{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5311839"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5311839","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"“Autonomous Shipping: Ship Fuel Consumption Prediction with Machine Learning”","abstract":"Οι θαλάσσιες μεταφορές αποτελούν πρωταρχικό παράγοντα διευκόλυνσης του παγκόσμιου εμπορίου, αλλά δέχονται ολοένα και μεγαλύτερη πίεση για τη μείωση της χρήσης καυσίμων για οικονομικούς και περιβαλλοντικούς λόγους. Η ακριβής πρόβλεψη της κατανάλωσης καυσίμων των πλοίων μπορεί δυνητικά να βελτιστοποιήσει την λειτουργική απόδοση, να καταστήσει εφικτές τις βιώσιμες λειτουργίες και να υποστηρίξει τη συμμόρφωση με τις κανονιστικές απαιτήσεις. Έτσι, η παρούσα μελέτη διερευνά την εφαρμογή αλγορίθμων μηχανικής μάθησης (ML) για την πρόβλεψη της κατανάλωσης καυσίμων των πλοίων, με ιδιαίτερη έμφαση στην επίδραση των καιρικών και θαλάσσιων συνθηκών στην ακρίβεια των μοντέλων. Το σύνολο δεδομένων που χρησιμοποιήθηκε βασίζεται σε λειτουργικές και περιβαλλοντικές παρατηρήσεις, περιλαμβάνει μεταβλητές όπως η ταχύτητα του άξονα, το μέσο βύθισμα, η ταχύτητα πάνω από το νερό, οι καιρικές συνθήκες και η κατάσταση της θάλασσας, εκ των οποίων ορισμένες συνέβαλαν στην επίτευξη των τελικών αποτελεσμάτων του πειράματος, ενώ άλλες αποκλείστηκαν μετά την εκτέλεση τεχνικών προεπεξεργασίας όπως η κανονικοποίηση, η ανάλυση χαρακτηριστικών και η διασταυρούμενη επικύρωση. Στη συνέχεια, χρησιμοποιήθηκαν τέσσερις αλγόριθμοι εποπτευόμενης μάθησης για τον πειραματισμό στο σύνολο δεδομένων: Πολλαπλή Γραμμική Παλινδρόμηση, Παλινδρόμηση Δέντρου Αποφάσεων, Παλινδρόμηση Τυχαίου Δάσους και Παλινδρόμηση XGBoost, οι οποίοι αξιολογήθηκαν όλοι ως προς την απόδοση μέσω του Μέσου Απόλυτου Σφάλματος (MAE), της Ρίζας Μέσου Τετραγωνικού Σφάλματος (RMSE) και του συντελεστή προσδιορισμού (R²). Τα αποτελέσματα αποκαλύπτουν ότι οι μέθοδοι συνόλων, και ιδιαίτερα το XGBoost, παρείχαν σταθερά την υψηλότερη προγνωστική ακρίβεια σε όλες τις μετρήσεις, ακολουθούμενες από το Random Forest, ενώ τα Δέντρα Αποφάσεων παρείχαν πλεονέκτημα ερμηνευσιμότητας με μια μικρή απώλεια ακρίβειας, ενώ η Πολλαπλή Γραμμική Παλινδρόμηση προσέφερε ένα διαφανές βασικό μοντέλο. Η ανάλυση της σημασίας των χαρακτηριστικών ανέδειξε την ταχύτητα του άξονα ως τον ισχυρότερο προβλεπτικό παράγοντα, ακολουθούμενη από την ταχύτητα πάνω από το νερό και το μέσο βύθισμα. Αξιοσημείωτο είναι ότι, ακόμη και μετά την αφαίρεση της ταχύτητας άξονα και στη συνέχεια της ταχύτητας μέσω του νερού, οι προβλέψεις παρέμειναν ακριβείς, γεγονός που υποδεικνύει ότι μπορούν να υπάρχουν ακριβείς προβλέψεις ακόμη και χωρίς άμεσες μετρήσεις ταχύτητας. Η συμπερίληψη των καιρικών και θαλάσσιων συνθηκών βελτίωσε ακόμη περισσότερο την προγνωστική ποιότητα, επιβεβαιώνοντας τη σημασία τους για τα μοτίβα κατανάλωσης καυσίμων. Η μελέτη καταλήγει στο συμπέρασμα ότι οι προηγμένες μέθοδοι μηχανικής μάθησης είναι σε θέση να προσφέρουν αξιόπιστες και ερμηνεύσιμες προβλέψεις για την κατανάλωση καυσίμων των πλοίων ακόμη και σε σενάρια μερικής διαθεσιμότητας δεδομένων. Αυτά τα ευρήματα έχουν άμεσες εφαρμογές στην παρακολούθηση καυσίμου σε πραγματικό χρόνο, στη βελτιστοποίηση ταξιδιών και την ελαχιστοποίηση του περιβαλλοντικού αποτυπώματος της ναυτιλίας. Μελλοντικές έρευνες θα μπορούσαν να διερευνήσουν μεγαλύτερα σύνολα δεδομένων, πρόσθετες περιβαλλοντικές παραμέτρους και υβριδικές μεθόδους μοντελοποίησης για την ενίσχυση της ανθεκτικότητας και της προσαρμοστικότητας.","abstract_html":"Οι θαλάσσιες μεταφορές αποτελούν πρωταρχικό παράγοντα διευκόλυνσης του παγκόσμιου εμπορίου, αλλά δέχονται ολοένα και μεγαλύτερη πίεση για τη μείωση της χρήσης καυσίμων για οικονομικούς και περιβαλλοντικούς λόγους. Η ακριβής πρόβλεψη της κατανάλωσης καυσίμων των πλοίων μπορεί δυνητικά να βελτιστοποιήσει την λειτουργική απόδοση, να καταστήσει εφικτές τις βιώσιμες λειτουργίες και να υποστηρίξει τη συμμόρφωση με τις κανονιστικές απαιτήσεις. Έτσι, η παρούσα μελέτη διερευνά την εφαρμογή αλγορίθμων μηχανικής μάθησης (ML) για την πρόβλεψη της κατανάλωσης καυσίμων των πλοίων, με ιδιαίτερη έμφαση στην επίδραση των καιρικών και θαλάσσιων συνθηκών στην ακρίβεια των μοντέλων. Το σύνολο δεδομένων που χρησιμοποιήθηκε βασίζεται σε λειτουργικές και περιβαλλοντικές παρατηρήσεις, περιλαμβάνει μεταβλητές όπως η ταχύτητα του άξονα, το μέσο βύθισμα, η ταχύτητα πάνω από το νερό, οι καιρικές συνθήκες και η κατάσταση της θάλασσας, εκ των οποίων ορισμένες συνέβαλαν στην επίτευξη των τελικών αποτελεσμάτων του πειράματος, ενώ άλλες αποκλείστηκαν μετά την εκτέλεση τεχνικών προεπεξεργασίας όπως η κανονικοποίηση, η ανάλυση χαρακτηριστικών και η διασταυρούμενη επικύρωση. Στη συνέχεια, χρησιμοποιήθηκαν τέσσερις αλγόριθμοι εποπτευόμενης μάθησης για τον πειραματισμό στο σύνολο δεδομένων: Πολλαπλή Γραμμική Παλινδρόμηση, Παλινδρόμηση Δέντρου Αποφάσεων, Παλινδρόμηση Τυχαίου Δάσους και Παλινδρόμηση XGBoost, οι οποίοι αξιολογήθηκαν όλοι ως προς την απόδοση μέσω του Μέσου Απόλυτου Σφάλματος (MAE), της Ρίζας Μέσου Τετραγωνικού Σφάλματος (RMSE) και του συντελεστή προσδιορισμού (R²). Τα αποτελέσματα αποκαλύπτουν ότι οι μέθοδοι συνόλων, και ιδιαίτερα το XGBoost, παρείχαν σταθερά την υψηλότερη προγνωστική ακρίβεια σε όλες τις μετρήσεις, ακολουθούμενες από το Random Forest, ενώ τα Δέντρα Αποφάσεων παρείχαν πλεονέκτημα ερμηνευσιμότητας με μια μικρή απώλεια ακρίβειας, ενώ η Πολλαπλή Γραμμική Παλινδρόμηση προσέφερε ένα διαφανές βασικό μοντέλο. Η ανάλυση της σημασίας των χαρακτηριστικών ανέδειξε την ταχύτητα του άξονα ως τον ισχυρότερο προβλεπτικό παράγοντα, ακολουθούμενη από την ταχύτητα πάνω από το νερό και το μέσο βύθισμα. Αξιοσημείωτο είναι ότι, ακόμη και μετά την αφαίρεση της ταχύτητας άξονα και στη συνέχεια της ταχύτητας μέσω του νερού, οι προβλέψεις παρέμειναν ακριβείς, γεγονός που υποδεικνύει ότι μπορούν να υπάρχουν ακριβείς προβλέψεις ακόμη και χωρίς άμεσες μετρήσεις ταχύτητας. Η συμπερίληψη των καιρικών και θαλάσσιων συνθηκών βελτίωσε ακόμη περισσότερο την προγνωστική ποιότητα, επιβεβαιώνοντας τη σημασία τους για τα μοτίβα κατανάλωσης καυσίμων. Η μελέτη καταλήγει στο συμπέρασμα ότι οι προηγμένες μέθοδοι μηχανικής μάθησης είναι σε θέση να προσφέρουν αξιόπιστες και ερμηνεύσιμες προβλέψεις για την κατανάλωση καυσίμων των πλοίων ακόμη και σε σενάρια μερικής διαθεσιμότητας δεδομένων. Αυτά τα ευρήματα έχουν άμεσες εφαρμογές στην παρακολούθηση καυσίμου σε πραγματικό χρόνο, στη βελτιστοποίηση ταξιδιών και την ελαχιστοποίηση του περιβαλλοντικού αποτυπώματος της ναυτιλίας. Μελλοντικές έρευνες θα μπορούσαν να διερευνήσουν μεγαλύτερα σύνολα δεδομένων, πρόσθετες περιβαλλοντικές παραμέτρους και υβριδικές μεθόδους μοντελοποίησης για την ενίσχυση της ανθεκτικότητας και της προσαρμοστικότητας.","abstract_has_math":false,"creators":["Γκούμας Αντώνιος","Gkoumas Antonios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:49Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5311839"],"render_values":[{"text":"uoadl:5311839","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5311839","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5311839","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5311839","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γκούμας Αντώνιος","Gkoumas Antonios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5311839","https://pergamos.lib.uoa.gr/uoa/dl/object/5311839"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι θαλάσσιες μεταφορές αποτελούν πρωταρχικό παράγοντα διευκόλυνσης του παγκόσμιου εμπορίου, αλλά δέχονται ολοένα και μεγαλύτερη πίεση για τη μείωση της χρήσης καυσίμων για οικονομικούς και περιβαλλοντικούς λόγους. Η ακριβής πρόβλεψη της κατανάλωσης καυσίμων των πλοίων μπορεί δυνητικά να βελτιστοποιήσει την λειτουργική απόδοση, να καταστήσει εφικτές τις βιώσιμες λειτουργίες και να υποστηρίξει τη συμμόρφωση με τις κανονιστικές απαιτήσεις. Έτσι, η παρούσα μελέτη διερευνά την εφαρμογή αλγορίθμων μηχανικής μάθησης (ML) για την πρόβλεψη της κατανάλωσης καυσίμων των πλοίων, με ιδιαίτερη έμφαση στην επίδραση των καιρικών και θαλάσσιων συνθηκών στην ακρίβεια των μοντέλων. Το σύνολο δεδομένων που χρησιμοποιήθηκε βασίζεται σε λειτουργικές και περιβαλλοντικές παρατηρήσεις, περιλαμβάνει μεταβλητές όπως η ταχύτητα του άξονα, το μέσο βύθισμα, η ταχύτητα πάνω από το νερό, οι καιρικές συνθήκες και η κατάσταση της θάλασσας, εκ των οποίων ορισμένες συνέβαλαν στην επίτευξη των τελικών αποτελεσμάτων του πειράματος, ενώ άλλες αποκλείστηκαν μετά την εκτέλεση τεχνικών προεπεξεργασίας όπως η κανονικοποίηση, η ανάλυση χαρακτηριστικών και η διασταυρούμενη επικύρωση. Στη συνέχεια, χρησιμοποιήθηκαν τέσσερις αλγόριθμοι εποπτευόμενης μάθησης για τον πειραματισμό στο σύνολο δεδομένων: Πολλαπλή Γραμμική Παλινδρόμηση, Παλινδρόμηση Δέντρου Αποφάσεων, Παλινδρόμηση Τυχαίου Δάσους και Παλινδρόμηση XGBoost, οι οποίοι αξιολογήθηκαν όλοι ως προς την απόδοση μέσω του Μέσου Απόλυτου Σφάλματος (MAE), της Ρίζας Μέσου Τετραγωνικού Σφάλματος (RMSE) και του συντελεστή προσδιορισμού (R²). Τα αποτελέσματα αποκαλύπτουν ότι οι μέθοδοι συνόλων, και ιδιαίτερα το XGBoost, παρείχαν σταθερά την υψηλότερη προγνωστική ακρίβεια σε όλες τις μετρήσεις, ακολουθούμενες από το Random Forest, ενώ τα Δέντρα Αποφάσεων παρείχαν πλεονέκτημα ερμηνευσιμότητας με μια μικρή απώλεια ακρίβειας, ενώ η Πολλαπλή Γραμμική Παλινδρόμηση προσέφερε ένα διαφανές βασικό μοντέλο. Η ανάλυση της σημασίας των χαρακτηριστικών ανέδειξε την ταχύτητα του άξονα ως τον ισχυρότερο προβλεπτικό παράγοντα, ακολουθούμενη από την ταχύτητα πάνω από το νερό και το μέσο βύθισμα. Αξιοσημείωτο είναι ότι, ακόμη και μετά την αφαίρεση της ταχύτητας άξονα και στη συνέχεια της ταχύτητας μέσω του νερού, οι προβλέψεις παρέμειναν ακριβείς, γεγονός που υποδεικνύει ότι μπορούν να υπάρχουν ακριβείς προβλέψεις ακόμη και χωρίς άμεσες μετρήσεις ταχύτητας. Η συμπερίληψη των καιρικών και θαλάσσιων συνθηκών βελτίωσε ακόμη περισσότερο την προγνωστική ποιότητα, επιβεβαιώνοντας τη σημασία τους για τα μοτίβα κατανάλωσης καυσίμων. Η μελέτη καταλήγει στο συμπέρασμα ότι οι προηγμένες μέθοδοι μηχανικής μάθησης είναι σε θέση να προσφέρουν αξιόπιστες και ερμηνεύσιμες προβλέψεις για την κατανάλωση καυσίμων των πλοίων ακόμη και σε σενάρια μερικής διαθεσιμότητας δεδομένων. Αυτά τα ευρήματα έχουν άμεσες εφαρμογές στην παρακολούθηση καυσίμου σε πραγματικό χρόνο, στη βελτιστοποίηση ταξιδιών και την ελαχιστοποίηση του περιβαλλοντικού αποτυπώματος της ναυτιλίας. Μελλοντικές έρευνες θα μπορούσαν να διερευνήσουν μεγαλύτερα σύνολα δεδομένων, πρόσθετες περιβαλλοντικές παραμέτρους και υβριδικές μεθόδους μοντελοποίησης για την ενίσχυση της ανθεκτικότητας και της προσαρμοστικότητας.","Marine transport is a primary facilitator of global trade but is increasingly being pushed to reduce fuel usage on economic and environmental bases. Accurate prediction of ship fuel consumption can potentially optimize operating performance, make sustainable operations feasible, and support regulatory compliance. So, this study investigates the application of machine learning (ML) algorithms to predict ship fuel consumption with particular focus on the influence of weather and sea conditions on model accuracy. The operational and environmental observation-based dataset that was used includes variables such as shaft speed, mean draft, speed over water, weather conditions, and sea state, some of which helped to reach the final results of the experiment and others were excluded after performing preprocessing techniques such as normalization, feature analysis, and cross-validation. Then, four supervised algorithms were utilized to experiment on the dataset: Multiple Linear Regression, Decision Tree Regressor, Random Forest Regressor, and XGBoost Regressor, all of whom were assessed performance-wise through Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and the coefficient of determination (R²). The results reveal that ensemble methods, XGBoost in particular, always yielded the greatest predictive accuracy across metrics, followed by Random Forest, while Decision Trees provided interpretability advantage at a slight sacrifice of accuracy, while Multiple Linear Regression offered a transparent baseline model. Analysis of feature importance revealed shaft speed as the strongest predictor, followed by speed over water and mean draft. Notably, when shaft speed was removed, subsequently followed by speed over water, the strong predictions still remained, indicating that there can be accurate forecasts even without direct speed measurements. Including weather and sea conditions improved predictive quality even more, confirming their relevance to fuel consumption patterns. The study concludes that advanced ML methods are able to deliver reliable and interpretable predictions for ship fuel consumption even in scenarios of partial data availability. These findings have clear applications in real-time fuel monitoring, voyage optimization, and environmental footprint minimization in maritime operations. Future research could explore larger datasets, additional environmental parameters, and hybrid modelling methods to enhance robustness and flexibility."]},{"key":"dc:title","label":"Title","values":["“Autonomous Shipping: Ship Fuel Consumption Prediction with Machine Learning”"]}]}],"canonical_facts":{"dc:creator":["Γκούμας Αντώνιος","Gkoumas Antonios"],"dc:date":["2025"],"dc:description":["Οι θαλάσσιες μεταφορές αποτελούν πρωταρχικό παράγοντα διευκόλυνσης του παγκόσμιου εμπορίου, αλλά δέχονται ολοένα και μεγαλύτερη πίεση για τη μείωση της χρήσης καυσίμων για οικονομικούς και περιβαλλοντικούς λόγους. Η ακριβής πρόβλεψη της κατανάλωσης καυσίμων των πλοίων μπορεί δυνητικά να βελτιστοποιήσει την λειτουργική απόδοση, να καταστήσει εφικτές τις βιώσιμες λειτουργίες και να υποστηρίξει τη συμμόρφωση με τις κανονιστικές απαιτήσεις. Έτσι, η παρούσα μελέτη διερευνά την εφαρμογή αλγορίθμων μηχανικής μάθησης (ML) για την πρόβλεψη της κατανάλωσης καυσίμων των πλοίων, με ιδιαίτερη έμφαση στην επίδραση των καιρικών και θαλάσσιων συνθηκών στην ακρίβεια των μοντέλων. Το σύνολο δεδομένων που χρησιμοποιήθηκε βασίζεται σε λειτουργικές και περιβαλλοντικές παρατηρήσεις, περιλαμβάνει μεταβλητές όπως η ταχύτητα του άξονα, το μέσο βύθισμα, η ταχύτητα πάνω από το νερό, οι καιρικές συνθήκες και η κατάσταση της θάλασσας, εκ των οποίων ορισμένες συνέβαλαν στην επίτευξη των τελικών αποτελεσμάτων του πειράματος, ενώ άλλες αποκλείστηκαν μετά την εκτέλεση τεχνικών προεπεξεργασίας όπως η κανονικοποίηση, η ανάλυση χαρακτηριστικών και η διασταυρούμενη επικύρωση. Στη συνέχεια, χρησιμοποιήθηκαν τέσσερις αλγόριθμοι εποπτευόμενης μάθησης για τον πειραματισμό στο σύνολο δεδομένων: Πολλαπλή Γραμμική Παλινδρόμηση, Παλινδρόμηση Δέντρου Αποφάσεων, Παλινδρόμηση Τυχαίου Δάσους και Παλινδρόμηση XGBoost, οι οποίοι αξιολογήθηκαν όλοι ως προς την απόδοση μέσω του Μέσου Απόλυτου Σφάλματος (MAE), της Ρίζας Μέσου Τετραγωνικού Σφάλματος (RMSE) και του συντελεστή προσδιορισμού (R²). Τα αποτελέσματα αποκαλύπτουν ότι οι μέθοδοι συνόλων, και ιδιαίτερα το XGBoost, παρείχαν σταθερά την υψηλότερη προγνωστική ακρίβεια σε όλες τις μετρήσεις, ακολουθούμενες από το Random Forest, ενώ τα Δέντρα Αποφάσεων παρείχαν πλεονέκτημα ερμηνευσιμότητας με μια μικρή απώλεια ακρίβειας, ενώ η Πολλαπλή Γραμμική Παλινδρόμηση προσέφερε ένα διαφανές βασικό μοντέλο. Η ανάλυση της σημασίας των χαρακτηριστικών ανέδειξε την ταχύτητα του άξονα ως τον ισχυρότερο προβλεπτικό παράγοντα, ακολουθούμενη από την ταχύτητα πάνω από το νερό και το μέσο βύθισμα. Αξιοσημείωτο είναι ότι, ακόμη και μετά την αφαίρεση της ταχύτητας άξονα και στη συνέχεια της ταχύτητας μέσω του νερού, οι προβλέψεις παρέμειναν ακριβείς, γεγονός που υποδεικνύει ότι μπορούν να υπάρχουν ακριβείς προβλέψεις ακόμη και χωρίς άμεσες μετρήσεις ταχύτητας. Η συμπερίληψη των καιρικών και θαλάσσιων συνθηκών βελτίωσε ακόμη περισσότερο την προγνωστική ποιότητα, επιβεβαιώνοντας τη σημασία τους για τα μοτίβα κατανάλωσης καυσίμων. Η μελέτη καταλήγει στο συμπέρασμα ότι οι προηγμένες μέθοδοι μηχανικής μάθησης είναι σε θέση να προσφέρουν αξιόπιστες και ερμηνεύσιμες προβλέψεις για την κατανάλωση καυσίμων των πλοίων ακόμη και σε σενάρια μερικής διαθεσιμότητας δεδομένων. Αυτά τα ευρήματα έχουν άμεσες εφαρμογές στην παρακολούθηση καυσίμου σε πραγματικό χρόνο, στη βελτιστοποίηση ταξιδιών και την ελαχιστοποίηση του περιβαλλοντικού αποτυπώματος της ναυτιλίας. Μελλοντικές έρευνες θα μπορούσαν να διερευνήσουν μεγαλύτερα σύνολα δεδομένων, πρόσθετες περιβαλλοντικές παραμέτρους και υβριδικές μεθόδους μοντελοποίησης για την ενίσχυση της ανθεκτικότητας και της προσαρμοστικότητας.","Marine transport is a primary facilitator of global trade but is increasingly being pushed to reduce fuel usage on economic and environmental bases. Accurate prediction of ship fuel consumption can potentially optimize operating performance, make sustainable operations feasible, and support regulatory compliance. So, this study investigates the application of machine learning (ML) algorithms to predict ship fuel consumption with particular focus on the influence of weather and sea conditions on model accuracy. The operational and environmental observation-based dataset that was used includes variables such as shaft speed, mean draft, speed over water, weather conditions, and sea state, some of which helped to reach the final results of the experiment and others were excluded after performing preprocessing techniques such as normalization, feature analysis, and cross-validation. Then, four supervised algorithms were utilized to experiment on the dataset: Multiple Linear Regression, Decision Tree Regressor, Random Forest Regressor, and XGBoost Regressor, all of whom were assessed performance-wise through Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and the coefficient of determination (R²). The results reveal that ensemble methods, XGBoost in particular, always yielded the greatest predictive accuracy across metrics, followed by Random Forest, while Decision Trees provided interpretability advantage at a slight sacrifice of accuracy, while Multiple Linear Regression offered a transparent baseline model. Analysis of feature importance revealed shaft speed as the strongest predictor, followed by speed over water and mean draft. Notably, when shaft speed was removed, subsequently followed by speed over water, the strong predictions still remained, indicating that there can be accurate forecasts even without direct speed measurements. Including weather and sea conditions improved predictive quality even more, confirming their relevance to fuel consumption patterns. The study concludes that advanced ML methods are able to deliver reliable and interpretable predictions for ship fuel consumption even in scenarios of partial data availability. These findings have clear applications in real-time fuel monitoring, voyage optimization, and environmental footprint minimization in maritime operations. Future research could explore larger datasets, additional environmental parameters, and hybrid modelling methods to enhance robustness and flexibility."],"dc:identifier":["uoadl:5311839","https://pergamos.lib.uoa.gr/uoa/dl/object/5311839"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["“Autonomous Shipping: Ship Fuel Consumption Prediction with Machine Learning”"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:49Z"}