JP7342515B2 - 推定方法、学習方法、推定プログラムおよび推定装置 - Google Patents

Description

本発明の実施形態は、推定方法、学習方法、推定プログラムおよび推定装置に関する。

従来、船舶運航においては、船舶の効率的な運航を行うためにウェザールーティングに代表される運航計画の最適化が行われている。ウェザールーティングにおいては、船体の水没面及びプロペラ表面に海生生物が付着して汚損することで推進性が低下することを取り入れて、推進性能の予測精度が高い状態で就航船舶の運航計画を最適化することが知られている。

特開２０１８－２７７４０号公報 特開２０１６－１３３９９２号公報 特開２０１４－１３１４５号公報

しかしながら、上記の従来技術では、船舶のメンテナンスを考慮しておらず、例えば、メンテナンスによって、船体の状態が大きく変化し、その後の停泊時間などで船体の状態が徐々に異なっていくため、単純な経過時間や航行距離に基づいた推進性能の予測では、精度が悪くなるという問題がある。

１つの側面では、船舶の運航計画の最適化を支援できる推定方法、学習方法、推定プログラムおよび推定装置を提供することを目的とする。

１つの側面では、推定方法は、汚損度を推定する処理と、選択する処理と、生成する処理と、燃料消費量を推定する処理とをコンピュータが実行する。汚損度を推定する処理は、対象船舶に対する直近のメンテナンス以降の累積期間に基づいて対象船舶の汚損度を推定する。選択する処理は、航行による燃料消費量を推定するための予測モデルの生成に際し、教師データの中から、推定した汚損度に類似する汚損度を有する教師データを学習データとして選択する。生成する処理は、選択した学習データに基づいて予測モデルを生成する。燃料消費量を推定する処理は、生成した予測モデルを用いて、対象船舶に関する制約条件に応じた対象船舶の燃料消費量を推定する。

１つの実施態様によれば、船舶の運航計画の最適化を支援できる。

図１は、実施形態にかかる情報処理装置の機能構成例を示すブロック図である。 図２は、実施形態にかかる情報処理装置の動作例を示すフローチャートである。 図３は、船底汚損度推定と学習データ選択を説明する説明図である。 図４は、類似汚損度データによるウェザールーティングを説明する説明図である。 図５は、プログラムを実行するコンピュータの一例を示すブロック図である。

以下、図面を参照して、実施形態にかかる推定方法、学習方法、推定プログラムおよび推定装置を説明する。実施形態において同一の機能を有する構成には同一の符号を付し、重複する説明は省略する。なお、以下の実施形態で説明する推定方法、学習方法、推定プログラムおよび推定装置は、一例を示すに過ぎず、実施形態を限定するものではない。また、以下の各実施形態は、矛盾しない範囲内で適宜組みあわせてもよい。

図１は、実施形態にかかる情報処理装置の機能構成例を示すブロック図である。図１に示すように、情報処理装置１は、予測対象とする対象船舶について、予測モデル生成２と、ウェザールーティング３とを行う装置であり、例えばＰＣ（Personal Computer）などを適用できる。

予測モデル生成２では、予測対象とする対象船舶について、対象船舶と同一または同型船舶の燃料消費量を含んだ過去の船舶・気象・海象データ２１を用いた教師付き学習により、対象船舶の航行による燃料消費量を推定する予測モデル３１を生成する。

ウェザールーティング３では、生成した予測モデル３１を用いて、対象船舶に関する制約条件に応じた対象船舶の燃料消費量を推定し、推定した燃料消費量に基づいて対象船舶の航路を探索する。

具体的には、情報処理装置１は、船底汚損度推定部１０、学習データ選択部２０、予測モデル生成部３０、候補航路生成部４０、燃料消費推定部５０および航路探索部６０を有する。

船底汚損度推定部１０は、対象船舶における推定条件情報１１をもとに、対象船舶の水没面及びプロペラ表面の現在の汚れ具合を示す船底汚損度（以下、汚損度）を推定する処理部である。すなわち、船底汚損度推定部１０は、汚損度推定部の一例である。

推定条件情報１１は、対象船舶について、直近のメンテナンス後から現在に至るまでの状態を示す情報であり、停泊時間、航行速度・航行時間および航行・停泊海域の温度（海水温度）を含む。

船底汚損度推定部１０は、推定条件情報１１に含まれる、対象船舶に対する直近のメンテナンス後から現在に至るまでの累積期間をもとに、直近のメンテナンスによりきれいになった対象船舶における現在の汚損度を推定する。

例えば、海生生物などの付着物は、船舶が停泊しているときや船速が遅いときに付着しやすくなる。また、海生生物は、海水温度により活動が影響されることから、海水温度に応じて付着しやすさも変化する。

船底汚損度推定部１０は、上記の付着物に関する特性を用いて、直近のメンテナンス後の対象船舶における現在の汚損度を推定する。具体的には、船底汚損度推定部１０は、推定条件情報１１に含まれる停泊時間および所定の航行速度以下の航行時間を累積した期間を求め、この累積期間に航行・停泊海域の海水温度に応じた重み付けを行うことで、汚損度を推定する。

学習データ選択部２０は、船舶・気象・海象データ２１の中から船底汚損度推定部１０が推定した対象船舶における現在の汚損度に類似する汚損度を有するデータセットを予測モデル３１生成のための学習データとして選択する。

船舶・気象・海象データ２１は、対象船舶と同一または同型の船舶の過去データであり、航行時における船舶状態、気象状態、海象状態を収集したデータである。具体的には、船舶・気象・海象データ２１には、船舶状態として、航行時における船舶の汚損度、船速、単位時間あたりの燃料消費量などの情報が含まれる。また、船舶・気象・海象データ２１には、気象状態として、航行時における風速、風向などの情報が含まれる。また、船舶・気象・海象データ２１には、海象状態として、航行時における波高、波向、海流速度、海流方向などの情報が含まれる。

学習データ選択部２０は、船舶・気象・海象データ２１の中から船底汚損度推定部１０が推定した汚損度に対して所定幅（例えば±１０の範囲）で類似する汚損度のものを類似汚損度データとして抽出し、抽出したデータを学習データとして予測モデル生成部３０へ出力する。

予測モデル生成部３０は、学習データ選択部２０が選択した学習データに基づいて教師付き学習を行うことで、予測モデル３１を生成する処理部である。具体的には、予測モデル生成部３０は、学習データに含まれる単位時間あたりの燃料消費量を正解（目的変数）とする。また、予測モデル生成部３０は、学習データに含まれる燃料消費量以外の船舶状態、気象状態、海象状態などを説明変数として機械学習を行うことで、対象船舶の航行による燃料消費量を推定するための予測モデル３１を生成する。

候補航路生成部４０は、対象船舶に関する出発地、出発日時、到着地、到着日時、船速、波風、水深などを含む航路制約情報４１をもとに、出発地から到着地までの候補とする航路（以下、候補航路）を生成する処理部である。

具体的には、候補航路生成部４０は、航路制約情報４１に含まれる航路の条件において、出発地、出発日時、到着地、到着日時などの条件を満たす候補航路を複数作成する。また、候補航路生成部４０は、生成した候補航路、船速、波風、水深などの燃料消費に関する制約条件（船舶条件）を燃料消費推定部５０に通知し、各候補航路について燃料消費推定部５０が推定した燃料消費量を取得する。これにより、候補航路生成部４０は、燃料消費量付きで複数の候補航路を生成する。

燃料消費推定部５０は、予測モデル生成部３０が生成した対象船舶の予測モデル３１を用いて、対象船舶における候補航路の制約条件に応じた燃料消費量を推定する処理部である。具体的には、燃料消費推定部５０は、候補航路生成部４０が生成した候補航路における制約条件に含まれる船舶状態（船速、水深など）の値と、気象・海象予報データ３２において候補航路に該当する気象状態、海象状態の予報値とを予測モデル３１に適用する。これにより、燃料消費推定部５０は、候補航路を航行する場合の燃料消費量（例えば候補航路に沿った各地点における単位時間あたりの燃料消費量）の推定値を得る。次いで、燃料消費推定部５０は、候補航路について得られた燃料消費量の推定値を候補航路生成部４０へ出力する。

航路探索部６０は、候補航路生成部４０が生成した複数の候補航路について、燃料消費量に基づいて、燃料消費を最小とする最適な航路を探索し、探索した航路を出力する処理部である。

具体的には、航路探索部６０は、燃料消費推定部５０より燃料消費量付きで生成された複数の候補航路について、候補航路に沿った各地点における単位時間あたりの燃料消費量を積算することで、候補航路ごとの総燃料消費量を得る。次いで、航路探索部６０は、候補航路ごとの総燃料消費量をもとに、総燃料消費量を最小とする候補航路を最適航路として求め、得られた最適航路の情報を航路情報６１として出力する。

上記のように、情報処理装置１は、予測装置の一例である。なお、本実施形態では予測モデル３１の生成（予測モデル生成２）および予測モデル３１を用いた予測（ウェザールーティング３）を一つの情報処理装置１で統合して行う構成を例示するが、予測モデル生成２およびウェザールーティング３それぞれについては、別々の情報処理装置１で実現してもよい。

次に、情報処理装置１の動作の詳細について説明する。図２は、実施形態にかかる情報処理装置１の動作例を示すフローチャートである。

図２に示すように、対象船舶のウェザールーティングに関する処理が開始されると、船底汚損度推定部１０は、ユーザなどにより入力された対象船舶の推定条件情報１１をもとに現在の汚損度を推定する（Ｓ１）。

次いで、学習データ選択部２０は、船舶・気象・海象データ２１の中から船底汚損度推定部１０が推定した汚損度に類似する汚損度を有する類似汚損度データを抽出して学習データを選択する（Ｓ２）。

図３は、船底汚損度推定と学習データ選択を説明する説明図である。図３に示すように、対象船舶における現在の汚損度推定（Ｓ１）では、推定条件情報１１の値を船底汚損度推定式１２に適用することで汚損度を求める。

具体的には、推定条件情報１１には、直近のメンテナンス後から現在に至るまでの停泊時間・水温（海水温度）の情報が含まれる。また、推定条件情報１１には、低速（５ｋｎｏｔｓ）未満の航行時間・水温（海水温度）の情報が含まれる。

船底汚損度推定部１０は、推定条件情報１１における停泊時間・水温（海水温度）をｈ１、ｔ１とし、低速時の航行時間・水温（海水温度）をｈ２、ｔ２として船底汚損度推定式１２に代入することで汚損度の推定値を求める。なお、α、β、γ、δなどは任意の値（例えばα＝０．０５、β＝＝１３．６５、γ＝０．５、δ＝０．２）が設定される。図示例では、汚損度の推定値として３１．８５５が得られている。

次いで、学習データ選択部２０は、推定した汚損度（例えば３１．８５５）に類似する汚損度（推定値±１０）を有する類似汚損度データを船舶・気象・海象データ２１より抽出し、学習データとして選択する。図示例では、船舶・気象・海象データ２１の中から汚損度が３１．８５５±１０の範囲内のデータ（網掛け部分）が学習データとして選択される。

図２に戻り、Ｓ２に次いで予測モデル生成部３０は、選択した学習データに基づいて教師付き学習を行うことで、予測モデル３１を生成する（Ｓ３）。

次いで、候補航路生成部４０は、出発地、出発日時、到着地、到着日時などの航路制約情報４１の入力をユーザの入力操作などにより受け付ける（Ｓ４）。次いで、候補航路生成部４０は、受け付けた航路制約情報４１に含まれる出発地、出発日時、到着地、到着日時などの航路の条件を満たす候補航路を複数生成する（Ｓ５）。

次いで、燃料消費推定部５０は、予測モデル生成部３０が生成した対象船舶の予測モデル３１と、気象・海象予報データ３２とを参照し、候補航路生成部４０が生成した候補航路それぞれにおける航路制約情報４１の制約条件（船舶条件）に応じた燃料消費量を推定する（Ｓ６）。

次いで、航路探索部６０は、候補航路生成部４０が生成した複数の候補航路の中から、燃料消費推定部５０が推定した燃料消費量に基づいて燃料消費を最小とする最適な航路を探索し（Ｓ７）、探索した燃料最少航路（最適航路）を示す航路情報６１を出力する（Ｓ８）。

以上のように、情報処理装置１は、船底汚損度推定部１０と、学習データ選択部２０と、予測モデル生成部３０と、燃料消費推定部５０とを有する。船底汚損度推定部１０は、対象船舶に対する直近のメンテナンス以降の累積期間に基づいて対象船舶の汚損度を推定する。学習データ選択部２０は、航行による燃料消費量を推定するための予測モデル３１の生成に際し、教師データ（船舶・気象・海象データ２１）の中から、推定した汚損度に類似する汚損度を有する教師データを学習データとして選択する。予測モデル生成部３０は、選択した学習データに基づいて、教師付き学習を行うことで、航行による燃料消費量を推定するための予測モデル３１を生成する。燃料消費推定部５０は、生成した予測モデル３１を用いて、対象船舶に関する制約条件に応じた対象船舶の燃料消費量を推定する。

情報処理装置１は、対象船舶に対する直近のメンテナンス以降の累積期間に基づいて推定した対象船舶の汚損度と類似する教師データ（類似汚損度データ）をもとに生成した予測モデルを用いて燃料消費量を予測するため、対象船舶の燃料消費量を精度よく推定できる。このように、情報処理装置１では、対象船舶の燃料消費量を精度よく推定することで、船舶の運航計画の最適化を支援できる。

図４は、類似汚損度データによるウェザールーティングを説明する説明図である。図４に示すように、情報処理装置１は、ウェザールーティングの対象船舶に対する直近のメンテナンスから現時点Ｔまでの累積期間に基づいて対象船舶の汚損度を推定する。そして、情報処理装置１は、船舶・気象・海象データ２１の中から現時点Ｔにおける汚損度と類似する汚損度を有するデータ期間Ｔ１～Ｔ３のデータを学習データとして選択し、燃料消費量を予測する予測モデル３１を生成する。すなわち、情報処理装置１は、船舶・気象・海象データ２１の中でメンテナンス後の船舶性能が現時点Ｔと類似するデータによる教師付き学習により予測モデル３１を生成する。情報処理装置１では、このように生成した予測モデル３１を用いて燃料消費量を予測するので、対象船舶の燃料消費量を精度よく推定できる。

また、対象船舶に対する直近のメンテナンス以降の累積期間は、対象船舶の停泊時間を累積した期間を含む。例えば、船舶が停泊している時間は、船体の水没面及びプロペラ表面に海生生物などの付着物が最も付着しやすくなる。したがって、対象船舶の停泊時間を累積期間に含めて汚損度を推定することで、汚損度の推定精度を高めることができる。

また、対象船舶に対する直近のメンテナンス以降の累積期間は、対象船舶が所定の航行速度未満で航行した時間を累積した期間を含む。例えば、海生生物などの付着物は、船速が遅いときに付着しやすくなる。したがって、対象船舶が所定の航行速度未満で航行した時間を累積期間に含めて汚損度を推定することで、汚損度の推定精度を高めることができる。

また、船底汚損度推定部１０は、累積期間における海水温度に応じた重み付けを行って汚損度を推定する。例えば、海生生物は、海水温度により活動が影響されることから、海水温度に応じて船体の水没面及びプロペラ表面への付着のしやすさが変わる。したがって、海水温度に応じた重み付けを行って汚損度を推定することで、汚損度の推定精度を高めることができる。

また、情報処理装置１は、燃料消費推定部５０が推定した燃料消費量に基づいて対象船舶の航路を探索し、探索した航路を出力する航路探索部６０を有する。これにより、情報処理装置１は、対象船舶におけるメンテナンスを考慮して精度よく推定した燃料消費量をもとにウェザールーティングを行い、対象船舶について燃料消費量が少なくなる適切な航路を求めることができる。

なお、図示した各装置の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

情報処理装置１で行われる各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ（Micro Controller Unit）等のマイクロ・コンピュータ）上で、その全部または任意の一部を実行するようにしてもよい。また、各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ等のマイクロ・コンピュータ）で解析実行されるプログラム上、またはワイヤードロジックによるハードウエア上で、その全部または任意の一部を実行するようにしてもよいことは言うまでもない。また、情報処理装置１で行われる各種処理機能は、クラウドコンピューティングにより、複数のコンピュータが協働して実行してもよい。

ところで、上記の実施形態で説明した各種の処理は、予め用意されたプログラムをコンピュータで実行することで実現できる。そこで、以下では、上記の実施例と同様の機能を有するプログラムを実行するコンピュータ（ハードウエア）の一例を説明する。図５は、プログラムを実行するコンピュータの一例を示すブロック図である。

図５に示すように、コンピュータ１００は、各種演算処理を実行するＣＰＵ１０１と、データ入力を受け付ける入力装置１０２と、モニタ１０３と、スピーカ１０４とを有する。また、コンピュータ１００は、記憶媒体からプログラム等を読み取る媒体読取装置１０５と、各種装置と接続するためのインタフェース装置１０６と、有線または無線により外部機器と通信接続するための通信装置１０７とを有する。また、コンピュータ１００は、各種情報を一時記憶するＲＡＭ１０８と、ハードディスク装置１０９とを有する。また、コンピュータ１００内の各部（１０１～１０９）は、バス１１０に接続される。

ハードディスク装置１０９には、上記の実施形態で説明した各種の処理を実行するためのプログラム１１１が記憶される。また、ハードディスク装置１０９には、プログラム１１１が参照する各種データ１１２が記憶される。各種データ１１２は、例えば、推定条件情報１１、船舶・気象・海象データ２１、予測モデル３１、気象・海象予報データ３２および航路制約情報４１などが相当する。入力装置１０２は、例えば、情報処理装置１の操作者から操作情報の入力を受け付ける。モニタ１０３は、例えば、操作者が操作する各種画面を表示する。インタフェース装置１０６は、例えば印刷装置等が接続される。通信装置１０７は、通信ケーブル等を介して接続した外部機器との間で各種情報をやりとりする。

ＣＰＵ１０１は、ハードディスク装置１０９に記憶されたプログラム１１１を読み出して、ＲＡＭ１０８に展開して実行することで、各種の処理を行う。例えば、情報処理装置１の場合、ＣＰＵ１０１は、プログラム１１１を実行することで、船底汚損度推定部１０、学習データ選択部２０、予測モデル生成部３０、候補航路生成部４０、燃料消費推定部５０および航路探索部６０に関する処理を行う。

なお、プログラム１１１は、ハードディスク装置１０９に記憶されていなくてもよい。例えば、コンピュータ１００が読み取り可能な記憶媒体に記憶されたプログラム１１１を、コンピュータ１００が読み出して実行するようにしてもよい。コンピュータ１００が読み取り可能な記憶媒体は、例えば、ＣＤ－ＲＯＭやＤＶＤディスク、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、ＬＡＮ等に接続された装置にプログラム１１１を記憶させておき、コンピュータ１００がこれらからプログラム１１１を読み出して実行するようにしてもよい。

以上の実施形態に関し、さらに以下の付記を開示する。

（付記１）対象船舶に対する直近のメンテナンス以降の累積期間に基づいて前記対象船舶の汚損度を推定し、
航行による燃料消費量を推定するための予測モデルの生成に際し、教師データの中から、推定した前記汚損度に類似する汚損度を有する教師データを学習データとして選択し、
選択した前記学習データに基づいて前記予測モデルを生成し、
生成した前記予測モデルを用いて、前記対象船舶に関する制約条件に応じた前記対象船舶の燃料消費量を推定する、
処理をコンピュータが実行することを特徴とする推定方法。

（付記２）前記累積期間は、停泊時間を累積した期間を含む
ことを特徴とする付記１に記載の推定方法。

（付記３）前記累積期間は、所定の航行速度未満で航行した時間を累積した期間を含む、
ことを特徴とする付記１または２に記載の推定方法。

（付記４）前記汚損度を推定する処理は、前記累積期間における海水温度に応じた重み付けを行って前記汚損度を推定する、
ことを特徴とする付記１乃至３のいずれか一に記載の推定方法。

（付記５）推定した前記燃料消費量に基づいて前記対象船舶の航路を探索し、探索した前記航路を出力する、処理をさらにコンピュータが実行する、
ことを特徴とする付記１乃至４のいずれか一に記載の推定方法。

（付記６）対象船舶に対する直近のメンテナンス以降の累積期間に基づいて前記対象船舶の汚損度を推定し、
航行による燃料消費量を推定するための予測モデルの生成に際し、教師データの中から、推定した前記汚損度に類似する汚損度を有する教師データを学習データとして選択し、
選択した前記学習データに基づいて前記予測モデルを生成する、
処理をコンピュータが実行することを特徴とする学習方法。

（付記７）前記累積期間は、停泊時間を累積した期間を含む、
ことを特徴とする付記６に記載の学習方法。

（付記８）前記累積期間は、所定の航行速度未満で航行した時間を累積した期間を含む、
ことを特徴とする付記６または７に記載の学習方法。

（付記９）前記汚損度を推定する処理は、前記累積期間における海水温度に応じた重み付けを行って前記汚損度を推定する、
ことを特徴とする付記６乃至８のいずれか一に記載の学習方法。

（付記１０）対象船舶に対する直近のメンテナンス以降の累積期間に基づいて前記対象船舶の汚損度を推定し、
航行による燃料消費量を推定するための予測モデルの生成に際し、教師データの中から、推定した前記汚損度に類似する汚損度を有する教師データを学習データとして選択し、
選択した前記学習データに基づいて前記予測モデルを生成し、
生成した前記予測モデルを用いて、前記対象船舶に関する制約条件に応じた前記対象船舶の燃料消費量を推定する、
処理をコンピュータに実行させることを特徴とする推定プログラム。

（付記１１）前記累積期間は、停泊時間を累積した期間を含む、
ことを特徴とする付記１０に記載の推定プログラム。

（付記１２）前記累積期間は、所定の航行速度未満で航行した時間を累積した期間を含む、
ことを特徴とする付記１０または１１に記載の推定プログラム。

（付記１３）前記汚損度を推定する処理は、前記累積期間における海水温度に応じた重み付けを行って前記汚損度を推定する、
ことを特徴とする付記１０乃至１２のいずれか一に記載の推定プログラム。

（付記１４）推定した前記燃料消費量に基づいて前記対象船舶の航路を探索し、探索した前記航路を出力する、処理をさらにコンピュータに実行させる、
ことを特徴とする付記１０乃至１３のいずれか一に記載の推定プログラム。

（付記１５）対象船舶に対する直近のメンテナンス以降の累積期間に基づいて前記対象船舶の汚損度を推定する汚損度推定部と、
航行による燃料消費量を推定するための予測モデルの生成に際し、教師データの中から、推定した前記汚損度に類似する汚損度を有する教師データを学習データとして選択する学習データ選択部と、
選択した前記学習データに基づいて前記予測モデルを生成する予測モデル生成部と、
生成した前記予測モデルを用いて、前記対象船舶に関する制約条件に応じた前記対象船舶の燃料消費量を推定する燃料消費推定部と、
を有することを特徴とする推定装置。

（付記１６）前記累積期間は、停泊時間を累積した期間を含む、
ことを特徴とする付記１５に記載の推定装置。

（付記１７）前記累積期間は、所定の航行速度未満で航行した時間を累積した期間を含む、
ことを特徴とする付記１５または１６に記載の推定装置。

（付記１８）前記汚損度推定部は、前記累積期間における海水温度に応じた重み付けを行って前記汚損度を推定する、
ことを特徴とする付記１５乃至１７のいずれか一に記載の推定装置。

（付記１９）推定した前記燃料消費量に基づいて前記対象船舶の航路を探索し、探索した前記航路を出力する航路探索部をさらに有する、
ことを特徴とする付記１５乃至１８のいずれか一に記載の推定装置。

１…情報処理装置
２…予測モデル生成
３…ウェザールーティング
１０…船底汚損度推定部
１１…推定条件情報
１２…船底汚損度推定式
２０…学習データ選択部
２１…船舶・気象・海象データ
３０…予測モデル生成部
３１…予測モデル
３２…気象・海象予報データ
４０…候補航路生成部
４１…航路制約情報
５０…燃料消費推定部
６０…航路探索部
６１…航路情報
１００…コンピュータ
１０１…ＣＰＵ
１０２…入力装置
１０３…モニタ
１０４…スピーカ
１０５…媒体読取装置
１０６…インタフェース装置
１０７…通信装置
１０８…ＲＡＭ
１０９…ハードディスク装置
１１０…バス
１１１…プログラム
１１２…各種データ
Ｔ…現時点
Ｔ１～Ｔ３…データ期間

Claims (6)

1. 対象船舶に対する直近のメンテナンス以降の累積期間のうちで停泊時間を累積した期間と所定の航行速度未満で航行した時間を累積した期間との少なくともいずれかに基づいて前記対象船舶の汚損度を推定し、
   航行による燃料消費量を推定するための予測モデルの生成に際し、教師データの中から、推定した前記汚損度に類似する汚損度を有する教師データを学習データとして選択し、
   選択した前記学習データに基づいて前記予測モデルを生成し、
   生成した前記予測モデルを用いて、前記対象船舶に関する制約条件に応じた前記対象船舶の燃料消費量を推定する、
   処理をコンピュータが実行することを特徴とする推定方法。
2. 前記汚損度を推定する処理は、前記累積期間における海水温度に応じた重み付けを行って前記汚損度を推定する、
   ことを特徴とする請求項１に記載の推定方法。
3. 推定した前記燃料消費量に基づいて前記対象船舶の航路を探索し、探索した前記航路を出力する、処理をさらにコンピュータが実行する、
   ことを特徴とする請求項１または２に記載の推定方法。
4. 対象船舶に対する直近のメンテナンス以降の累積期間のうちで停泊時間を累積した期間と所定の航行速度未満で航行した時間を累積した期間との少なくともいずれかに基づいて前記対象船舶の汚損度を推定し、
   航行による燃料消費量を推定するための予測モデルの生成に際し、教師データの中から、推定した前記汚損度に類似する汚損度を有する教師データを学習データとして選択し、
   選択した前記学習データに基づいて前記予測モデルを生成する、
   処理をコンピュータが実行することを特徴とする学習方法。
5. 対象船舶に対する直近のメンテナンス以降の累積期間のうちで停泊時間を累積した期間と所定の航行速度未満で航行した時間を累積した期間との少なくともいずれかに基づいて前記対象船舶の汚損度を推定し、
   航行による燃料消費量を推定するための予測モデルの生成に際し、教師データの中から、推定した前記汚損度に類似する汚損度を有する教師データを学習データとして選択し、
   選択した前記学習データに基づいて前記予測モデルを生成し、
   生成した前記予測モデルを用いて、前記対象船舶に関する制約条件に応じた前記対象船舶の燃料消費量を推定する、
   処理をコンピュータに実行させることを特徴とする推定プログラム。
6. 対象船舶に対する直近のメンテナンス以降の累積期間のうちで停泊時間を累積した期間と所定の航行速度未満で航行した時間を累積した期間との少なくともいずれかに基づいて前記対象船舶の汚損度を推定する汚損度推定部と、
   航行による燃料消費量を推定するための予測モデルの生成に際し、教師データの中から、推定した前記汚損度に類似する汚損度を有する教師データを学習データとして選択する学習データ選択部と、
   選択した前記学習データに基づいて前記予測モデルを生成する予測モデル生成部と、
   生成した前記予測モデルを用いて、前記対象船舶に関する制約条件に応じた前記対象船舶の燃料消費量を推定する燃料消費推定部と、
   を有することを特徴とする推定装置。

Images