SMECS Projektziele

Im SMECS-Projekt wird 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 zu Seehafen und befähigt die Anwender zu einer zielgerichteten und effizienten Durchführung geeigneter Störungsmaßnahmen durch die Vorgabe von akteursspezifischen Handlungsempfehlungen.

 

null

Predictive Analytics

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

Entwicklung von Ankunftszeitsprognosen für maritime Containerverkehre vom Verlader bis zum Hafen

null

Prescriptive Analytics

Akteursspezifisches Risikomanagement

Verbindung der Prognosen mit akteursbezogenen Handlungs-alternativen in Abhängigkeit der Störungen und Ankunftszeit

Projektpartner

TU Berlin
Fachgebiet Logistik
(Konsortialführung)
DB Cargo
Kühne Logistics University

Mehr als zehn namenhafte Unternehmen entlang der maritemen Transportkette

Partner des IHATEC Projekts:

01.09.2017 – 29.02.2020

Vorgehen

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

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

Konzeption Systemstruktur

Feature Engineering

  Modell-    training

Modell-validierung

  • Definition von Teilproblemen der ETA-Prognose
  • Entwicklung und Validierung von problemspezifischen Prognosemodellen mit Maschinellem Lernen
  • Validierung der Modelle auf Pilotrelationen

Datenumfang

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

Zur Prognose der ETA werden 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.

Konzeption

Entwicklung von Prognosemodellen für Teilprozesse und Integration in ein Gesamtsystem, welches eine ETA-Prognose für den maritimen Doorto-Port-Transport ermöglicht

Verlader

Straße

KV-Terminal

Schiene inkl. RBF

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 Infrastruktur- störungen
  • Bau- und Langsamfahrstellen

Begleitende Informationen:

  • Fahrzeugeigenschaften
  • Wetterbedingungen
  • Personalverfügbarkeit
  • Infrastrukturauslastung

Prognose der Prozesszeiten mittels Maschinellem Lernen

Automatische Detektion von Konfliktfällen in Transportplan

Regelbasierte Maßnahmen-generierung

Validierung

Transportverspätungen sind mit Maschinellem Lernen präzise prognostizierbar – durch Berücksichtigung relevanter Störungsursachen steigt die Prognosequalität

Prognosequalität: 68%

Einbezogene Features:

Mittlere Fahrzeiten

Prognosequalität: 76%

Zusätzliche Features:

Zeitliche Merkmale

Prognosequalität: 79%

Zusätzliche Features:

Fahrzeug- & Zugeigenschaften

Prognosequalität: 86%

Zusätzliche Features:

Störungs- & Prozessdaten

Demonstrator

Link zum Demonstrator:

Coming Soon!

Kontakt

Prof. Dr.-Ing. Frank Straube

Mail: straube@logistik.tu-berlin.de

Dipl.-Ing. Manuel Weinke

Mail: weinke@logistik.tu-berlin.de

Peter Poschmann, M.Sc.

Mail: poschmann@logistik.tu-berlin.de