KI: Ankunft von Transporten prognostizieren

Quelle: Pixabay

VWI Redaktion Keine Kommentare

Ein Wissenschaftlerteam der TU Berlin hat in Zusammenarbeit mit DB Cargo und der Kühne Logistics University ein intelligentes System entwickelt, das Störungen in der Logistikkette vorhersagt – und es damit erlaubt, die Ankunft von Transporten genauer zu prognostizieren. Bisher ist eine solche Prognose wegen der Komplexität der einzelnen Transport- und Umschlagprozesse sowie der vielen möglichen Störungen eher schwierig. Das hat weitreichende wirtschaftliche und ökologische Folgen für die weltweiten Logistiknetzwerke, da Lieferungen unpünktlich ankommen, Transportmittel suboptimal ausgelastet sind und der Koordinationsaufwand für die Akteure hoch ist.

Um das Problem zu lösen, setzt das kürzlich abgeschlossene Forschungsprojekt „Smart Event Forecast for Seaports“ (SMECS) auf die Potenziale Künstlicher Intelligenz (KI). Die Projektleitung lag beim Fachgebiet Logistik der TU Berlin von Prof. Dr.-Ing. Frank Straube. Das Team um den Wirtschaftsingenieur hat Verfahren des Maschinellen Lernens für ein intelligentes System genutzt, das die Ankunftszeit von Transporten mit Lkw und Zug über Straße und Schiene prognostiziert, um das pünktliche Eintreffen von Containern an wichtigen Prozessabschnitten wie dem Seehafen frühzeitig bewerten zu können. Entlang der Logistikkette werden dabei den beteiligten Unternehmen neben der ETA-Information (Estimated Time of Arrival) auch Ineffizienzen und Störungen sowie geeignete Handlungsmaßnahmen aufgezeigt. „Das Projekt beweist die Machbarkeit KI-basierter Prognosen und zeigt die strategische Bedeutung von Daten für die Logistik“, so Straube.

Um Prognosen erstellen zu können, hat das Team die Transportkette in verschiedene Teilabschnitte – Lkw-Transport, Umschlag auf den Zug, Zugtransport – zerlegt und dafür jeweils individuelle IT-Modelle mit unterschiedlichen Algorithmen entwickelt. Hierzu gehören neben Prognosemodellen für den Straßen- und Schienentransport auch Lösungen für Umschlag- und Rangierprozesse in den logistischen Knotenpunkten. Die Lernalgorithmen wurden mit historischen Daten von vier Jahren aus insgesamt 15 verschiedenen IT-Systemen der beteiligten Unternehmen gefüttert. Neben Informationen über den genauen Verlauf von Transporten beinhalteten diese Daten rund 50 im Projekt ermittelte Faktoren, die Einfluss auf die Abläufe der einzelnen Prozesse haben – betriebliche Informationen wie Personaleinsatzplanungen, Fahrzeugeigenschaften, Strecken- und Infrastrukturauslastungen sowie externe Faktoren wie Baustellen und Wetterbedingungen. Auf Basis der historischen Daten lernten die Algorithmen die Zusammenhänge zwischen diesen Einflussfaktoren und den Prozesszeiten und wenden dieses Wissen auf neue, unbekannte Fälle an.

Im Anschluss an die Entwicklung der einzelnen Prognosemodelle erfolgte deren Integration in ein Gesamtsystem, das die Berechnung einer „Door-to-Port-ETA“ für Transportaufträge zulässt. Das Prognosesystem des SMECS-Projektes wurde zusätzlich um eine KI-basierte Entscheidungsunterstützung ergänzt, die in Abhängigkeit der ETA-Prognose Anschlusskonflikte der einzelnen Prozesse automatisch detektiert und den beteiligten Akteuren Empfehlungen für optimierende Maßnahmen bereitstellt. So können Akteure potenzielle Störungen und Prozessverzögerungen bei Transporten frühzeitig erkennen und zielgerichtet eingreifen.

Um die Ergebnisse des Projektes der Öffentlichkeit zugänglich zu machen, hat das Team sein Prognosesystem in eine webbasierte Anwendung in Form eines Demonstrators überführt. Diese Darstellung eröffnet die Möglichkeit, die Potenziale von KI am Beispiel ausgewählter historischer, anonymisierter Transportaufträge interaktiv zu erproben.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.