Projektziele

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.

null

Prescriptive Analytics

Akteursspezifisches Risikomanagement

Verbindung der Prognosen mit akteursbezogenen Handlungsalternativen in Abhängigkeit von Störungen und Ankunftszeit

null

Predictive Analytics

ETA-Prognosen (Estimated Time of Arrival) für Door-to-Port-Prozesskette

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:

Förderer

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.

0
Transportaufträge
0
Zugfahrten
0
Lkw-Fahrten
0
Containerbezogene Events
0
Wetterparameter

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

Link zum 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