使用统计、分解和预测方法过滤港口船只的燃料数据

过滤是指定义、识别和纠正给定数据中的缺陷，从而最大限度地减少输入数据不准确对后续研究的影响。本文旨在从不同的主题来讨论一些滤波方法的特点。分解方法考虑小波变换和频率（傅立叶）变换，而统计方法使用描述性统计。卡尔曼滤波器和自动编码器神经网络也被探索用于预测方法。使用R平方和平均绝对误差这两个度量对所有上述方法进行了实证讨论。本文旨在研究在非常规情况下，即在拖船上测量燃料消耗时，这些过滤技术在过滤从质量流量计读数中收集的噪声数据方面的有效性。最后，对各种滤波方法的性能进行了评估，并对它们在滤除噪声数据方面的有效性进行了比较和讨论。研究发现，在滤除质量流量数据中发现的尖峰方面，Haar小波变换、卡尔曼滤波器和描述性统计与它们的对应方法相比具有更好的性能。