CCGS Sir Wilfrid Laurier

研究论文强调机器学习模型船舶燃油消耗验证的缺陷

一篇新发表在arXiv上的研究论文探讨了用于预测船舶燃油消耗的机器学习模型验证实践中的关键问题。研究指出，传统的随机训练-测试划分由于时间数据泄露，可能导致过于乐观的性能估计。通过在加拿大海岸警卫队（CCGS）“威尔弗里德·劳里埃”号的运行数据上采用时间感知评估方法，如时间序列交叉验证（TSCV）和阻塞时间序列交叉验证（BTSCV），该研究展示了对模型性能更现实的评估。