FuelCast

FuelCast数据集是一个用于船舶燃油消耗预测的基准数据集，包含船舶操作数据、环境数据和天气数据，旨在预测船舶在特定条件下的燃油消耗量。

原始信息汇总

FuelCast数据集概述

基本信息

• 许可证: CC BY-NC-ND 4.0
• 配置:
  • cps_poseidon: CPS_Poseidon.parquet
  • cps_triton: CPS_Triton.parquet
  • oss_ceto: OSS_Ceto.parquet
• 标签: timeseries, tabular, Time Series Regression, Marine, Ship, Fuel Consumption
• 任务类别: tabular-regression, time-series-forecasting

数据来源

1. 船舶数据: 来自KROHNE EcoMATE™系统的高频自动记录数据。
2. 环境数据: 来自Copernicus Marine Environment Monitoring Service。
3. 气象数据: 来自OpenMeteo的历史预测和海洋天气预报数据。

任务

燃料消耗预测

• 目标变量: Consumer_Total_MomentaryFuel (所有消费者的总燃料消耗量，单位: kg/s)
• 输入变量:
  • Ship_SpeedOverGround
  • Environment_SeaFloorDepth
  • Weather_Temperature2m
  • Weather_WindSpeed10m
  • Weather_WindDirection10m
  • Weather_WaveHeight
  • Weather_WaveDirection
  • Weather_WavePeriod
  • Weather_OceanCurrentVelocity
  • Weather_OceanCurrentDirection

数据列描述

索引

• index: 数据样本的5分钟时间步索引（从0开始）

船舶数据

• Ship_SpeedOverGround: 船舶对地速度 (m/s)
• Ship_SpeedThroughWater: 船舶对水速度 (m/s)
• Ship_Heading: 船舶航向 (°)
• Ship_Bearing: 船舶方位 (°)
• Ship_AnemometerWindDirection: 相对风速方向 (°)
• Ship_AnemometerWindSpeed: 相对风速 (m/s)
• Ship_DraftAft: 船舶后吃水 (m)
• Ship_DraftFore: 船舶前吃水 (m)

消费者数据

• Consumer_<consumer-name>_FuelType: 燃料类型
• Consumer_<consumer-name>_RotationSpeed: 转速 (rpm)
• Consumer_<consumer-name>_ShaftPower: 输出功率 (W)
• Consumer_<consumer-name>_MomentaryFuel: 燃料消耗量 (kg/s)
• Consumer_Total_MomentaryFuel: 总燃料消耗量 (kg/s)
• Consumer_Total_ShaftPower: 总输出功率 (W)

螺旋桨数据

• Propeller_<consumer-name>_ShaftPower: 螺旋桨轴功率 (W)
• Propeller_<consumer-name>_RotationSpeed: 螺旋桨转速 (rpm)
• Propeller_<consumer-name>_ShaftTorque: 螺旋桨轴扭矩 (N m)
• Propeller_Total_ShaftPower: 总螺旋桨轴功率 (W)

环境数据

• Environment_SeaFloorDepth: 海底深度 (m)

气象数据

• Weather_Temperature2m: 2米高气温 (°C)
• Weather_RelativeHumidity2m: 2米高相对湿度 (%)
• Weather_Precipitation: 降水量 (mm)
• Weather_WeatherCode: 天气代码 (WMO code)
• Weather_SurfacePressure: 表面气压 (hPa)
• Weather_WindSpeed10m: 10米高风速 (m/s)
• Weather_WindDirection10m: 10米高风向 (°)
• Weather_WindGusts10m: 10米高阵风风速 (m/s)
• Weather_ShortwaveRadiation: 短波辐射 (W/m²)
• Weather_DirectRadiation: 直接辐射 (W/m²)
• Weather_DiffuseRadiation: 漫射辐射 (W/m²)
• Weather_DirectNormalIrradiance: 直接法向辐射 (W/m²)
• Weather_SunshineDuration: 日照时长 (s)
• Weather_WaveHeight: 波浪高度 (m)
• Weather_WaveDirection: 波浪方向 (°)
• Weather_WavePeriod: 波浪周期 (s)
• Weather_WindWaveHeight: 风浪高度 (m)
• Weather_WindWaveDirection: 风浪方向 (°)
• Weather_WindWavePeriod: 风浪周期 (s)
• Weather_WindWavePeakPeriod: 风浪峰值周期 (s)
• Weather_SwellWaveHeight: 涌浪高度 (m)
• Weather_SwellWaveDirection: 涌浪方向 (°)
• Weather_SwellWavePeriod: 涌浪周期 (s)
• Weather_SwellWavePeakPeriod: 涌浪峰值周期 (s)
• Weather_OceanCurrentVelocity: 洋流速度 (m/s)
• Weather_OceanCurrentDirection: 洋流方向 (°)

搜集汇总

数据集介绍

构建方式

FuelCast数据集构建于船舶燃油消耗预测领域，整合了多源异构数据。其核心数据源自KROHNE EcoMATE™系统采集的高频船舶运行参数，辅以哥白尼海洋环境监测服务提供的海洋深度数据，并结合OpenMeteo平台的历史预报与海洋预报再分析数据。通过5分钟间隔采样机制，将船舶动态参数、环境因素与气象条件进行时空对齐，形成具有统一时间索引的结构化时序数据。

特点

该数据集显著特征体现在多维度的参数体系设计，涵盖船舶运动状态（如对地航速、航向角）、动力系统参数（发动机转速、轴功率）及精细化环境变量（海浪高度、洋流矢量）。目标变量采用全船瞬时总耗油率，有效反映综合能耗状况。数据具有明确的物理量纲和时空连续性，为船舶能效建模提供了高精度、多尺度的特征支撑。

使用方法

研究者可通过加载parquet格式数据文件，以时间索引为基准构建监督学习样本。输入特征需整合船舶运行参数、海洋环境变量与气象要素共10个关键指标，预测目标为Consumer_Total_MomentaryFuel变量。数据集支持tabular-regression和time-series-forecasting两类任务，适用于传统机器学习模型与深度时序网络的训练验证，为船舶燃油消耗仿真提供基准测试平台。

背景与挑战

背景概述

FuelCast数据集诞生于海事能源效率研究的关键时期，由KROHNE、Copernicus海洋环境监测服务和OpenMeteo等机构联合构建，旨在通过多源异构数据融合推进船舶燃油消耗的精准预测。该数据集整合了船舶自动记录系统的高频运行参数、海洋环境再分析数据和气象预报数据，核心研究聚焦于建立船舶在复杂工况下的燃油消耗模拟模型，为航运业碳减排和智能航行决策提供关键数据支撑，对推动绿色航运技术发展具有显著影响力。

当前挑战

该数据集首要解决船舶能效建模中多物理场耦合的复杂性挑战，需精确量化航行姿态、海洋流体动力与气象要素对燃油消耗的非线性影响。数据构建过程中面临多源时空数据对齐难题，包括船舶传感器高频采样与海洋气象低频再分析数据的时空插值融合，以及不同数据源单位体系与测量精度的标准化处理，同时需克服海上数据采集环境恶劣导致的信号缺失与噪声干扰问题。

常用场景

经典使用场景

在船舶能效优化研究中，FuelCast数据集被广泛应用于构建高精度燃油消耗预测模型。该数据集整合了船舶运行状态、海洋环境与气象数据，通过时间序列回归方法模拟船舶在不同工况下的燃油消耗动态。研究者通常利用其五分钟间隔的采样特性，训练时序预测模型来捕捉船舶速度、海浪高度与风速等多变量对燃油效率的复合影响，为航运能效分析提供基准框架。

解决学术问题

该数据集有效解决了船舶能效建模中多源异构数据融合的学术挑战，通过统一船舶自动记录系统、海洋环境监测与气象预报数据，填补了高精度燃油消耗仿真领域的数据空白。其意义在于为研究者提供了验证时序预测算法可靠性的标准平台，推动了基于物理机制与数据驱动融合的船舶能效研究范式发展，对减少航运碳排放具有重要理论价值。

衍生相关工作

基于FuelCast数据集衍生的经典研究包括结合图神经网络与注意力机制的多元时序预测模型，这些工作创新性地将船舶运动特性与海洋流体动力学建模相结合。另有研究开发了基于强化学习的船舶能效优化框架，通过模拟环境交互实现燃油消耗的动态控制。这些成果显著推动了智能航运领域的发展，并为跨学科能源管理研究提供了方法论参考。