id:"swepub:oai:DiVA.org:hh-51888"
Sökning: id:"swepub:oai:DiVA.org:hh-51888" > Data-Driven Explain...
- 1 av 1
- Föregående post
- Nästa post
- Till träfflistan
Data-Driven Explainable Artificial Intelligence for Energy Efficiency in Short-Sea Shipping
-
- Abuella, Mohamed, 1980- (författare)
- Högskolan i Halmstad,Centrum för forskning om tillämpade intelligenta system (CAISR)
-
- Atoui, M. Amine, 1989- (författare)
- Högskolan i Halmstad,Centrum för forskning om tillämpade intelligenta system (CAISR)
-
- Nowaczyk, Sławomir, 1978- (författare)
- Högskolan i Halmstad,Centrum för forskning om tillämpade intelligenta system (CAISR)
- visa fler...
- visa färre...
- (creator_code:org_t)
- Cham : Springer, 2023
- 2023
- Engelska.
- Ingår i: Machine Learning and Knowledge Discovery in Databases. - Cham : Springer. - 9783031434297 - 9783031434303 ; , s. 226-241
- Konferensbidrag (refereegranskat)
Abstract
Ämnesord
Stäng
- The maritime industry is under pressure to increase energy efficiency for climate change mitigation. Navigational data, combining vessel operational and environmental measurements from onboard instruments and external sources, are critical for achieving this goal. Short-sea shipping presents a unique challenge due to the significant influence of surrounding landscape characteristics. With high-resolution onboard data increasingly accessible through IoT devices, appropriate data representations and AI/ML analytical tools are needed for effective decision support. The aim of this study is to investigate the fuel consumption estimation model’s role in developing an energy efficiency decision support tool. ML models that lacking explainability may neglect important factors and essential constraints, such as the need to meet arrival time requirements. Onboard weather measurements are compared to external forecasts, and our findings demonstrate the necessity of eXplainable Artificial Intelligence (XAI) techniques for effective decision support. Real-world data from a short-sea passenger vessel in southern Sweden, consisting of 1754 voyages over 15 months (More of data description and code sources of this study can be found in the GitHub repository at https://github.com/MohamedAbuella/ST4EESSS), are used to support our conclusions. © 2023, The Author(s), under exclusive license to Springer Nature Switzerland AG.
Ämnesord
- TEKNIK OCH TEKNOLOGIER -- Elektroteknik och elektronik -- Annan elektroteknik och elektronik (hsv//swe)
- ENGINEERING AND TECHNOLOGY -- Electrical Engineering, Electronic Engineering, Information Engineering -- Other Electrical Engineering, Electronic Engineering, Information Engineering (hsv//eng)
Nyckelord
- Short-sea shipping
- Energy efficiency
- Explainability
- Spatio-temporal aggregation
Publikations- och innehållstyp
- ref (ämneskategori)
- kon (ämneskategori)
Hitta via bibliotek
- Machine Learning and Knowledge Discovery in Databases (Sök värdpublikationen i LIBRIS)
Till lärosätets databas
- 1 av 1
- Föregående post
- Nästa post
- Till träfflistan
Hitta mer i SwePub
- Av författaren/redakt...
- Abuella, Mohamed ...
- Atoui, M. Amine, ...
- Nowaczyk, Sławom ...
- Johansson, Simon
- Faghani, Ethan
- Om ämnet
-
- TEKNIK OCH TEKNOLOGIER
- TEKNIK OCH TEKNO ...
- och Elektroteknik oc ...
- och Annan elektrotek ...
- Artiklar i publikationen
- Machine Learning ...
- Av lärosätet
- Högskolan i Halmstad
Sök utanför SwePub
- Sök vidare i:
- Google Book Search
- Google Scholar
Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.
- Copyright © LIBRIS - Nationella bibliotekssystem
- LIBRIS.kb.se
