信する。
また、今回の評価に用いる情報量規準（本実施形態の場合、ＡＩＣ）以外の情報量規準（本実施形態の場合、ＢＩＣ及びＧＩＣ）についても、その値が最も小さい値である予測モデルを選定する。
図７の場合、ＢＩＣの値が最も小さい値２．５である例Ｂ、ＧＩＣの値が最も小さい値１１．５である例Ｅがそれぞれ選定され、これら予測モデルにおける予測値についても、予測部２４へ送信する。
図７の場合、ＢＩＣの値が最も小さい値２．５である例Ｂ、ＧＩＣの値が最も小さい値１１．５である例Ｅがそれぞれ選定され、これら予測モデルにおける予測値についても、予測部２４へ送信する。
予測部２４は、予測モデル選定部２３によって選定された予測モデルに基づき予測を行う。
予測部２４による予測について説明する（図３のステップＳ３０９及びＳ３１０）。
予測部２４は、最適航路計画部１０から運航航路計画および気象、海象および海流予報を、記憶部４０から予測を行う対象（本実施形態の場合、居住区のエネルギー需要）の過去の実績値（過去のエネルギー需要実績）をそれぞれ受信する（Ｓ３０９）。
予測部２４による予測について説明する（図３のステップＳ３０９及びＳ３１０）。
予測部２４は、最適航路計画部１０から運航航路計画および気象、海象および海流予報を、記憶部４０から予測を行う対象（本実施形態の場合、居住区のエネルギー需要）の過去の実績値（過去のエネルギー需要実績）をそれぞれ受信する（Ｓ３０９）。
次に、予測モデル選定部２３によって選定された予測モデルに応じて、ステップＳ３０９において受信した情報を用いて予測を行う（予測値を算出する）（Ｓ３１０）。
予測モデル選定部２３によって時系列モデルが選定されていた場合は、選定された時系列モデルの予測値および予測を行う対象（居住区のエネルギー需要）の過去の実績値を用いて予測を行う。例えば図７（ａ）の例Ａが選定されていた場合は、「２４時間前の値」及び「４８時間前の値」に過去の実績値を代入し、予測値を算出する。
一方、予測モデル選定部２３によって回帰モデルが選定されていた場合は、選定された回帰モデルの予測値および気象、海象および海流予報を用いて予測を行う。例えば図７（ｂ）の例Ｅが選定されていた場合は、「気温」及び「湿度」に気象、海象および海流予報の値を代入し、予測値を算出する。
予測部２４は、このように算出した船舶エネルギー需要の予測値を、最適船速計画部３０、船舶１００の自動操縦装置１２０及びディスプレイ１３０へ送信する。
また、予測部２４は、予測モデル選定部２３において今回の評価に用いる情報量規準以外の情報量規準において選定した予測モデルについても、そのモデルに応じてステップＳ３０９において受信した情報を用いて予測値を算出する。予測部２４は、このように算出した船舶エネルギー需要の各情報量規準最小モデルの予測値を、閾値設定・情報量規準選択部２５へ送信する（図３のＡへ遷移）。
予測モデル選定部２３によって時系列モデルが選定されていた場合は、選定された時系列モデルの予測値および予測を行う対象（居住区のエネルギー需要）の過去の実績値を用いて予測を行う。例えば図７（ａ）の例Ａが選定されていた場合は、「２４時間前の値」及び「４８時間前の値」に過去の実績値を代入し、予測値を算出する。
一方、予測モデル選定部２３によって回帰モデルが選定されていた場合は、選定された回帰モデルの予測値および気象、海象および海流予報を用いて予測を行う。例えば図７（ｂ）の例Ｅが選定されていた場合は、「気温」及び「湿度」に気象、海象および海流予報の値を代入し、予測値を算出する。
予測部２４は、このように算出した船舶エネルギー需要の予測値を、最適船速計画部３０、船舶１００の自動操縦装置１２０及びディスプレイ１３０へ送信する。
また、予測部２４は、予測モデル選定部２３において今回の評価に用いる情報量規準以外の情報量規準において選定した予測モデルについても、そのモデルに応じてステップＳ３０９において受信した情報を用いて予測値を算出する。予測部２４は、このように算出した船舶エネルギー需要の各情報量規準最小モデルの予測値を、閾値設定・情報量規準選択部２５へ送信する（図３のＡへ遷移）。
閾値設定・情報量規準選択部２５は、予測モデルの構築および選定に用いられる閾値の設定、および情報量規準の選択を行う。
閾値設定・情報量規準選択部２５による閾値の設定および情報量規準の選択について説明する（図４のステップＳ４０１及びＳ４０２）。
閾値設定・情報量規準選択部２５は、予測部２４からエネルギー最適予測モデルにおける予測値および各情報量規準最小モデルの予測値を受信し、船舶１００の運航が終了するまで情報を保存する。また、運航中は、船舶１００の計測システム１１０から予測を行う対象（居住区のエネルギー需要）の実績データを随時受信または計測システム１１０からの実績データを記憶部４０にて随時記憶し運航終了時にまとめて受信する（Ｓ４０１／図４のＡより遷移）。
船舶１００の運航が終了すると、閾値設定・情報量規準選択部２５は、保存していた各情報量規準最小モデルの予測値と予測を行う対象（居住区のエネルギー需要）の実績データとを比較し、実績データとの差が最も小さい予測値（エネルギー最良予測モデルの予測値）の情報量規準を抽出する（Ｓ４０２）。この抽出された情報量規準が、次回の運航時における「今回の評価に用いる情報量規準」として予測モデル選定部２３へ送信される（図４のＢへ遷移／図３のＳ３０８へ）。
閾値設定・情報量規準選択部２５による閾値の設定および情報量規準の選択について説明する（図４のステップＳ４０１及びＳ４０２）。
閾値設定・情報量規準選択部２５は、予測部２４からエネルギー最適予測モデルにおける予測値および各情報量規準最小モデルの予測値を受信し、船舶１００の運航が終了するまで情報を保存する。また、運航中は、船舶１００の計測システム１１０から予測を行う対象（居住区のエネルギー需要）の実績データを随時受信または計測システム１１０からの実績データを記憶部４０にて随時記憶し運航終了時にまとめて受信する（Ｓ４０１／図４のＡより遷移）。
船舶１００の運航が終了すると、閾値設定・情報量規準選択部２５は、保存していた各情報量規準最小モデルの予測値と予測を行う対象（居住区のエネルギー需要）の実績データとを比較し、実績データとの差が最も小さい予測値（エネルギー最良予測モデルの予測値）の情報量規準を抽出する（Ｓ４０２）。この抽出された情報量規準が、次回の運航時における「今回の評価に用いる情報量規準」として予測モデル選定部２３へ送信される（図４のＢへ遷移／図３のＳ３０８へ）。
また、全ての予測対象それぞれにおいて時系列モデル及び回帰モデルによる予測値を算出し、それぞれについて実績値との比較から予測誤差を求める。この結果により、第１閾値および第２閾値の修正を行う（Ｓ４０２）。
具体的には、時系列モデル及び回帰モデルの選定（ステップＳ３０５）において回帰モデルの選定割合が多い、すなわち第１閾値が高く時系列モデルの候補を絞りすぎている可能性がある場合は、第１閾値を低く修正する。逆に、時系列モデル及び回帰モデルの選定（ステップＳ３０５）において時系列モデルの選定割合が多い、すなわち第１閾値を第２閾値の値に近づけても時系列モデルが選定されている場合は、第１閾値を高く修正する。
また、実績データとの比較により時系列モデルの方が予測誤差が小さいにもかかわらず回帰モデルが予測モデルとして選定されていた場合、すなわち第２閾値が高かった場合は、第２閾値を低く修正する。逆に、実績データとの比較により回帰モデルの方が予測誤差が小さいにもかかわらず時系列モデルが選定されていた場合、すなわち第２閾値が低かった場合は、第２閾値を高く修正する。ただし、いずれの場合であっても第２閾値は必ず第１閾値よりも大きな値であるとする。
閾値設定・情報量規準選択部２５によって修正された第１閾値は予測モデル構築部２２へ、および第２閾値は予測モデル選定部２３へ、それぞれスペクトル分析結果と合わせて送信される（図４のＢへ遷移／図３のＳ３０３及びＳ３０５へ）。
具体的には、時系列モデル及び回帰モデルの選定（ステップＳ３０５）において回帰モデルの選定割合が多い、すなわち第１閾値が高く時系列モデルの候補を絞りすぎている可能性がある場合は、第１閾値を低く修正する。逆に、時系列モデル及び回帰モデルの選定（ステップＳ３０５）において時系列モデルの選定割合が多い、すなわち第１閾値を第２閾値の値に近づけても時系列モデルが選定されている場合は、第１閾値を高く修正する。
また、実績データとの比較により時系列モデルの方が予測誤差が小さいにもかかわらず回帰モデルが予測モデルとして選定されていた場合、すなわち第２閾値が高かった場合は、第２閾値を低く修正する。逆に、実績データとの比較により回帰モデルの方が予測誤差が小さいにもかかわらず時系列モデルが選定されていた場合、すなわち第２閾値が低かった場合は、第２閾値を高く修正する。ただし、いずれの場合であっても第２閾値は必ず第１閾値よりも大きな値であるとする。
閾値設定・情報量規準選択部２５によって修正された第１閾値は予測モデル構築部２２へ、および第２閾値は予測モデル選定部２３へ、それぞれスペクトル分析結果と合わせて送信される（図４のＢへ遷移／図３のＳ３０３及びＳ３０５へ）。
最適船速計画部３０は、船舶エネルギー需要予測部２０から船舶エネルギー需要予測情報を受信すると、発電モデルを利用して、要求（予測）される電力に対する発電効率が最良となる発電用エンジン（図示せず）の動作状態の組合せ及び当該組合せによる（発電）燃料消費量を算出する。以上の処理を船速をパラメータとして繰り返し行い、１航海中の燃料消費量が最小となる船速パターンを算出する。ここで、船速パターンの算出方法については特に限定しない。
また、最適船速計画部３０は、算出した船速パターンを用い、船舶エネルギー需要の再予測必要性判断を行う。これは、船速によって各時刻における船舶１００の位置が変わることから、船舶エネルギー需要予測に用いるべき気象、海象および海流予報が船舶エネルギー需要予測部２０で用いた情報と異なることが発生する場合があるためである。ここで、船舶エネルギー需要の再予測が必要であると判断された場合は、船舶エネルギー需要予測部２０による船舶エネルギー需要の予測へ戻る。以降、船舶エネルギー需要予測部２０による船舶エネルギー需要の予測と、最適船速計画部３０による船速パターンの算出とを繰り返す。
船舶エネルギー需要の再予測が必要でないと判断された場合は、最適船速計画部３０は算出された船速パターン、すなわち最適船速計画を自動操縦装置１２０およびディスプレイ１３０へ送信する。
船舶１００の推進に必要なエネルギー需要については、気象、海象および海流等と船舶１００の性能および船速を用いて算出する物理モデルが好適である。
また、最適船速計画部３０は、算出した船速パターンを用い、船舶エネルギー需要の再予測必要性判断を行う。これは、船速によって各時刻における船舶１００の位置が変わることから、船舶エネルギー需要予測に用いるべき気象、海象および海流予報が船舶エネルギー需要予測部２０で用いた情報と異なることが発生する場合があるためである。ここで、船舶エネルギー需要の再予測が必要であると判断された場合は、船舶エネルギー需要予測部２０による船舶エネルギー需要の予測へ戻る。以降、船舶エネルギー需要予測部２０による船舶エネルギー需要の予測と、最適船速計画部３０による船速パターンの算出とを繰り返す。
船舶エネルギー需要の再予測が必要でないと判断された場合は、最適船速計画部３０は算出された船速パターン、すなわち最適船速計画を自動操縦装置１２０およびディスプレイ１３０へ送信する。
船舶１００の推進に必要なエネルギー需要については、気象、海象および海流等と船舶１００の性能および船速を用いて算出する物理モデルが好適である。
自動操縦装置１２０は、最適航路計画部１０より運航航路計画および最適船速計画部３０より最適船速計画を受信する。
受信した各計画データを用いて、自動操縦装置１２０は、船舶１００の推進および操舵に関わる発電機、スクリュー駆動部などの各部（いずれも図示せず）を動作させて、運航航路計画により定められた航路を最適船速計画により定められた船速で船舶１００を航行させる。
受信した各計画データを用いて、自動操縦装置１２０は、船舶１００の推進および操舵に関わる発電機、スクリュー駆動部などの各部（いずれも図示せず）を動作させて、運航航路計画により定められた航路を最適船速計画により定められた船速で船舶１００を航行させる。
ディスプレイ１３０は、最適航路計画部１０より運航航路計画を、最適船速計画部３０より最適船速計画を、ＧＰＳ８０より船舶１００の位置情報を、計測システム１１０よりその他航行に関わる各種情報をそれぞれ受信する。受信した情報は、液晶ディスプレイ等の表示装置に表示される。
以上、説明してきたように、本実施形態に係る船舶の運航支援システム及び船舶の運航支援方法によれば、以下の作用効果を奏する。
予測モデル構築部２２が船舶１００の船内需要における過去のエネルギー需要実績に基づき複数のエネルギー予測モデルを構築し各々複数の情報量規準の種別の情報量規準を算出し、予測モデル選定部２３は、予測モデル構築部２２で構築された複数のエネルギー予測モデルから情報量規準が最小であるエネルギー最適予測モデルを選定し、予測部２４は、エネルギー最適予測モデルと、過去のエネルギー需要実績または気象、海象および海流予報とから船舶エネルギー需要予測を行うことから、船舶１００の居住区のエネルギー需要を含めた船舶エネルギー需要に対し、エネルギー予測モデルの予測精度の評価指標となる情報量規準が最小、すなわち精度の高い予測を選定することができ、これを用いた運航支援が可能となる。
また、複数のエネルギー予測モデルを構築することから、様々な電力需要のパターンに対応でき、船舶１００の種類、航路、日程などによらず精度の高い予測の適用が可能である。
予測モデル構築部２２が船舶１００の船内需要における過去のエネルギー需要実績に基づき複数のエネルギー予測モデルを構築し各々複数の情報量規準の種別の情報量規準を算出し、予測モデル選定部２３は、予測モデル構築部２２で構築された複数のエネルギー予測モデルから情報量規準が最小であるエネルギー最適予測モデルを選定し、予測部２４は、エネルギー最適予測モデルと、過去のエネルギー需要実績または気象、海象および海流予報とから船舶エネルギー需要予測を行うことから、船舶１００の居住区のエネルギー需要を含めた船舶エネルギー需要に対し、エネルギー予測モデルの予測精度の評価指標となる情報量規準が最小、すなわち精度の高い予測を選定することができ、これを用いた運航支援が可能となる。
また、複数のエネルギー予測モデルを構築することから、様々な電力需要のパターンに対応でき、船舶１００の種類、航路、日程などによらず精度の高い予測の適用が可能である。
また、予測モデル構築部２２は、過去のエネルギー需要実績に対し第１閾値を上回る周波数成分を抽出してエネルギー予測モデルとして時系列モデルを複数構築し、過去のエネルギー需要実績に基づきエネルギー予測モデルとして回帰モデルを複数構築し、各エネルギー予測モデルについて情報量規準を算出し、予測モデル選定部２３は、時系列モデルまたは回帰モデルのいずれを用いるか決定した上で情報量規準が最小となるエネルギー最適予測モデルを選定することから、船舶によりそれぞれの特徴を持った船舶エネルギー需要に対応する複数のエネルギー予測モデルを構築することができるため、精度の高い船舶エネルギー需要予測が可能である。
また、前処理部２１は、過去のエネルギー需要実績においてデータの欠落した欠落時間帯がある場合、欠落時間帯前後のエネルギー需要実績データに基づき線形補間を行う、または、全欠落時間帯の削除を行うことから、欠落時間帯のあるデータをそのまま用いる場合は予測精度が悪化する可能性があるが、いずれかの方法によりエネルギー予測モデル構築用データに対しフィルタ処理を行うことによって予測精度を向上させることができる。
また、予測モデル選定部２３は各情報量規準の種別ごとに最小情報量規準のエネルギー予測モデルを選定し、予測部２４は各情報量規準の種別ごとの最小情報量規準のエネルギー予測モデルに基づき各々船舶エネルギー需要予測を行い、閾値・情報量規準選択部２５は、各船舶エネルギー需要予測と航行後のエネルギー需要実績とを比較し最も誤差の小さい船舶エネルギー需要予測における情報量規準種別を抽出するとともに時系列モデルおよび回帰モデルに基づき第１閾値および第２閾値を修正した上で、情報量規準種別および第１閾値を予測モデル構築部２２へ送信し、第２閾値を予測モデル選定部２３へ送信することから、予測と実績との誤差を把握しこれを次回の運航時に対し適用することができ、予測精度の向上が可能となる。
また、前処理部２１は、過去のエネルギー需要実績における特徴分析を行い、予測モデル選定部２３は、特徴分析の結果に基づき時系列モデルまたは回帰モデルのいずれを用いるか決定しフィードバックされた情報量規準種別の情報量規準の最小値であるエネルギー最適予測モデルを選定することから、エネルギー需要実績に応じたエネルギー予測モデルをその特徴分析（例えば周期性）から導くことができるため、精度の高い船舶エネルギー需要予測が可能である。また、前回の航行において得られたエネルギー最良予測モデルの結果をフィードバックすることから、さらに精度の高い船舶エネルギー需要予測が可能となる。
〔第２実施形態〕
以下、本発明の第２実施形態について、図８乃至１１を用いて説明する。
上記した第１実施形態では、気象、海象および海流予報は世界気象機関の予報データを用いるとしたが、本実施形態では、自船の航行予定の海域のみの気象、海象および海流予報と、自船の航行予定の海域内を運航している他船の計測データとを活用するものである。その他の点については第１実施形態と同様であるので、同様の構成については同一符号を付しその説明は省略する。
以下、本発明の第２実施形態について、図８乃至１１を用いて説明する。
上記した第１実施形態では、気象、海象および海流予報は世界気象機関の予報データを用いるとしたが、本実施形態では、自船の航行予定の海域のみの気象、海象および海流予報と、自船の航行予定の海域内を運航している他船の計測データとを活用するものである。その他の点については第１実施形態と同様であるので、同様の構成については同一符号を付しその説明は省略する。
図８には、本実施形態に係る船舶の運航支援システム及び船舶の運航支援方法の概略構成が示されている。
図８に示されるように、船舶の運航支援システム１は、船舶１００に搭載された計測システム１１０、自動操縦装置１２０及びディスプレイ１３０、ＧＰＳ８０、本実施形態では例えば陸上の情報センターに備えられた最適航路計算部１０、船舶エネルギー需要予測部２０、最適船速計画部３０、記憶部４０及び他の船舶との通信を行う通信装置７０、及び通信網３００を主な構成として備えている。
船舶１００は、主機は電気モータである船舶を想定している。
また、最適航路計算部１０は、世界気象機関の予報データから気象、海象および海流予報を取得する。
図８に示されるように、船舶の運航支援システム１は、船舶１００に搭載された計測システム１１０、自動操縦装置１２０及びディスプレイ１３０、ＧＰＳ８０、本実施形態では例えば陸上の情報センターに備えられた最適航路計算部１０、船舶エネルギー需要予測部２０、最適船速計画部３０、記憶部４０及び他の船舶との通信を行う通信装置７０、及び通信網３００を主な構成として備えている。
船舶１００は、主機は電気モータである船舶を想定している。
また、最適航路計算部１０は、世界気象機関の予報データから気象、海象および海流予報を取得する。
また、自船（船舶）１００が航行する予定の海域内を運航している他船２００には、通信装置２１０が搭載されており、運航支援システム１の通信装置７０と相互に通信が可能である。
図９には、本実施形態に係る予測部を示した概略構成図が示されている。
予測部２４は、図２に示されるように船舶エネルギー需要予測部２０の内部に備えられている。本実施形態の予測部２４は、図９に示されるように、内部に比較部２４１及び予測値算出部２４２を備えている。
予測部２４は、図２に示されるように船舶エネルギー需要予測部２０の内部に備えられている。本実施形態の予測部２４は、図９に示されるように、内部に比較部２４１及び予測値算出部２４２を備えている。
以下、本実施形態の船舶エネルギー需要予測部の各部およびその処理について、図１０及び１１のフローチャートを用いて説明する。
図１０には、本実施形態に係る船舶エネルギー需要予測部の予測の処理を示したフローチャートが表されており、図１１には本実施形態に係る船舶エネルギー需要予測部の閾値設定・情報量規準選択部の処理を示したフローチャートが表されている。
まず、前処理部２１において予測モデル構築用データに対しフィルタ処理を実施し（図１０のステップＳ１０１）、フィルタ処理が行われた予測モデル構築用データに対し、特徴分析を行う（Ｓ１０２）。前処理部２１によるステップＳ１０１及びステップＳ１０２の処理により導き出された各フィルタ処理済みの予測モデル構築データとスペクトル分析結果および説明変数候補を、予測モデル構築部２２へ送信する。
図１０には、本実施形態に係る船舶エネルギー需要予測部の予測の処理を示したフローチャートが表されており、図１１には本実施形態に係る船舶エネルギー需要予測部の閾値設定・情報量規準選択部の処理を示したフローチャートが表されている。
まず、前処理部２１において予測モデル構築用データに対しフィルタ処理を実施し（図１０のステップＳ１０１）、フィルタ処理が行われた予測モデル構築用データに対し、特徴分析を行う（Ｓ１０２）。前処理部２１によるステップＳ１０１及びステップＳ１０２の処理により導き出された各フィルタ処理済みの予測モデル構築データとスペクトル分析結果および説明変数候補を、予測モデル構築部２２へ送信する。
次に、予測モデル構築部２２によって時系列モデルの構築（Ｓ１０３）及び回帰モデルの構築（Ｓ１０４）を行う。ステップＳ１０３において、予測モデル構築部２２は、閾値設定・情報量規準選択部２５より第１閾値を受信する。また、各予測モデル構築の際、予測モデルを構築する度に各予測モデルの情報量規準（予測評価値）を算出する。
以上、予測モデル構築部２２によって構築された各予測モデルが、予測モデル選定部２３へ送信される。
以上、予測モデル構築部２２によって構築された各予測モデルが、予測モデル選定部２３へ送信される。
次に、予測モデル選定部２３は、閾値設定・情報量規準選択部２５より、第２閾値を受信する（Ｓ１０５／図１０のＤより遷移）。前処理部２１によってスペクトル分析されたスペクトルの各周波数成分の振幅が第２閾値を超える、すなわちスペクトルの周期性が強いといえる場合は、時系列モデルを選定し（Ｓ１０６）、スペクトルの各周波数成分の振幅が第２閾値を超えない場合は、回帰モデルを選定する（Ｓ１０７）。予測モデル選定部２３は、閾値設定・情報量規準選択部２５より、今回の評価に用いる情報量規準の情報を受信する（Ｓ１０８／図１０のＤより遷移）。
ステップＳ１０６において時系列モデルが選定された場合、予測モデル構築部２２において構築された全ての時系列モデルのうち、ステップＳ１０８にて受信した今回の評価に用いる情報量規準の値が最も小さい値である時系列モデルを最終的な予測モデル（エネルギー最適予測モデル）として選定する。
ステップＳ１０７において回帰モデルが選定された場合、予測モデル構築部２２において構築された全ての回帰モデルのうち、ステップＳ１０８にて受信した今回の評価に用いる情報量規準の値が最も小さい値である回帰モデルを最終的な予測モデル（エネルギー最適予測モデル）として選定する。
以上、予測モデル選定部２３によって選定された予測モデル（エネルギー最適予測モデル）における予測値を、予測部２４の予測値算出部２４２へ送信する。
ステップＳ１０６において時系列モデルが選定された場合、予測モデル構築部２２において構築された全ての時系列モデルのうち、ステップＳ１０８にて受信した今回の評価に用いる情報量規準の値が最も小さい値である時系列モデルを最終的な予測モデル（エネルギー最適予測モデル）として選定する。
ステップＳ１０７において回帰モデルが選定された場合、予測モデル構築部２２において構築された全ての回帰モデルのうち、ステップＳ１０８にて受信した今回の評価に用いる情報量規準の値が最も小さい値である回帰モデルを最終的な予測モデル（エネルギー最適予測モデル）として選定する。
以上、予測モデル選定部２３によって選定された予測モデル（エネルギー最適予測モデル）における予測値を、予測部２４の予測値算出部２４２へ送信する。
一方、比較部２４１は、通信装置７０及び２１０を経由して自船１００の運航航路計画による航路上を航行する他船２００から航路上における気象、海象および海流の計測情報を（Ｓ１０９）、最適航路計画部１０から運航航路計画および運航航路計画による航路上における気象、海象および海流予報を、記憶部４０から予測を行う対象（本実施形態の場合、居住区のエネルギー需要）の過去の実績値を（Ｓ１１０）それぞれ受信する。
自船１００と同じ海域かつ同じ時刻における気象、海象および海流予報（予報値）と、他船２００の気象、海象および海流の計測情報（実測値）とを比較する。予報値と実測値との比較の誤差から、予報誤差を算出する。例えば、「気温を実際より平均３℃低く予報している」、「海流を平均３ｍ／ｓ早く予報している」、「予報範囲の中央付近は気温を実際より平均５℃高く予報している一方、境界付近は平均２℃低く予報している」等の予報誤差が考えられる。
比較部２４１は、算出された予報誤差を用いて、自船１００の運航航路計画による航路上の予報の修正を行い、予測値算出部２４２へ送信する（Ｓ１１１）。
自船１００と同じ海域かつ同じ時刻における気象、海象および海流予報（予報値）と、他船２００の気象、海象および海流の計測情報（実測値）とを比較する。予報値と実測値との比較の誤差から、予報誤差を算出する。例えば、「気温を実際より平均３℃低く予報している」、「海流を平均３ｍ／ｓ早く予報している」、「予報範囲の中央付近は気温を実際より平均５℃高く予報している一方、境界付近は平均２℃低く予報している」等の予報誤差が考えられる。
比較部２４１は、算出された予報誤差を用いて、自船１００の運航航路計画による航路上の予報の修正を行い、予測値算出部２４２へ送信する（Ｓ１１１）。
予測値算出部２４２は、比較部２４１から修正を行った予報を、予測モデル選定部２３から予測モデルを、記憶部４０から予測を行う対象（本実施形態の場合、居住区のエネルギー需要）の過去の実績値をそれぞれ受信し、これらの情報から船舶エネルギー需要の予測を行う（Ｓ１１２）。
次に、予測値算出部２４２は、算出した船舶エネルギー需要の予測値を最適船速計画部３０、船舶の自動操縦装置１２０及びディスプレイ１３０へ送信する。
また、予測値算出部２４２は、予測モデル選定部２３において今回の評価に用いる情報量規準以外の情報量規準において選定した予測モデルについても、そのモデルに応じて受信した情報を用いて予測を行う。予測値算出部２４２は、このように算出した船舶エネルギー需要の各情報量規準最小モデルの予測値を、閾値設定・情報量規準選択部２５へ送信する（図１０のＣへ遷移）。
次に、予測値算出部２４２は、算出した船舶エネルギー需要の予測値を最適船速計画部３０、船舶の自動操縦装置１２０及びディスプレイ１３０へ送信する。
また、予測値算出部２４２は、予測モデル選定部２３において今回の評価に用いる情報量規準以外の情報量規準において選定した予測モデルについても、そのモデルに応じて受信した情報を用いて予測を行う。予測値算出部２４２は、このように算出した船舶エネルギー需要の各情報量規準最小モデルの予測値を、閾値設定・情報量規準選択部２５へ送信する（図１０のＣへ遷移）。
閾値設定・情報量規準選択部２５は、予測部２４からエネルギー最適予測モデルにおける予測値および各情報量規準最小モデルの予測値を受信し、船舶１００の運航が終了するまで情報を保存する。また、運航中は、船舶１００の計測システム１１０から予測を行う対象（居住区のエネルギー需要）の実績データを随時受信、または計測システム１１０からの実績データを記憶部４０にて随時記憶し運航終了時にまとめて受信する（図１１のＳ１１３／図１１のＣより遷移）。
船舶１００の運航が終了すると、閾値設定・情報量規準選択部２５は、保存していた各情報量規準最小モデルの予測値と予測を行う対象（居住区のエネルギー需要）の実績データとを比較し、実績データとの差が最も小さい予測値（エネルギー最良予測モデルの予測値）の情報量規準を抽出する（Ｓ１１４）。この抽出された情報量規準が、次回の運航時における「今回の評価に用いる情報量規準」として予測モデル選定部２３へ送信される（図１１のＤへ遷移／図１０のＳ１０８へ）。
船舶１００の運航が終了すると、閾値設定・情報量規準選択部２５は、保存していた各情報量規準最小モデルの予測値と予測を行う対象（居住区のエネルギー需要）の実績データとを比較し、実績データとの差が最も小さい予測値（エネルギー最良予測モデルの予測値）の情報量規準を抽出する（Ｓ１１４）。この抽出された情報量規準が、次回の運航時における「今回の評価に用いる情報量規準」として予測モデル選定部２３へ送信される（図１１のＤへ遷移／図１０のＳ１０８へ）。
また、時系列モデル及び回帰モデルのそれぞれについて予測誤差を確認する。この結果により、第１閾値および第２閾値の修正を行う（Ｓ１１４）。
閾値設定・情報量規準選択部２５によって修正された第１閾値は予測モデル構築部２２へ、および第２閾値は予測モデル選定部２３へ、それぞれスペクトル分析結果と合わせて送信される（図１１のＤへ遷移／図１０のＳ１０３及びＳ１０５へ）。
閾値設定・情報量規準選択部２５によって修正された第１閾値は予測モデル構築部２２へ、および第２閾値は予測モデル選定部２３へ、それぞれスペクトル分析結果と合わせて送信される（図１１のＤへ遷移／図１０のＳ１０３及びＳ１０５へ）。
以上、説明してきたように、本実施形態に係る船舶の運航支援システム及び船舶の運航支援方法によれば、以下の作用効果を奏する。
予測部２４は、気象、海象および海流予報と他船２００の気象海象海流計測情報との誤差を算出し、その誤差を用いて各予報の修正を行った修正予報情報を取得し、エネルギー最適予測モデル、過去のエネルギー需要実績、及び修正予報情報に基づき船舶エネルギー需要予測を行うことから、他船２００の計測データを活用することで気象、海象および海流予報の精度を高めることができ、精度の高い気象、海象および海流情報を用いることでより精度の高い船舶エネルギー需要予測を用いた運航支援が可能となる。
予測部２４は、気象、海象および海流予報と他船２００の気象海象海流計測情報との誤差を算出し、その誤差を用いて各予報の修正を行った修正予報情報を取得し、エネルギー最適予測モデル、過去のエネルギー需要実績、及び修正予報情報に基づき船舶エネルギー需要予測を行うことから、他船２００の計測データを活用することで気象、海象および海流予報の精度を高めることができ、精度の高い気象、海象および海流情報を用いることでより精度の高い船舶エネルギー需要予測を用いた運航支援が可能となる。
１ 運航支援システム
１０ 最適航路計算部
２０ 船舶エネルギー需要予測部
２１ 前処理部
２２ 予測モデル構築部
２３ 予測モデル選定部
２４ 予測部
２５ 閾値設定・情報量規準選定部
３０ 最適船速計画部
４０ 記憶部
７０ 通信装置
８０ ＧＰＳ
１００ 船舶
１１０ 計測システム
１２０ 自動操縦装置
１３０ ディスプレイ
２００ 他船
２１０ 通信装置
２４１ 比較部
２４２ 予測値算出部
３００ 通信網
１０ 最適航路計算部
２０ 船舶エネルギー需要予測部
２１ 前処理部
２２ 予測モデル構築部
２３ 予測モデル選定部
２４ 予測部
２５ 閾値設定・情報量規準選定部
３０ 最適船速計画部
４０ 記憶部
７０ 通信装置
８０ ＧＰＳ
１００ 船舶
１１０ 計測システム
１２０ 自動操縦装置
１３０ ディスプレイ
２００ 他船
２１０ 通信装置
２４１ 比較部
２４２ 予測値算出部
３００ 通信網
Claims (8)
- 船舶の船内需要における過去のエネルギー需要実績に基づき複数のエネルギー予測モデルを構築し、前記エネルギー予測モデルの優劣判断に用いる評価指標である予測評価値を各々複数の前記予測評価値の種別である予測評価値種別ごとに算出する予測モデル構築部と、
前記予測モデル構築部で構築された複数の前記エネルギー予測モデルから前記予測評価値が最小であるエネルギー最適予測モデルを選定する予測モデル選定部と、
前記エネルギー最適予測モデルと、前記過去のエネルギー需要実績または気象、海象および海流予報とから船舶エネルギー需要予測を行う予測部と、
前記過去のエネルギー需要実績におけるスペクトル分析を行う前処理部と、
を備え、
前記予測モデル構築部は、前記過去のエネルギー需要実績に対し前記スペクトル分析されたスペクトルが第１閾値を上回る周波数成分を抽出して前記エネルギー予測モデルとして時系列モデルを複数構築し、前記過去のエネルギー需要実績に基づき前記エネルギー予測モデルとして回帰モデルを複数構築し、複数の前記時系列モデル及び前記回帰モデルについて各々前記予測評価値を算出することを特徴とする船舶の運航支援システム。 - 前記予測モデル選定部は、前記スペクトル分析されたスペクトル各周波数成分の振幅と第２閾値との比較結果に基づき前記時系列モデルまたは前記回帰モデルのいずれを用いるか決定し、決定した前記時系列モデルまたは前記回帰モデルのいずれかにおいて前記予測評価値が最小となる前記エネルギー最適予測モデルを選定することを特徴とする請求項１に記載の船舶の運航支援システム。
- 前記予測モデル選定部において各前記予測評価値種別ごとに最小予測評価値の前記エネルギー予測モデルを選定し、
前記予測部において各前記予測評価値種別ごとの最小予測評価値の前記エネルギー予測モデルに基づき各々前記船舶エネルギー需要予測を行い、
各前記船舶エネルギー需要予測と航行後のエネルギー需要実績とを比較し最も誤差の小さい前記船舶エネルギー需要予測における前記予測評価値種別を抽出する、及び前記時系列モデルおよび前記回帰モデルに基づき前記第１閾値および前記第２閾値を修正した上で、該予測評価値種別および該第１閾値を前記予測モデル構築部へ送信し、該第２閾値を前記予測モデル選定部へ送信する閾値・情報量規準選択部を備えることを特徴とする請求項２に記載の船舶の運航支援システム。 - 前記予測モデル選定部は、前記閾値・情報量規準選択部から送信された前記予測評価値種別の前記予測評価値が最小であるエネルギー最適予測モデルを選定することを特徴とする請求項３に記載の船舶の運航支援システム。
- 前記前処理部は、前記予測モデル構築部が用いる前記過去のエネルギー需要実績においてエネルギー需要実績データの欠落した欠落時間帯がある場合、前記欠落時間帯前後の前記エネルギー需要実績データに基づき線形補間を行う、または、全前記欠落時間帯の削除を行うことを特徴とする請求項１から４のいずれかに記載の船舶の運航支援システム。
- 気象、海象および海流予報と他船の気象海象海流計測情報との誤差を算出し、該誤差を用いて前記気象、海象および海流予報の修正を行った修正予報情報を取得し、前記エネルギー最適予測モデル、前記過去のエネルギー需要実績、及び前記修正予報情報に基づき船舶エネルギー需要予測を行う予測部を備えることを特徴とする請求項１から５のいずれかに記載の船舶の運航支援システム。
- 請求項１から６のいずれかに記載の船舶の運航支援システムを搭載する船舶。
- 船舶の船内需要における過去のエネルギー需要実績に基づき複数のエネルギー予測モデルを構築し、前記エネルギー予測モデルの優劣判断に用いる評価指標である予測評価値を各々複数の前記予測評価値の種別である予測評価値種別ごとに算出する予測モデル構築工程と、
複数の前記エネルギー予測モデルから前記予測評価値が最小であるエネルギー最適予測モデルを選定する予測モデル選定工程と、
前記エネルギー最適予測モデルと、前記過去のエネルギー需要実績または気象、海象および海流予報とから船舶エネルギー需要予測を行う予測工程と、
前記過去のエネルギー需要実績におけるスペクトル分析を行う前処理工程と、
を有し、
前記予測モデル構築工程は、前記過去のエネルギー需要実績に対し前記スペクトル分析されたスペクトルが第１閾値を上回る周波数成分を抽出して前記エネルギー予測モデルとして時系列モデルを複数構築し、前記過去のエネルギー需要実績に基づき前記エネルギー予測モデルとして回帰モデルを複数構築し、複数の前記時系列モデル及び前記回帰モデルについて各々前記予測評価値を算出することを特徴とする船舶の運航支援方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014203146A JP6282569B2 (ja) | 2014-10-01 | 2014-10-01 | 船舶の運航支援システム及び船舶の運航支援方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014203146A JP6282569B2 (ja) | 2014-10-01 | 2014-10-01 | 船舶の運航支援システム及び船舶の運航支援方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2016068892A JP2016068892A (ja) | 2016-05-09 |
| JP6282569B2 true JP6282569B2 (ja) | 2018-02-21 |
Family
ID=55865883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014203146A Active JP6282569B2 (ja) | 2014-10-01 | 2014-10-01 | 船舶の運航支援システム及び船舶の運航支援方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6282569B2 (ja) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6130977B1 (ja) * | 2016-05-24 | 2017-05-17 | 三井情報株式会社 | 情報処理装置、情報処理方法、情報処理システム及びプログラム |
| JP6677575B2 (ja) * | 2016-06-01 | 2020-04-08 | 株式会社神戸製鋼所 | 回転機械の運転状態を診断する診断装置及び診断方法 |
| KR101914770B1 (ko) | 2017-07-20 | 2018-11-02 | 에이블맥스(주) | 선박의 에너지효율 예측 시스템 및 이를 이용한 에너지효율 예측 방법 |
| KR102250354B1 (ko) * | 2019-12-03 | 2021-05-11 | 울산과학기술원 | 선박의 지연 가능성 판단 방법 및 장치 |
| KR102232393B1 (ko) * | 2020-03-26 | 2021-03-25 | 한국해양대학교 산학협력단 | 자율운항 선박의 경제 운항 솔루션 개발을 위한 방법 및 장치 |
| US20220009605A1 (en) * | 2020-07-08 | 2022-01-13 | Brunswick Corporation | Systems and methods for planning consumption of power by devices aboard a marine vessel |
| KR102547092B1 (ko) * | 2021-10-06 | 2023-06-23 | 제이트러스트(주) | 하이브리드 선박용 전원관리시스템 |
| CN114239426B (zh) * | 2021-10-20 | 2024-04-19 | 武汉理工大学 | 基于水流资料同化的长江干线船舶排放清单生成方法 |
| JP2023092891A (ja) | 2021-12-22 | 2023-07-04 | ナブテスコ株式会社 | 発電制御装置、発電制御方法、発電制御プログラム |
| SE2230397A1 (en) * | 2022-12-06 | 2024-06-07 | Cetasol Ab | A virtual fuel consumption sensor system |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4386973B2 (ja) * | 1996-10-23 | 2009-12-16 | 株式会社野村総合研究所 | 階層的予測モデル構築装置及びその方法 |
| JP5119022B2 (ja) * | 2008-03-26 | 2013-01-16 | 東京瓦斯株式会社 | 可変的予測モデル構築方法、及び、可変的予測モデル構築システム |
| US8073727B2 (en) * | 2008-10-23 | 2011-12-06 | Sap Ag | System and method for hierarchical weighting of model parameters |
| JP2013196037A (ja) * | 2012-03-15 | 2013-09-30 | Hitachi Ltd | 需要予測システム及び需要予測方法 |
| JP5813572B2 (ja) * | 2012-05-10 | 2015-11-17 | 株式会社東芝 | 電力管理支援装置、電力管理支援方法、電力管理支援プログラム |
| JP5931712B2 (ja) * | 2012-12-26 | 2016-06-08 | 三菱重工業株式会社 | エネルギー最適運用システム、エネルギー最適運用方法 |
-
2014
- 2014-10-01 JP JP2014203146A patent/JP6282569B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2016068892A (ja) | 2016-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6282569B2 (ja) | 船舶の運航支援システム及び船舶の運航支援方法 | |
| JP4934756B1 (ja) | 船舶の最適航路計算システム、船舶の運航支援システム、船舶の最適航路計算方法、及び船舶の運航支援方法 | |
| Leonard et al. | Coordinated control of an underwater glider fleet in an adaptive ocean sampling field experiment in Monterey Bay | |
| JP5420723B2 (ja) | 船舶の最適航路計算システム、船舶の運航支援システム、船舶の最適航路計算方法、及び船舶の運航支援方法 | |
| Simonsen et al. | State-of-the-art within ship weather routing | |
| US9157746B2 (en) | Vessel routing system | |
| JP4970346B2 (ja) | 船舶の運航支援システムと船舶の運航支援方法 | |
| Shao et al. | Development of a novel forward dynamic programming method for weather routing | |
| JP5435418B2 (ja) | 海流データ同化方法および同化システム | |
| CN107422736B (zh) | 一种无人船自主返航控制方法 | |
| US10370063B2 (en) | Monitoring energy usage of a surface maritime vessel | |
| KR101850866B1 (ko) | 선박의 항로 산출 방법 | |
| EP3330666A1 (en) | A communication apparatus for adapting an actual route of a vessel | |
| KR101346184B1 (ko) | 선박 네비게이션시스템 및 상기 선박 네비게이션시스템의 경로제어방법 | |
| CN110608738A (zh) | 一种无人船全局气象航线动态规划方法和系统 | |
| Vettor et al. | Towards improving optimised ship weather routing | |
| KR20200022293A (ko) | 선박의 최적항로 도출 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체 | |
| CN116911468B (zh) | 一种基于大数据的全球船运信息监控系统 | |
| Wen et al. | Spatio-temporal route mining and visualization for busy waterways | |
| Calvert et al. | A dynamic system for fuel optimization trans-ocean | |
| CN106372750A (zh) | 一种航行管理方法及系统 | |
| GB2533961A (en) | Monitoring energy usage of a surface maritime vessel | |
| Larsson et al. | DIRECT optimization algorithm in weather routing of ships | |
| JP2016215715A (ja) | 衛星通信可否予測装置および衛星通信可否予測プログラム | |
| Vettor et al. | Multi-objective evolutionary algorithm in ship route optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160825 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170525 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170530 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170731 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20171226 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180124 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6282569 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |