基于机器学习的船舶能效设计指数（EEDI）2030年预测：散货船、集装箱船与油轮能效趋势与减排潜力分析

这篇研究通过机器学习填补IMO数据库关键参数缺失值，首次对散货船、集装箱船和油轮进行EEDI（船舶能效设计指数）2030年预测。采用随机森林回归（RFR）处理Vref、PME等缺失数据，结合多元线性回归模型验证发现：集装箱船有望达标IMO第三阶段要求，而散货船和油轮需技术升级。研究为海事减排政策提供了数据驱动的决策框架。

　　

Highlight

EEDI框架

关于能源与环境法规的首要议题是《联合国气候变化框架公约》和《京都议定书》。后者于1997年通过、2005年生效，通过限制工业化国家的二氧化碳及甲烷、氮氧化物等温室气体（GHG）排放，将气候公约转化为实际行动。

材料与方法

本研究分析散货船、集装箱船和油轮的当前EEDI值，并预测其2030年数据。研究从IMO的GISIS数据库获取数据后，使用Python的Pandas库清洗非强制船舶数据集，随后...

结果

采用RFR模型填补"V_ref"和"P_ME"缺失值的效果因船型而异（表1）。集装箱船的V_ref和P_ME填补R²分别达0.88和0.96，散货船为0.67（V_ref）和0.92（P_ME），油轮则为0.62和0.91。这表明RFR对所有船型的P_ME预测均表现优异。

讨论

研究发现三类船舶的EEDI值均呈下降趋势，暗示设计创新和替代燃料应用正在发挥作用。值得注意的是，集装箱船的EEDI降幅显著高于散货船和油轮，这可能与其更高的标准化建造流程和规模化技术应用有关。

结论

EEDI作为海事行业关键监管工具，通过设定新船能效标准推动减排。研究证实机器学习能有效解决海事数据缺口问题，为2030年IMO减排目标达成情况提供了前瞻性评估框架。