链上镖师 / Chain Biaoshi
TRE|排放控制区航线与航速：学习型预测与多目标绿色航运优化
在燃油成本、到港时间与温室气体排放之间寻找可执行的航行方案
论文提出学习型预测—优化框架，将航线、航速、天气、到港时间窗和温室气体排放上限纳入统一决策过程。
- 01：研究对象：涉及排放控制区的船舶航线与航速联合决策
- 02：核心方法：PRC-BiLSTM性能预测与LGA-DF多目标进化优化
- 03：主要结果：燃料成本下降、航行时间保持接近原计划、排放控制在基准水平以内
ECA燃油切换下的航线—航速矛盾
船舶进入排放控制区（ECA）后需使用含硫量不超过0.1%的燃油或采取等效减排措施，驶离后可切换至含硫量不超过0.5%的LSFO。高价MGO会推动船公司压缩ECA内航程并降低航速，随后在非ECA水域绕行或加速，整体燃料消耗和温室气体排放可能上升。慢速航行还可能触及到港时间窗，引发延误成本与供应链风险。
论文将成本、时间和绿色航运目标放入同一决策空间，用排放上限约束成本与时间优化带来的外溢排放风险。
航点、RPM与排放上限共同构成决策空间
每个候选航行方案由连续航段和对应的发动机RPM组成。研究利用参考大圆航线构建正交导航网格，避开海岸、岛屿、礁石等障碍，并限制相邻阶段只能沿三类连接前进，以减少回路和急转弯。天气状态随船舶到达航点的时间更新，模型同时考虑风、浪、流、燃油消耗、航行时间和CO₂、NOₓ排放。
11. 以参考航线和可行航点生成候选路径
22. 为各航段配置满足发动机响应能力的RPM序列
33. 结合天气状态预测航行时间、燃油和排放
44. 在到港时间窗与排放上限内筛选Pareto方案
图1：ECA感知航线—航速优化的简化框架。来源：Fig. 2。
从物理链条到学习型预测—优化
性能评估采用物理残差校正的BiLSTM（PRC-BiLSTM）。物理模块依据RPM、航段距离和环境条件估计航行时间、燃油消耗及排放，数据驱动模块学习真实航行记录与物理估计之间的残差。导航决策由LGA-DF完成，算法将路线转向模式和速度设置分开学习，并通过交叉、变异、可行性修复和排放筛选持续更新候选方案。
01输入数据：船舶技术参数、AIS记录、午报和天气数据
02预测输出：航行时间、燃油消耗、CO₂排放和NOₓ排放
03优化目标：燃油成本与航行时间的Pareto最小化
04约束条件：可行航线、RPM变化范围、到港时间窗和GHG上限
图2：由LGA-DF与PRC-BiLSTM组成的学习型预测—优化框架。来源：Fig. 3。
表1：PRC-BiLSTM的输入—输出配置。来源：Table 2。
三类ECA参与案例与季度航次设置
案例研究围绕一艘集装箱船展开，船长226.27米，主机RPM调整范围为105至125，步长为2。天气信息来自20成员集合预报，预报时长为15天，时间分辨率为6小时，空间分辨率为0.75°×0.75°。历史性能数据约包含一万条跟踪记录，实验覆盖三个ECA参与案例及北半球四个季度的代表性航次。
图3：一月航次的原始航行计划与优化航行计划。来源：Fig. 4。
图4：三个案例中典型航行计划的轨迹可视化。来源：Fig. 5。
成本下降与排放控制同时出现
一月案例中，Case I的原始计划航行时间为208.68小时、燃料成本为0.4891百万美元、CO₂与NOₓ排放为3001+75吨；优化计划对应208.29小时、0.4481百万美元和2773+69吨。Case III的燃料成本由0.2164百万美元降至0.1767百万美元，航行时间由49.77小时变为49.57小时，排放由903+23吨降至737+18吨。论文报告跨太平洋航次燃料成本约节省9%。
跨太平洋航次燃料成本节省
约9%
推荐解排放改善
约2%
表2：原始计划与优化计划的航行时间、燃料成本及CO₂和NOₓ排放汇总。来源：Table 3。
图5：一月航次完整解集及到达时间窗、排放上限违规区域。来源：Fig. 6。
排放约束改变边界航行的收益逻辑
Case III展示了ECA内部航行与沿ECA边界航行的差异。沿边界航行可以利用低价LSFO降低燃油成本，却可能增加航程并要求更高航速以满足到港时间窗，排放随之超过原始水平。本文方法先依据燃油成本和航行时间构建Pareto解集，再以GHG上限进行二阶段筛选，从可行时间段内保留排放更低的代表方案。
图6：Case III的ECA内部航行策略与ECA边界航行策略。来源：Fig. 7。
表3：一月优化案例中各算法组件的运行时间分布。来源：Table 4。
图7：三种优化算法的迭代记录及改进方案贡献比例。来源：Fig. 8。
到港时间窗与燃油价格决定方案偏好
研究进一步考察到港时间窗和燃油价格分布变化对航行决策的影响。时间窗移动、放宽或收紧时，Pareto解段和推荐方案随之变化；燃油价格的分布及价格偏移也会改变时间优先、成本优先和平衡方案的期望成本。该结果支持运营人员在既定到港要求下保留多组航行方案，并依据价格情景选择决策点。
图8：不同到达时间窗下的航行决策。来源：Fig. 9。
表4：不同燃油价格分布与价格偏移下代表性计划的期望成本。来源：Table 5。
适用条件与研究边界：模型依赖可行导航网格、发动机RPM范围、天气集合预报、到港时间窗和CO₂、NOₓ排放上限。优化目标未货币化租船费、库存费用、船员费用和延误惩罚，也未计入跨候选方案不变的港口费用。
论文：Learning-based route-speed optimization for emission-control-area-aware sailing: No backfire to green shipping
作者：Yuhan Guo，Yiyang Wang，Xiaonan Zhang，Shihao Li，Lingxiao Wu
期刊：Transportation Research Part E
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
