Denne masteravhandlingen presenterer en ny teknikk for drivstoffsprediksjon for skip i transitt som tar hensyn til eksterne miljømessige faktorer som strøm, vind og bølger. Blant de mange ytelsesovervåkingssystemene og metodene, er det mindre vanlig med ytelsesprediksjoner basert på tilgjengelig måledata. En ny metode for nøyaktig prediksjon av drivstofforbruk ved å kombinere veletablerte fysiske og empiriske metoder med det siste innen maskin- læringsalgoritmer og kunstige nevrale nettverk danner grunnlaget for denne avhandlingen. For å anvende de datadrevne metodene, ble et rammeverk utviklet for å identifisere avvik, samt å prosessere målerverdier fra driften av skip. Ved å benytte historisk værdata kunne unøyaktige og upålitelige målepunkter erstattes av simulerte verdier fra ECMWF og Tidetech for å forsikre høykvalitets data for trening av prediksjonsmodellen. Resultatet av denne analysen er diskutert i sin helhet for ̊a illustrere fallgruver, systematiske og tilfeldige feil i målesystemet. Ved å isolere vind og friksjonsmotstanden som virker på et skip i transitt med empiriske modeller, ble et sett metoder foreslått for å bestemme restmotstanden. Forsøk på å analysere koblet og frikoblet bølgemotstand i stille vann og økt motstand grunnet bølger, samt å betrakte disse samlet var blant de foreslåtte metodene. Grunne nevrale nettverk og Gaussian prosess regresjon viste imponerende presisjon med et gjennomsnittlig avvik på kun 2.5% i prediksjonen av drivstofforbruk. Bootstrapping viste en modelloppførsel som reflekterer den involverte fysikken i systemet og bekreftet dermed at disse type prediksjonsmodeller er godt egnet for drivstoffprediksjon. Dermed kan det forventes av disse modellene å predikere enda mer nøyaktig i takt med at mengden treningsdata øker.