基于机器学习的单船航程优化：Manta 在 AWS 上的实践
内容提要
Manta Marine Technologies 在 AWS 上构建云原生数据基础设施，为每艘船单独训练机器学习模型，并结合天气预报优化航程。系统利用 Apache Airflow、Amazon EC2、ECS、Lambda 等处理海量船舶数据，并随新航次数据持续重训模型。相比按船型平均建模，该方案更贴合单船实际性能，预计每船节省约 2–4% 燃油。
延伸解读
单船建模为何优于船型平均
文章指出，即使外观相同的船舶，其船体状况、纵倾、吃水、机械状态、装载模式和操作习惯也会导致性能差异。基于船型平均数据训练的模型往往无法捕捉单船实际表现，从而造成不必要的燃油消耗和成本。Manta 为每艘船单独训练模型，结合天气预报和海洋条件，使航程建议更贴合该船的真实性能。
持续重训机制如何运作
Manta 的系统利用 Apache Airflow 调度器驱动重训循环：随着新航次数据积累，Airflow 会在相应实例类型上启动训练任务，更新后的模型用于该船后续航程优化。重训频率取决于该船产生的新数据量。这种设计让模型随每艘船运营历史增长而不断细化，形成持续学习的闭环。
架构选择中的成本与弹性权衡
Manta 在 EC2 上运行 ECS 任务而非 Fargate，以便直接控制实例类型（包括 GPU 和特定芯片代际）。每种实例类型有独立的容量提供程序、Auto Scaling 组和启动模板，从而按工作负载精细扩缩：不紧急的任务用 Spot 容量，时间敏感的任务用按需容量。此外，迁移到 Graviton 实例后，一个 ETL 管道观察到约 25–30% 的性价比提升。
预期收益与验证方式
基于对活跃船队的内部航程模拟，Manta 预计每船可节省约 2–4% 的燃油。这一数字来自模拟而非实际运营统计，文章未披露模拟的具体条件或误差范围。公司预计随着模型改进和新功能加入，收益还会进一步增加。读者应注意，该节省比例是预期值，实际效果可能因船队和运营环境而异。
Q&A
为什么按船型平均建模的航程优化模型效果不好？
因为即使外观相同的船舶，在船体状况、纵倾、吃水、机械状态、装载模式和操作习惯等方面也存在差异，基于船型平均数据训练的模型无法捕捉单船的实际性能，导致不必要的燃油消耗和成本。
Manta 如何为每艘船实现个性化的航程优化？
Manta 为每艘船单独训练机器学习模型，使用该船自身的历史运营数据，并结合预报的天气和海洋条件，生成针对该船的航程指导。随着新航次数据积累，模型会定期重新训练，持续提升指导的针对性。
Manta 在 AWS 上使用了哪些核心服务来构建数据基础设施？
Manta 使用了 Amazon EC2、Amazon ECS、AWS Lambda、Amazon RDS、Amazon DynamoDB、Apache Airflow（运行在 EC2 上）、Amazon ECR、AWS Secrets Manager、AWS Systems Manager Parameter Store、Amazon CloudWatch 和 Amazon SNS 等服务，部署在多可用区的 Amazon VPC 中。
Manta 的系统如何实现模型的持续更新？
Airflow 调度器驱动重训练循环：当某艘船积累的新航次数据达到一定量时，调度器会在相应实例类型上启动训练任务，更新后的模型用于该船后续的航程优化，形成持续学习的闭环。
使用 AWS Graviton 实例带来了哪些成本效益？
Manta 将 ETL 管道、模型训练和航程优化工作负载迁移到 Graviton 实例后，一个处理大型数据集的 ETL 管道实现了约 25-30% 的性价比提升。根据 AWS 基准测试，Graviton 实例相比同类型 x86 实例性价比最高可提升 40%。
Manta 的解决方案预计能为每艘船节省多少燃油？
根据 Manta 对其活跃船队进行的内部航程模拟，预计每艘船可节省约 2-4% 的燃油。随着模型改进和新功能的增加，公司预期还能获得更多收益。
