Im SMECS-Projekt wurde durch Anwendung von KI-Verfahren des Maschinellen Lernens ein IT-System entwickelt, welches dynamisch die Ankunftszeit (ETA) von Containertransporten im intermodalen Vorlauf der maritimen Transportkette prognostiziert. Das System erkennt proaktiv Konflikte bei der Einhaltung des geplanten Transportverlaufes vom Warenversender bis zum Seehafen und befähigt die Anwender zu einer zielgerichteten und effizienten Durchführung geeigneter Störungsmaßnahmen durch die Vorgabe von akteursspezifischen Handlungsempfehlungen.
Projektziele
Prescriptive Analytics
Verbindung der Prognosen mit akteursbezogenen Handlungsalternativen in Abhängigkeit von Störungen und Ankunftszeit
Predictive Analytics
Entwicklung von Ankunftszeitsprognosen für maritime Containerverkehre vom Verlader bis zum Hafen
Projektorganisation
Konsortium
TU Berlin
Fachgebiet Logistik
(Konsortialführung)
DB Cargo
Kühne Logistics University
Partner
Unterstützung fand SMECS in einem großen Kreis weiterer Partner (Logistikdienstleister, Industrieunternehmen, IT-Dienstleister) zur Bereitstellung von betrieblichen Informationen und Daten.
Partner des IHATEC Projekts:
Laufzeit
01.09.2017 – 29.02.2020
Vorgehen
Potentialanalyse
Analyse von Anwendungsfällen
Requirements Engineering
Erhebung von erzielbaren Potentialen für die Praxis
Ableitung von priorisierten Anwendungsfällen und Pilotrelationen
Ermittlung von funktionalen und nicht-funktionalen Anforderungen an die Entwicklung
Prozessanalyse
Datenanalyse
Störungsanalyse
Aufnahme von Material- und Informationsprozessen
Experten- und datengestützte Analyse von Störungen, deren Ursachen und Auswirkungen
Identifizierung von Daten zur Prognose der beobachteten Störungsursachen
Konzeption Systemstruktur
Feature Engineering
Modelltraining
Modellvalidierung
Definition von Teilproblemen der ETA-Prognose
Entwicklung und Validierung von problemspezifischen Prognosemodellen mit Maschinellem Lernen
Validierung der Modelle auf Pilotrelationen
Datenumfang
Zur Prognose der ETA wurden eine Vielzahl betrieblicher und umweltbezogener Faktoren mittels geeigneter Datenquellen eingebunden, die einen Einfluss auf die Prozesszeit der einzelnen Transportabschnitte nehmen. Dazu gehören prozessbezogene Informationen zur Infrastruktur, zu Ressourcen und Störungen, die über verschiedene IT-Systeme der beteiligten Logistikakteure bezogen werden, sowie externe Datenquellen, wie Wetter und Verkehr.
Ziel des Projektes war die Entwicklung von Prognosemodellen für Teilprozesse und die Integration in ein Gesamtsystem, welche eine ETA-Prognose für den maritimen Door-to-Port-Transport ermöglichen.
Modellkonzeption
Verlader
Straße
KV-Terminal
Schiene inkl. Rangieren
Seehafenterminal
Hauptlauf
IT-Implementierung
Daten aus 16 IT-Systemen
Lernfähiger Algorithmus
Front-End als interaktive Web-App
Prozessinformationen:
- Soll-/Ist-Zeiten zu Transport- und Umschlagsprozessen
- Geplante Prozessabläufe
- Zuordnung von Containern zu Fahrzeugen
Störungsinformationen:
- Fahrzeug- und Infrastrukturstörungen
- Bau- und Langsamfahrstellen
Begleitende Informationen:
- Fahrzeugeigenschaften
- Wetterbedingungen
- Personalverfügbarkeit
- Infrastrukturauslastung
Prognose der Prozesszeiten mittels Maschinellem Lernen
Automatische Detektion von Konfliktfällen im Transportplan
Regelbasierte Maßnahmengenerierung
7 prozessspezifische Prognosesysteme mit Ø 300 Teilmodellen je Transportauftrag
Validierung
Transportverspätungen sind mit Maschinellem Lernen präzise prognostizierbar. Durch Berücksichtigung relevanter Störungsursachen wurde die Prognosequalität des erstellten Modells gesteigert.
Prognosequalität: 68%
Einbezogene Features:
Mittlere Fahrzeiten
Prognosequalität: 76%
Zusätzliche Features:
Zeitliche Merkmale
Prognosequalität: 79%
Zusätzliche Features:
Fahrzeug- & Zugeigenschaften
Prognosequalität: 83%
Zusätzliche Features:
Störungs- & Prozessdaten
Demonstrator
Kontakt
Prof. Dr.-Ing. Frank Straube
sekretariat@logistik.tu-berlin.de
Dipl.-Ing. Manuel Weinke
weinke@logistik.tu-berlin.de
Peter Poschmann, M.Sc.
poschmann@logistik.tu-berlin.de