晨光
暗夜
晨光
极光
Bilingual Paper Reading · 中英对照精读

FuelCast：船舶燃油消耗的表格模型与时间序列模型基准评测

准大一 · 轮机工程 × 船舶能效 × AI+航运 —— 船用燃油消耗预测基准精读材料
原文：arXiv:2510.08217 2025年10月9日发布 arXiv 预印本（cs.LG / cs.AI） 燃油消耗预测 × 公开数据集 × 基础模型 附英文摘要朗读音频

一、论文档案

英文标题FuelCast: Benchmarking Tabular and Temporal Models for Ship Fuel Consumption
中文标题FuelCast：船舶燃油消耗的表格模型与时间序列模型基准评测
作者尤斯图斯·维加, 佩内洛普·穆克, 亚历山大·勒泽尔, 托本·魏斯（机构未在素材中标注）
发布时间2025年10月9日（v1）｜分类：cs.LG（机器学习）、cs.AI（人工智能）
原文链接arxiv.org/abs/2510.08217　·　全文 HTML 版
一句话概括发布了一个包含三艘船运行与环境数据的燃油消耗公开数据集（FuelCast），建立「表格回归 + 时间序列回归」双任务标准基准，并首次把 TabPFN 基础模型的上下文学习（in-context learning）用于船舶油耗建模——小数据也能出好效果。
💡 为什么选这篇给你：① 燃油成本是航运最大开销，油耗预测直接连着航线优化与排放核算，是轮机工程里「离钱最近」的机器学习问题；② 论文干了一件基础设施级的事——开源数据集 + 统一评测协议，让不同模型可以公平比较，这是领域最缺的东西；③ 用 TabPFN 做「少样本上下文学习」，思路新颖且结论明确：环境条件比单纯航速更重要，时间上下文也有帮助。

二、核心术语表（先扫一遍再读正文）

英文术语中文大白话解释
fuel consumption燃油消耗船舶航行中消耗的燃油量，是航运最大的运营成本，也是排放的直接来源。
benchmark基准（评测）一套统一的数据集 + 任务 + 评价指标，让不同模型在同一把尺子下公平比较。
tabular regression表格回归输入是「一行一条样本」的结构化表格（航速、吃水、风速……），预测一个连续数值。
time-series regression时间序列回归输入带时间顺序（如连续多小时的传感器读数），利用时序依赖做预测。
in-context learning上下文学习预训练模型不用微调，直接在推理时把少量样本「喂」进上下文就能学会新任务。
foundation model基础模型在大规模数据上预训练、可迁移到多种下游任务的大模型，如 TabPFN、GPT。
TabPFNTabPFN一个预训练的「表格数据」概率 Transformer，号称小样本表格任务秒级出结果。
CatBoostCatBoost梯度提升树（GBDT）的一种，对结构化表格数据非常擅长，工程上极常用。
LSTM长短期记忆网络经典循环神经网络（RNN）变体，擅长建模带时间顺序的序列数据。
vessel speed航速船舶航行速度，传统油耗估算主要看它——但论文证明只看航速不够。
sea state / weather conditions海况 / 气象条件风、浪、流等环境因素，会显著改变阻力与油耗，是「环境条件」的核心。
polynomial baseline多项式基线用多项式拟合航速-油耗关系的简单参考模型，用来衬托更复杂模型的价值。
onboard, data-driven船载、数据驱动直接在船上用采集到的运行数据做实时油耗预测，不依赖岸基算力。
regime change工况切换船舶运行模式发生改变（如加速、减速、进出港），数据分布随之变化。

三、摘要中英对照（精读核心）

🎧 音频在文末，可先听一遍原文再读；每个英文句都配了逐句翻译。

摘要 Abstract

EN · 原文
In the shipping industry, fuel consumption and emissions are critical factors due to their significant impact on economic efficiency and environmental sustainability.
CN · 翻译
在航运业中，燃油消耗与排放是关键因素，因为它们对经济效率和环境可持续性有着重大影响。
EN · 原文
Accurate prediction of ship fuel consumption is essential for further optimization of maritime operations.
CN · 翻译
精确预测船舶燃油消耗，是进一步优化海事运营的必要前提。
EN · 原文
However, heterogeneous methodologies and limited high-quality datasets hinder direct comparison of modeling approaches.
CN · 翻译
然而，方法五花八门加上高质量数据集稀缺，阻碍了不同建模方法之间的直接比较。
EN · 原文
This paper makes three key contributions: (1) we introduce and release a new dataset (https://huggingface.co/datasets/krohnedigital/FuelCast) comprising operational and environmental data from three ships; (2) we define a standardized benchmark covering tabular regression and time-series regression (3) we investigate the application of in-context learning for ship consumption modeling using the TabPFN foundation model - a first in this domain to our knowledge.
CN · 翻译
本文有三点关键贡献：(1) 我们推出并开源一个新数据集（https://huggingface.co/datasets/krohnedigital/FuelCast），包含三艘船的运行与环境数据；(2) 我们定义了覆盖表格回归与时间序列回归的标准化基准；(3) 我们研究了用 TabPFN 基础模型进行船舶油耗建模的上下文学习应用——据我们所知这是该领域的首次。
EN · 原文
Our results demonstrate strong performance across all evaluated models, supporting the feasibility of onboard, data-driven fuel prediction.
CN · 翻译
我们的结果表明，所有被评测的模型都表现强劲，支持了船载、数据驱动油耗预测的可行性。
EN · 原文
Models incorporating environmental conditions consistently outperform simple polynomial baselines relying solely on vessel speed.
CN · 翻译
融入了环境条件的模型，稳定地优于只依赖航速的简单多项式基线。
EN · 原文
TabPFN slightly outperforms other techniques, highlighting the potential of foundation models with in-context learning capabilities for tabular prediction.
CN · 翻译
TabPFN 略微胜过其他技术，凸显了具备上下文学习能力的基础模型在表格预测上的潜力。
EN · 原文
Furthermore, including temporal context improves accuracy.
CN · 翻译
此外，加入时间上下文能提升精度。

关键词 Keywords：Ship Fuel Consumption 船舶燃油消耗 ｜ Benchmark 基准评测 ｜ TabPFN ｜ In-Context Learning 上下文学习 ｜ Time Series 时间序列

四、引言精选（为什么这个问题重要）

① 油耗预测为什么是战略要务

EN · 原文
In the shipping industry, fuel consumption and emissions are key performance indicators with far-reaching economic and ecological consequences. With stricter international regulations and rising climate concerns, reducing emissions has become a strategic imperative. Accurate fuel consumption prediction plays a central role in this context, enabling optimized routing, operational planning, and emissions estimation. However, predictive modeling in maritime settings faces fundamental challenges: data scarcity, high variability, and the lack of standardized benchmarks.
CN · 翻译
在航运业中，燃油消耗与排放是影响深远的经济与生态绩效指标。随着国际法规趋严、气候关切上升，减排已成为战略要务。精确的油耗预测在此背景下扮演核心角色，支撑航线优化、运营规划与排放估算。然而，海事场景的预测建模面临根本性挑战：数据稀缺、高度多变、缺乏标准化基准。

② 理想的基准数据集应该长什么样

EN · 原文
Ideally, benchmark datasets for fuel consumption prediction in maritime transport would span multiple years, cover a diverse fleet of vessels, and include rich contextual information such as weather conditions, sea states, engine parameters, operational modes, and route metadata. They would be accurately labeled, time-synchronized, and representative of real-world variability across seasons, vessel types, and operational patterns.
CN · 翻译
理想情况下，海事运输油耗预测的基准数据集应当：跨度多年、覆盖多种船型，并包含丰富的上下文信息（气象条件、海况、主机参数、运行模式、航线元数据）；应当标注准确、时间同步，并代表跨季节、跨船型、跨运行模式的实际变异性。

③ 现实：数据碎片化、保密约束、开源罕见

EN · 原文
However, creating such datasets is extremely challenging. Maritime operational data is often fragmented across stakeholders, stored in proprietary formats, and subject to strict confidentiality constraints. Ensuring data quality through cleaning, synchronization, and contextualization requires significant domain expertise and infrastructure. Additionally, legal and commercial concerns frequently prevent open publication. As a result, comprehensive, high-quality, and openly available temporal datasets in the maritime sector remain the exception.
CN · 翻译
然而，创建这样的数据集极其困难。海事运行数据往往分散在各方手中、以专有格式存储、并受严格保密约束。清洗、同步与情境化需要大量领域专业知识和基础设施；法律与商业顾虑也常阻碍公开。结果，海事领域全面、高质量且开放的时间序列数据集仍是例外。

④ 核心问题：大数据训练 vs 基础模型少样本

EN · 原文
This setup allows us to investigate a central question: Is successful fuel consumption modeling primarily dependent on large-scale supervised training, or can pretrained foundation models offer strong performance even with limited data? We deliberately omit standard Transformer architectures, as their typical reliance on large datasets and tuning budgets contrasts with our focus on practical, data-efficient approaches.
CN · 翻译
这一设置让我们得以探究一个核心问题：成功的油耗建模主要依赖大规模监督训练，还是预训练基础模型在小数据下也能表现强劲？我们刻意不纳入标准 Transformer 架构，因为它们对大数据集和调参预算的依赖，与本文「实用、数据高效」的定位相悖。
💡 这是全文最有味道的一句：“Is successful fuel consumption modeling primarily dependent on large-scale supervised training, or can pretrained foundation models offer strong performance even with limited data?”——把「要多少数据」这个工程现实问题，升级成了一个基础模型时代的科学问题。

五、论文贡献（3 个要点）

EN · 原文
1. A new long-term timeseries dataset. A new long-term timeseries dataset comprising operational and environmental data from three ships.
CN · 翻译
1. 新的长期时间序列数据集。包含三艘船运行与环境数据的长期时间序列数据集（已开源至 HuggingFace）。
EN · 原文
2. A structured evaluation protocol. A structured evaluation protocol across two time series regression tasks, and
CN · 翻译
2. 结构化评测协议。覆盖两个时间序列回归任务的结构化评测协议（表格回归 + 时间序列回归）。
EN · 原文
3. In-context learning with TabPFN. Apply in-context learning using the TabPFN foundation model, which, to the best of our knowledge, has not yet been applied in maritime fuel prediction and represents a novel approach to modeling low-data and complex tabular tasks.
CN · 翻译
3. 用 TabPFN 做上下文学习。将 TabPFN 基础模型应用于上下文学习——据我们所知，这在海事油耗预测中尚属首次，为低数据、复杂表格任务提供了新思路。

六、结论中英对照

EN · 原文
In this work, we presented a new dataset of operational and environmental time-series data from three ships and introduced a novel benchmark covering tabular and time-series regression tasks.
CN · 翻译
本文发布了来自三艘船的运行与环境时间序列新数据集，并引入了覆盖表格与时间序列回归任务的新型基准。
EN · 原文
Our results show that incorporating temporal context improves accuracy in some cases. TabPFN slightly outperformed other models, indicating the potential of in-context learning for ship fuel consumption prediction. In particular, in-context learning requires only little data to perform well. We also confirm that fuel consumption is influenced not only by vessel speed but also by environmental conditions such as weather and sea state.
CN · 翻译
结果表明：加入时间上下文在部分情况下能提升精度；TabPFN 略优于其他模型，说明上下文学习在船舶油耗预测上的潜力——尤其它只需很少数据就能表现良好。我们还证实：油耗不仅受航速影响，还受气象与海况等环境条件影响。
EN · 原文
Overall, our standardized benchmark provides a reproducible basis for evaluating temporal regression methods in the maritime domain and demonstrates the feasibility of modern machine learning - especially foundation models - for accurate onboard fuel estimation.
CN · 翻译
总体而言，我们的标准化基准为海事领域时间回归方法的评测提供了可复现的基础，并证明了现代机器学习——尤其是基础模型——用于精确船载燃油估算的可行性。

七、编者解读：这篇论文到底讲了什么（大白话版）

  1. 问题：各家各派都在做船舶油耗预测，但数据集不公开、评测方法不统一，论文之间根本没法比——「都说自己准，到底谁准？」没人知道。
  2. 做法：先开源一个包含三艘船运行+环境数据的长期数据集（FuelCast），再定一套统一的评测协议（表格回归 + 时间序列回归两个任务），最后把 CatBoost、LSTM、TabPFN 三大家族拉到同一把尺子下比。
  3. 结果：① 所有模型都不差——说明「船载、数据驱动」油耗预测可行；② 只看航速的简单多项式基线垫底——环境条件必须建模；③ TabPFN 略微领先且「吃数据少」——基础模型在小样本场景很有戏。
  4. 最值钱的观点：数据本身是领域最稀缺的资源。这篇论文最大的贡献不是模型，而是「把数据公开、把尺子统一」——这比再刷一个百分点更有长期价值。
  5. 工程意义：对轮机员和船东来说，准确的油耗预测意味着：航线怎么选、船速怎么定、排放怎么报都有据可依；而「少数据也能准」意味着小公司、老旧船也能用上 AI。
🎯 对保研的启示：这篇论文示范了「基础设施型贡献」的科研价值——当大家都缺数据、缺标准时，造数据集、立基准本身就是顶级贡献。复试时聊「我发现了领域缺什么，并把它补上了」，比单纯说「我的模型涨了两个点」更有分量。

八、给准大一的阅读路线图 & 延伸方向

📖 怎么读这篇论文（三遍法）

  1. 第一遍（10 分钟）：只读摘要和术语表，回答三个问题——问题是什么？方法是什么？结果是什么？
  2. 第二遍（20 分钟）：读引言 + 结论，重点体会「为什么数据稀缺是最大瓶颈」以及「环境条件为什么比航速更能解释油耗」。
  3. 第三遍（30 分钟）：读贡献三条 + 实验设置文字部分，跳过公式和编号，只看文字描述；遇到不懂的术语回查术语表。

🚀 这个方向你能延伸做什么

九、英文摘要朗读（练听力用）

先盲听一遍→再看对照稿→再听一遍。目标是听出每个数字（three ships、three key contributions）和术语（benchmark、in-context learning、TabPFN、vessel speed）。