Expanding Our Knowledge of Maritime Trade with AIS and Explainable AI Systems

Abstract

Nyere utvikling innen kunstig intelligens og maskinlæringsmodeller har ledet til fremragende prestasjoner, og har vist beslutningsevner som konkurrerer med, og i noen tilfeller overgår, etablert menneskelig kunnskap. Disse systemenes transformative potensiale åpner for alternative perspektiver på komplekse problemer, og utfordrer grensene for tradisjonelle kunnskapsinnhentingsmetoder.

I dette studiet anvendes AIS-data, state-of-the-art maskinlæringsmodeller og XAI-teknikker for å kaste nytt lys det komplekse forholdet mellom global flåteadferd og ulike økonomiske mekanismer. Studien implementerer flere modeller som er avledet fra nylig forskning, og sammenligner deres kapasitet til å lage 14-dagers prognoser for ulike finansielle instrumenter innen maritim sektor med ulik grad av ekstern påvirkning. De testede instrumentene inkluderer Baltic Dry Index, Breakwave Dry Bulk Shipping ETF, Golden Ocean Group Ltd. aksjekurs og Frontline Ltd. aksjekurs gjennom en rekke eksperimenter. Hvert eksperiment sammenligner de ulike modellene over et spektrum av datakompleksiteter og tilbakeblikksperioder, og modellene med best ytelse blir forklart gjennom SHAP-sattribusjon for å forklare virkningen av ulike fraktvariabler (som hastighet, dybde, last og trafikkvolum) mellom de mest aktive havnene.

Funnene antyder at modellene har en enestående evne til å forutsi instrumentene som er spesifikke for tørrbulksegmentet, mens de har begrenset kompetanse for å modellere tankskipssegmentet. Videre viser de best ytende modellene beslutningsprinsipper som likner etablert kunnskap. Tvedydighet i forklaringene gjør dem dog vanskelige å evaluere, og selv om de svært kompetente modellene gir forklaringer som motsier etablert kunnskap, er det fortsatt usikkert om disse er nøyaktige nyoppdagelser eller misvisende feil. Dette understreker behovet for ytterligere forskning og analyse.

Studiet inkluderer et omfattende vedlegg med utvidede forklaringer av de beste modellene for hvert instrument beregnet for maritime analytikere og alle som er interessert i modellenes beslutningstaking.

Recent developments in AI and machine learning models have culminated in unprecedented achievements, demonstrating decision-making capabilities that rival and, in some cases, surpass established human knowledge. The transformative potential of these systems presents unique opportunities to provide alternative perspectives on complex problems, pushing the boundaries of traditional knowledge acquisition methods.

This thesis employs AIS data, state-of-the-art models, and XAI techniques to shed new light on the intricate relationship between global fleet behavior and various economic mechanisms. The research employs several machine learning models derived from state-of-the-art research and compares their ability to do 14-day forecasts of various financial instruments in the maritime industry with varying degrees of external influence. The instruments tested are the Baltic Dry Index, the Breakwave Dry Bulk Shipping ETF, the Golden Ocean Group Ltd. stock price, and the Frontline Ltd. stock price over a sequence of experiments. Each experiment compares the various models over different feature complexities and look-back periods, and the best-performing models are explained through SHAP feature attribution using various aggregations to explain the contribution of different shipping variables (speed, draft, load, and traffic volume) between the most active ports.

The findings suggest that the best models exhibit an exceptional ability to forecast the instruments specific to the dry bulk segment while showing little proficiency in modeling the tanker segment. Furthermore, the best-performing models appear to exhibit several decision-making principles akin to established knowledge. However, ambiguity in the explanations makes them hard to evaluate, and while the exceptionally competent models do indeed provide explanations that contest established knowledge, it remains undetermined if these are accurate novelties or misleading fallacies - stressing the necessity for further research and analysis.

The thesis also includes a comprehensive appendix with extended explanations of the best models for each instrument intended for maritime analysts and anyone interested in the models' decision-making.