Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe...

19
Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz Konferenz „Verkehrsökonomik und -politik“ Manuel Weinke & Peter Poschmann 23.05.2019

Transcript of Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe...

Page 1: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

Konferenz „Verkehrsökonomik und -politik“

Manuel Weinke & Peter Poschmann23.05.2019

Page 2: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 2 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

Inhalt

Projektziele und -ansatz1.

Projektdurchführung2.

Projektnutzen und Ausblick3.

Page 3: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 3 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

Ausgangssituation – maritimer Containertransport Viele Störungen mit Einfluss auf die Prozesszeit

Vorlauf der maritimen Transportkette (Export)

Hinterland-terminal

Rangier-bahnhofVerlader Seehafen Seetransport

Straßen-transport

Schienen-transport

Störanfälliges System

Mehrere beteiligte Akteure, deren Prozesse zeitlich aufeinander abgestimmt sind

und verschiedenen Störungen unterliegen, u. a.:

Infrastrukturstörungen, u. a. Straße, Weiche, Schleuse

Nicht verfügbare/fehlerhafte Ressourcen, u. a. Verkehrsmittel, Equipment, Personal

Wetter, insb. Niederschlag, Temperaturen, Wind

Unfälle, Notarzteinsatz, polizeiliche Ermittlungen

Verspätungen

Beispiel Schienengüterverkehr:

Ca. 25 % der Güterzüge verspätet*

Mittlere Verspätung: 23 h**

Höhere Kosten

Engpässe

Kundenunzufriedenheit

Ø-Staukosten eines Lkw für LDL: 35 € pro h***

Gesamtstaukosten in 2013: 25,2 Milliarden €***

Hoher dispositiver Aufwand; unausgelastete/überlastete Kapazität

Risikokosten durch das Vorhalten von Puffern und Ad-hoc-Sonderprozesse

*DB Cargo Geschäftsbericht 2017**Güterverkehrsforum 2015

***Universität Duisburg/Essen 2015

Page 4: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 4 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

Projekt SMECSSmart Event Forecast for Seaports

DV

Z v

om

17

.10

.20

17

SMECS ist Partner des IHATEC-

Projektes „EMP 4.0” von Dakosy,

Kuehne+Nagel und DB Cargo

01.09.2017 – 29.02.2020

TU BerlinFachgebiet Logistik(Konsortialführung)

DB CargoKühne LogisticsUniversity

Konsortium

Förderer

Projektträger

Laufzeit

Page 5: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 5 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

Projektziele

Entwicklung eines Systems, welches durch die proaktive Erkennung von Störungen mittels Künstlicher Intelligenz ein zielgerichtetes und effizienteres Störungsmanagement für die maritimen Transportkette erlaubt.

Smart Event Forecast for Seaports (SMECS)

*ETA = Estimated Time of Arrival (erwartete Ankunftszeit)

AkteursspezifischesRisikomanagement

ETA*-Prognosemodell für Transportläufe

Prognosemodell für Knotenpunkte

Verbindung der Prognosen mit akteursbezogenen Handlungs-alternativen in Abhängigkeit der

Störungen und Ankunftszeit

Entwicklung von Ankunftszeits-prognosen für die maritime

Transportkette unter Berücksichtigung von Störungen

Entwicklung von Prognosen für die Durchlaufzeit von Containern in

Knotenpunkten (Hinterland-, Seehafenterminal, Rangierbhf.)

Erhöhung der Zuverlässigkeit von Logistikketten durch datenbasierte Ansätze (Maschinelles Lernen und Wissensbasierte Systeme)

Page 6: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 6 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

Förderung des akteursübergreifenden Austausches zu Störungen und Informationsprozessen

Erhöhung des Verständnis über Datentechnologien der Praxis

Entwickeltes Modell als Grundlage für Überführung in einsatzfähige Lösungen bei verschiedenen Unternehmen

Verbesserte Entscheidungsgrundlage für Kapazitätsplanung und Prozesssteuerung (Ressourceneinsatz, Auslastung etc.)

Erhöhung der Robustheit und Zuverlässigkeit von Prozessen

Erhöhung der Effizienz durch Minimierung von Betriebs- und Risikokosten

Prüfung der Möglichkeiten und Restriktionen einer Umsetzung von Methoden des Maschinellen Lernens für ETA-Prognose von Transportketten

Identifizierung von Maßnahmen zur Verbesserung der Datenverfügbarkeit im Güterverkehr durch Nutzung von Realdaten

ProjektnutzenWichtige Implikationen für Praxis und Wissenschaft

Machbarkeitsprüfung fürKünstliche Intelligenz in

der Transportlogistik

Partizipation der Praxis an Entwicklung und

späterer Lösung

Erhöhung der Zuverlässigkeit und

Wettbewerbsfähigkeit von Lieferketten

Hohe Potenziale für die Logistik

Page 7: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 7 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

ProjektansatzEinordnung von SMECS in ETA-Prognosemethoden

Lösungsraum von SMECS

Modellbasierte Ansätze Datenbasierte Ansätze

Marko- oder mikroskopische Modellierung der Problemstellung

u. a. Simulationsmodelle, Graphentheorie

Anwendung bisher dominierend

Approximation von Regeln aus Daten

u. a. klassische Statistik, Maschinelles Lernen

Anwendung derzeit nur punktuell

Bisherige Prognosen für Praxis nicht zufriedenstellend (fehlende Prognosegüte, Skalierbarkeit etc.)

Forschungsaktivitäten konzentrieren sich auf (isolierte) Betrachtung der Verkehrsträger im Gütertransport

Datenbasierte Ansätze zeigen hohe Eignung zur Vermeidung bisheriger Nachteile, jedoch bisher keine verkehrsträger- bzw. prozessübergreifenden Lösungen

Bisher existiert keine Lösung, welche Künstlicher Intelligenz für ETA-Prognose durch Integration mehrerer Akteure der Transportkette nutzt.

Page 8: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 8 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

ProjektansatzIntensive Einbindung der Praxis

*Zugbildungsanlage (=Rangierbhf.)**einschließlich Leercontainerdepot

***Eisenbahninfrastrukturunternehmen

Umsetzung einer möglichst praxisorientierten Lösung durch Einbindung von Vertretern der Transportkette in Projekt, insb. bei:

Anforderungserhebung und Ergebnisvalidierung

Aufnahme von fachlichen Grundlagen (Betriebs- und Informationsprozesse, Störungen, Datenlage etc.)

Bereitstellung notwendiger Daten

EIU-HafenEIU***

KV-Operateur

Spediteur

DUSS

DB Cargo

ZBA MaschenDB Cargo

Nahbereich

Hinterland

DB Cargo

Nahbereich

Hafen

Schienen-

transport

Seehafen-

terminalReederei**

Hinterland-

terminal

Straßen-

transportVerlader ZBA*

Rangierung

H-Terminal

Rangierung

Hafen

Seehafenterminal:

HHLA Hamburg

Eurogate Hamburg

ZBA:

Maschen

Hinterlandterminal:

DUSS München

DUSS Leipzig

Page 9: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 9 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

Realität: Prozessabweichungen

durch Störungen

Prognose-modelle

Vorgehen im ProjektAbbildung von Störungsszenarien durch Modelle

Experten- und datenbasierte Ermittlung von relevanten Störungsarten und

Einflussfaktoren, die zu Prozessabweichungen führen

Analyse der Ursachen und kausalen Zusammenhänge

Störungs-

analyseModell-

entwicklung

Datenidentifikationund -analyse

Prognose der Prozess-

abweichungen

Identifizierung und Analyse geeigneter Datenarten und Datenquellen, um

Störungsursachen und Einflussfaktoren zu prognostizieren

Entwicklung und Validierung problem-spezifischer Prognosemodelle auf Basis identifizierten Daten

Einsatz von verschiedenen Verfahren des Maschinellen Lernens

Page 10: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 10 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

Störungsanalyse Signifikanz von Störungen (hier Züge)

Untersuchung der Fahrwegeund der zugeordneten

Verspätungslage, um Verständnis über Prozesse und Relevanz der ETA-Prognose zu

gewinnen

Ermittlung von Gründen für Verspätungen (=Störungen

bzw. Einflussfaktoren)

Bsp. hier: Verspätungslage

(=Relativlage) historischer Zugfahrten auf einer der Pilotrelationen

Page 11: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 11 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

Störungsanalyse Ermittlung relevanter Störungsarten (hier Züge)

1. 92: Zugfolge (betr. Zug war verspätet)

2. 54: Verkehrliche Zugvorbereitung

3. 60: Umlauf- und Einsatzplanung4. 31: Bauarbeiten

5. 50: Haltezeitüberschreitung

6. 91: Zugfolge (betroffener Zug war plan)

7. 57: keine Meldung durch EVU

8. 51: Antrag EVU

9. 61: Zugbildung durch EVU10. 25: Anlagen Leit- und Sicherungstechnik

11. 64: Triebfahrzeuge

12. 90: Gefährliche Ereignisse

Top-5-Störungen:72% aller Verspätungsminuten

Erweiterung um Top-12-Störungen:+19% aller Verspätungsminuten

*Primär- und Sekundärcodierung für Verspätungen von DB Netz

*

Auswertung der Störungen von Güterzügen für Pilot-strecken nach DB Netz Codierung in Bezug auf Auswirkungen (hier:

kumulierte Verspätungs-

minuten)

Die dargestellten Top-12-

Störungen decken 91% aller Verspätungs-minuten ab

Für diese Störungsarten lässt sich eine Relevanz für

das Modell vermuten

Page 12: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 12 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

Ankunft und Abfahrt bei Depot und Verlader

Straßeneingang, Verladung, Schienenausgang Hinterlandterminal Rangierprozesse im Hinterland- und Seehafenterminal

Fahrtverlauf Schienentransport (inkl. Prozesse Unterwegsbehandlung)

Ein- und Ausgang ZBA Eingang Hafenbahnhof und Entladung am Seehafenterminal

Ankunft am Closing-Ort, Verladung auf Schiff

Daten zu Störungsereignissen (Baustellen, Infrastrukturstörungen, Fahrzeugstörungen, Kranausfälle…)

Ist- und Soll-Zuordnung zw. Lkw/Zug/Wagen/Schiff und Containern (Container-, Wagen-, Zugnummer...)

Wetterdaten (Temperatur, Wind, Niederschlag, Wetterwarnungen …)

Geo-Daten (Geo-Positionen zu Schienennetz, Bahnhöfe, Straßennetz …)Kalendarische Daten (Ferienzeiten, Feiertage…)

Infrastrukturcharakteristika (Streckenmerkmale, Terminalkapazitäten, Anzahl Gleise/Krane…)

Auslastungsdaten (Verkehrslage auf Straße und Schiene, Anzahl der Container in Terminal…)

Daten zu Fahrzeugeigenschaften (Art, Masse, Länge, Leistung...)

Auftragscharakteristika (Ladungsart, Kunde, Ladungsinhalt…)Personaldaten (Personalverfügbarkeit, geplante Personalwechsel…)

wei

tere

Dat

enIn

fra-

stru

ktu

r-d

aten

ex

tern

inte

rn

Stö

-ru

ng

s-d

aten

Ver

bin

-d

un

g

Fh

z./

Co

nta

iner

So

ll-u

nd

Ist

-P

roze

ssd

aten

u. a.

u. a.

Zeitpunkte und Orte zu:

Schienentransport

Schienen-

transport

Seehafen-

terminal

Hinterland-

terminal

Straßen-

transportVerlader ZBA*

Rangieren

Hafen

Schiffs-

transport

Rangieren

Hinterland

Straßen-

transport

Schienen-

transportDepot

KV-Transport

His

tori

sch

e D

aten

zu

T

ran

spo

rten

Erk

läre

nd

e V

aria

ble

n

(Gru

nla

ge

für

Fe

atu

res) Datenumfang

für Pilotrelationen,

u. a.

Historische Daten

für 3 Jahre

ca. 35.000

Zugfahrten

ca. 96.000

Lkw-Fahrten

> 1 Mio. Wagen-

bewegungen

33 Mio. Wetter-

parameter

Betriebs-bhf. Hafen

Terminal-gleis

Abfahrt beim Verlader

Beladung Schiff

Abfahrt Depot

Schienen-ausgang

DatenanalyseIdentifikation relevanter Datenarten

Page 13: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 13 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

ModellentwicklungMehrere Teilprobleme zur Bestimmung der Gesamt-ETA

*Berechnung nicht Projektbestandteil; existiert bisher nicht

**Berechnung nicht Projektbestandteil; liegt

Reedereien vor; aktuell in Beschaffung***DLZ = Durchlaufzeit

Prognose Abfahrtszeit

Prognose Fahrtzeit

Prognose DLZ***

Prognose, welcher Zug

erreichbar

Prognose Abfahrtszeit

Prognose Fahrzeit

Prognose Warte- &

Rangierzeit

Prognose DLZ***

Prognose Schiff/Clos.

erreichbarPrognose

DLZ***

Prognose, welcher Zug

erreichbar

Prognose Fahrzeit

Prognose Warte- &

Rangierzeit

Prognose Fahrzeit

Prognose Beladungs-

bzw.

AbfahrtszeitPrognose Abfahrtzeit

Berechnung von einzelnen ETA für

Teilprognoseprobleme

Transport des Leercontainers (nachrangige Priorität)

ETA des (Import-)

Schiffs**ETA des Import-

Zuges*ETA des Import-

Zuges*

Zusammenführung der Teilprognosen

zu Gesamt-ETA (Door-to-Port)

2

1

Die Berechnung der ETA für den maritimen Transportvorlauf (Door-to-Port/-Ship) setzt sich aus verschiedenen Teilprognosemodellen für die einzelnen Prozessabschnitte

zusammen, die technisch und datenseitige große Unterschiede aufweisen.

Schienentransport

Schienen-

transport

Seehafen-

terminal

Hinterland-

terminal

Straßen-

transportVerlader ZBA*

Rangieren

Hafen

Schiffs-

transport

Rangieren

Hinterland

Straßen-

transport

Schienen-

transportDepot

KV-Transport

Betriebs-bhf. Hafen

Terminal-gleis

Abfahrt beim Verlader

Beladung Schiff

Abfahrt Depot

Schienen-ausgang

Erste Lösung vorhanden

Lösung in Entwicklung

Bislang keine Lösung

Page 14: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 14 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

ModellentwicklungDetaillierung der Teilprobleme für Schienentransport

Schienen-

transportZBA

Schienen-

transport

Ort der Abfahrt (z. B. Ubf)

Pro

gn

ose

F

ah

rze

it 1

Betriebs-stelle 1

ZBA Betriebs-Stelle y

Welcher Feederzug wird in der ZBA erreicht?

Wann fährt Zug ab?

Wann kommt Zug an Haltepunkt an?

Wann kommt Feederzug am

Hafen an?

Hafen

ZBA-Prognose

Zugabfahrts-zeiten-Prognose

Fahrzeit-Prognose

Vorausgehende Prognose fließen in nachfolgende Prognosen ein

Betriebs-stelle 2

Halte-punkt

Pro

gn

ose

F

ah

rze

it 2

Pro

gn

ose

F

ah

rze

it 3

Pro

gn

ose

H

alte

zeit

Pro

gn

ose

F

ah

rze

it x

Pro

gn

ose

F

ah

rze

it 1

Pro

gn

ose

F

ah

rze

it Y

Pro

gn

ose

A

nsc

hlu

ss-

zug

Pro

gn

ose

A

bfa

hrt

-ve

rsp

ätu

ng

Wann kommt Zug in ZBA

an?

Wie lang ist die

Haltezeit?

Betriebs-stelle x

Haltezeit-Prognose

Fahrzeit-Prognose

Fahrzeit-Prognose

Pro

gn

ose

F

ah

rze

it X

1 2 2 23 4

Page 15: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 15 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

Modellentwicklung Fahrzeitprognose Zug, ohne Haltezeiten

Zusätzliche Features: Zeitliche Merkmale

Zusätzliche Features: Störungsdaten

Prozessdaten

Zusätzliche Features: Fahrzeugcharakteristika

Einbezogene Features: Mittlere Fahrzeiten

Prognosequalität*: 68%

1 2 3 4

Fahrz

eit,

pro

gnostizie

rt [

Min

ute

n]

Fahrzeit, real [Minuten]

Prognosequalität*: 76%F

ahrz

eit,

pro

gnostizie

rt [

Min

ute

n]

Fahrzeit, real [Minuten]

Prognosequalität*: 79%

Fahrz

eit,

pro

gnostizie

rt [

Min

ute

n]

Fahrzeit, real [Minuten]

Prognosequalität*: 83%

Fahrz

eit,

pro

gnostizie

rt [

Min

ute

n]

Fahrzeit, real [Minuten]

*Anteil der prognostizierten Zugläufe im 10%-Abweichungsintervall

Durch die Hinzunahme von relevanten Einflussfaktoren (Features) steigt die Prognosequalität. !

Exemplarische Entwicklungsstufen:

Page 16: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 16 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

ModellentwicklungFahrzeitprognose Zug, mit Haltezeiten (aktueller Stand)

*Anteil der prognostizierten Zugläufeim 10%-Abweichungsintervall

Prognosequalität*: 86%

Fa

hrz

eit,

pro

gn

ostizie

rt [M

inu

ten

]

Fahrzeit, real [Minuten]

Struktureller Umbau der Prognose: Haltezeiten nun durch separate Modelle abgebildet

Weitere Features eingebunden; Prognose konnte dadurch in ihrer Güte verbessert und deutlich stabilisiert werden

Aktuell werden vers. Granularitätsstufen der Prognose(Betriebsstelle, Abzweige, Haltepunkte etc.) getestet

Berechnung der Fahrtzeit bis Zielort:

hier München Maschen (ca. 15h)

Aktuelle Input-Variablen:

Fahrzeit-Prognose:

Plan-Strecke (Betriebsstellen)

Plan-Fahrzeit

Prognostizierte Relativlage (rollierend)

Tageszeit, Monat, Wochentag, Feriendichte

Mittlere Fahrzeit der ZugNr der letzten 30 Tage

Last, Länge Zug (Ist)

Zuggattung, ZugNr

Maximalgeschwindigkeit Lok (Ist)

Lok-Leistungsklassen-Differenz (Plan vs. Ist)

Störungen / Baustellen

Wetterdaten

Haltezeiten-Prognose:

Plan-Haltepunkt (Bahnhof)

Plan-Haltezeit

Prozesse (Personal-/Lokwechsel, Wagen zu/ab etc.)

Tageszeit, Monat, Wochentag, Feriendichte

Zuggattung, ZugNr

Last, Länge Zug (Ist)

Prog. kumulierte Fahrzeit seit letztem LPW

Page 17: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 17 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

ModellentwicklungVisualisierung der Ergebnisse als Web-Front-End

Darstellung der Prognosen erfolgt in Form eines Demonstrators

Dazu wurde bereits die Entwicklung einer webbasierten Anwender-oberfläche (GUI) als Vorstufe zur Live-Version begonnen

Berechnung der Ankunftszeit von Transporten (ETA) für Zielort und wichtige Knotenpunkte

Visualisierung des Transport-verlaufes und voraussichtlicher

Verspätungen

Integration weiterer Transport-abschnitte, einer Konfliktfall-detektion, Maßnahmen zum Störungsmanagement sowie weitere GUI-Funktionalitäten derzeit

in Umsetzung

Prognostizierter

Verspätungsverlauf an

Knotenpunkten

Detaillierter

Transportplan

inkl. ETA

Visualisierung

des Transport-

verlaufes

Page 18: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 18 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

AusblickGeplante nächste Schritte

Weitere Verbesserung der Prognosemodelle

Integration weiterer (in Beschaffung stehender) Daten in Zuglaufprognose (Streckencharakteristika, Tf-Verfügbarkeiten, Rangierprozesse, Infrastrukturstörungen)

Auswahl geeignetster Modellkonfiguration und KI-Verfahren für Zuglauf-Prognose

Implementierung weiterer Teilmodelle für ausgewählte Prozesse (Rangierprozesse, DLZ-

Prognose in Hafenterminal)

Entwicklung des Maßnahmenmodells

Identifikation von Anforderungen für Echtzeit-Entscheidungsunterstützung

Identifikation von geeigneten Maßnahmen im Falle von Störungen

Integration von Handlungsempfehlungen in ETA-Prognose

Umsetzung des Gesamtmodells

Erstellung Gesamtprozessvisualisierung mit vollständigen Soll-/Ist-Daten

Implementierung einer Gesamtmodell-Logik

Entwicklung Front-End für Demonstrator

Page 19: Entwicklung von ETA-Prognosen für multimodale ... · multimodale Transportketten mithilfe Künstlicher Intelligenz Projektziele Entwicklung eines Systems, welches durch die proaktive

– 19 –

Entwicklung von ETA-Prognosen für multimodale Transportketten mithilfe Künstlicher Intelligenz

Ansprechpartner TU Berlin

Manuel Weinke

Technische Universität Berlin

Fachgebiet Logistik

Wissenschaftlicher Mitarbeiter

Projektmitarbeiter SMECS

Mail: [email protected]

Tel.: +49 30 314 76249

Peter Poschmann

Technische Universität Berlin

Fachgebiet Logistik

Wissenschaftlicher Mitarbeiter

Projektmitarbeiter SMECS

Mail: [email protected]

Tel.: +49 30 314 78690

Prof. Dr.-Ing. Frank Straube

Technische Universität Berlin

Fachgebiet Logistik

Leiter Fachgebiet Logistik

Projektleitung SMECS

Mail: [email protected]

Tel.: +49 30 314 22877

SMECS Webseite