Πρόβλεψη λειτουργικών παραμέτρων πλοίου με χρήση τεχνικών τεχνητής νοημοσύνης

Abstract

Σε αυτή τη διπλωματική διατριβή ο συγγραφέας αξιολογεί και συγκρίνει τη χρήση αλγορίθμων πολλαπλής παλινδρόμησης όπως τα Τεχνητά Νευρωνικά Δίκτυα, τα Δέντρα Απόφασης, τα Δάση Τυχαίας Απόφασης, τους k-Πλησιέστερους Γείτονες (kNN), τη Γραμμική Παλινδρόμηση και του AdaBoost στην πρόβλεψη της απαιτούμενης ισχύος της κύριας μηχανής πλοίου. Αυτή η προσέγγιση βασίζεται στην εξόρυξη γνώσης με την χρήση δεδομένων που αντιστοιχούν σε πραγματικές τιμές μεγεθών που συλλέχθηκαν από το σύστημα αυτόματης καταγραφής και παρακολούθησης δεδομένων (ADLM) ενός πλοίου σε περίοδο έξι μηνών. Συγκρίνονται τα αποτελέσματα πρόβλεψης των ανωτέρω αλγορίθμων με χρήση δύο ξεχωριστών συνόλων δεδομένων: το αρχικό πλήρες σύνολο δεδομένων καθώς και ένα δεύτερο το οποίο προκύπτει από την επεξεργασία του πρωτοτύπου βάση συγκεκριμένης μεθοδολογίας, με τη χρήση ενός συνδυασμού στατιστικών μεθόδων καθώς και τη γνώση των φυσικών αρχών που διέπουν το υπό εξέταση φυσικό μέγεθος. Η μελέτη αποδεικνύει ότι με τη χρήση της Τεχνητής νοημοσύνης (μέσω μηχανικής μάθησης) και της κατάλληλης προ επεξεργασίας των δεδομένων μπορούμε να επιτύχουμε αποτελέσματα πρόβλεψης με ποσοστό σφάλματος κάτω του 3% στο 99,31% των υπό πρόβλεψη τιμών.