Können Transportketten präzise prognostiziert werden? Das kürzlich abgeschlossene Forschungsprojekt „Smart Event Forecast for Seaports“ (SMECS) hat eine Lösung für dieses Problem erarbeitet, indem gezielt die Potenziale von Künstlicher Intelligenz (KI) eingesetzt wurden. Mithilfe verschiedener Verfahren des Maschinellen Lernens wurde in dem Projekt ein intelligentes System entwickelt, 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. Den beteiligten Unternehmen werden neben dieser ETA-Information (Estimated Time of Arrival) proaktiv Ineffizienzen und Störungen entlang der Logistikkette sowie geeignete Handlungsmaßnahmen aufgezeigt. Die Entwicklung des KI-Systems und die Leitung des Projektes erfolgte durch das Fachgebiet Logistik der TU Berlin von Prof. Frank Straube in Zusammenarbeit mit DB Cargo und der Kühne Logistics University. Smecs wurde im Rahmen der Initiative „Innovative Hafentechnologien“ (Ihatec) des Bundesministeriums für Verkehr und digitale Infrastruktur von 2017 bis 2020 gefördert.

Transportkette wurde in verschiedene Teilabschnitte zerlegt

„Um Prognosen erstellen zu können, wurde die Transportkette in verschiedene Teilabschnitte – LKW-Transport, Umschlag auf den Zug, Zugtransport – zerlegt, für die jeweils wiederum individuelle IT-Modelle mit unterschiedlichen Algorithmen entwickelt wurden“, erläutert Prof. Frank Straube, Leiter des Fachgebiets Logistik an der TU Berlin. Hierzu gehören außer Prognosemodellen für den Straßen- und Schienentransport auch Lösungen für Umschlags- 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“, sagt der wissenschaftliche Mitarbeiter Peter Poschmann. Dafür herangezogen haben die Forscher Transportstrecken von Leipzig, München und Regensburg nach Hamburg. So flossen laut Poschmann unter anderem 50.000 Schienentransporte, 96.000 Straßentransporte sowie 8,6 Mio. containerbezogene Statusmeldungen ein.

Außer Informationen über den genauen Verlauf der Transporte beinhalteten diese Daten rund 50 im Projekt ermittelte Faktoren, die Einfluss auf die Abläufe der einzelnen Prozesse haben. Dazu gehören betriebliche Informationen wie Personaleinsatzplanungen, Fahrzeugeigenschaften, Strecken- und Infrastrukturauslastungen sowie externe Faktoren, zum Beispiel 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.

Hohe Prognosegenauigkeit

Die entwickelten Prognosemodelle wurden schließlich in ein Gesamtsystem integriert, das eine Tür-zu-Hafen-ETA berechnet. Durch das Zusammenspiel von durchschnittlich 100 Modellen pro Auftrag kann in den meisten Fällen eine sehr hohe Genauigkeit der Prognose erreicht werden, wie die Forscher mitteilen. Demnach wird unter anderem der Teilprozess der Schienentransporte bei Fahrzeiten von mehr als zehn Stunden mit einer Genauigkeit von 86 Prozent vorhergesagt. Für die mitunter mehrtägigen Gesamttransporte vom Hinterland in die Häfen belaufen sich die Abweichungen der Prognosen zu den tatsächlichen Zeiten für viele Aufträge den Angaben zufolge zwischen 10 und 90 Minuten – auch im Falle von größeren Störeinflüssen.

KI-basierte Entscheidungsassistenz

Das Prognosesystem wurde zusätzlich um eine Entscheidungsunterstützung ergänzt, die in Abhängigkeit der ETA-Prognose Anschlusskonflikte der einzelnen Prozesse automatisch ermittelt und den beteiligten Akteuren Empfehlungen für optimierende Maßnahmen bereitstellt. „Hierdurch werden die Akteure befähigt, potenzielle Störungen und Prozessverzögerungen frühzeitig zu erkennen und zielgerichtet einzugreifen“, sagt Manuel Weinke, wissenschaftlicher Mitarbeiter am TU-Fachgebiet Logistik.

Interaktives Erproben durch Web-Demonstrator

Das entwickelte Prognosesystem ist als webbasierte Anwendung in Form eines Demonstrators verfügbar. Damit können Anwender die Potenziale von KI am Beispiel ausgewählter historischer, anonymisierter Transportaufträge interaktiv erproben, wie die Wissenschaftler mitteilen. „Das Projekt beweist die Machbarkeit KI-basierter Prognosen und zeigt die strategische Bedeutung von Daten für die Logistik“, betont Straube.

Quelle: DVZ
Foto: Pixabay