Bessere Auslastung im Straßengüterverkehr mit KI-gestützten Kurzzeitprognosen

Wie kann die Nachfrage nach Frachtvolumen vorhergesagt werden?

Tanklaster auf der Autobahn
© Vladimir Vitek - Fotolia.com

Lkws stellen eine große Belastung für Umwelt, Infrastruktur und Verkehrssicherheit dar. Aus diesem Grund ist es wichtig, den Straßengüterverkehr langfristig zu verringern oder zumindest dessen Wachstum zu bremsen. Eine effiziente Möglichkeit Verkehre zu reduzieren ist, Leerfahrten und Fahrten mit geringer Auslastung zu vermeiden. Damit Straßengüterverkehrsunternehmen (StGV-Unternehmen) ihre Touren so planen können, dass ihre Flotte möglichst gut ausgelastet ist – also Leerfahrten vermieden werden – benötigen sie möglichst genaue Bedarfsprognosen. Die meisten StGV-Unternehmen schätzen diese Bedarfe heutzutage zumeist noch manuell ab. Die Unternehmen, die bereits datengetriebene Prognosen nutzen, arbeiten in der Regel aber lediglich auf Basis interner historischer Daten. Jedoch erhält das Unternehmen dadurch keine präzisen Kurzzeitprognosen, die mehrere Einflussgrößen berücksichtigen.

Im Forschungsprojekt »KIVAS« untersuchten die Forscher der Fraunhofer-Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS daher eine Vielzahl an Einflussgrößen, wie Wettervorhersagen, kalendarische Effekte (z.B. Feiertage, Wochenenden, etc.), Konjunkturdaten sowie sozioökonomische Daten (z.B. Arbeitslosenstatistiken) auf ihren prädiktiven Mehrwert. Diese Daten evaluierte die Forschungsgruppe für 17 Niederlassungen zweier Unternehmen, um zu ermitteln, welche Einflussgrößen die Prognose des Transportvolumens tatsächlich optimieren können. Dabei zeigte sich, dass vor allem das Wetter und kalendarische Effekte einen großen Einfluss auf die Kurzzeitprognose der beteiligten Unternehmen haben.

Vom Feature-Selection Verfahren zur optimierten Tourenplanung

Um die Relevanz von Variablen einschätzen zu können, werden in der KI-Forschung sogenannte Feature-Selection Verfahren verwendet. Diese lassen sich wiederum in drei Klassen einteilen: Zum einen gibt es sogenannte Filter-Verfahren, die beispielsweise ein Korrelationsmaß nutzen und Variablen, die im Untersuchungsprozess hoch korrelieren, werden als relevant eingestuft. Zum anderen werden Wrapper-Verfahren verwendet, bei denen das Prognosemodell als Blackbox betrachtet und anhand der Veränderung des Prognosefehlers die Relevanz geschätzt wird. Darüber hinaus gibt es noch Embedded-Verfahren, die bereits beim Berechnen der Prognose die Wichtigkeit der jeweiligen Variablen prüfen.

Im Projekt »KIVAS« verwendeten die Forscher alle drei KI-Verfahren und verglichen deren Ergebnisse miteinander. Konkret nutzten sie Fast Correlation Based Filter (Filter-Verfahren), Sequential-Floating-Forward-Selection (Wrapper-Verfahren) und Lasso (Embedded-Verfahren).  

Das Forschungsprojekt »KIVAS« plant in den nächsten Schritten, mithilfe der genannten KI-Verfahren, weiteren StGV-Unternehmen zu untersuchen und anschließend die Kurzzeitprognose konkret zur Tourenplanung nutzen.

Das könnte Sie auch interessieren

 

ADA Lovelace Center for Analytics, Data and Applications

Neues Kompetenzzentrum für Data Analytics und KI in der Industrie: Das ADA Lovelace Center verbindet auf einzigartige Weise KI-Forschung mit KI-Anwendungen der Industrie. Hier können sich die Partner untereinander vernetzen, vom Know-how des anderen profitieren und an gemeinsamen Projekten arbeiten.

 

Industrie 4.0 in der Praxis

Ein Einstieg in den digitalen Wandel wird durch klar erkennbare Mehrwerte in der Praxis erleichtert. Dabei richten sich unsere Lösungen auf klare Kosten- und Nutzeneffizienz und integrieren sich in Ihre bereits bestehenden intralogistischen und industriellen Prozesse, bei denen der Mensch auf Technik trifft. Wir sind Ihr Partner für die digitale Transformation.

 

Road to Digital Production

Ein wichtiger Bestandteil von »Industrie 4.0« ist die zunehmende Verbesserung und Steigerung der digitalen Produktion. Dabei soll die Zusammenarbeit zwischen Mensch und Technik verbessert werden, um ganzheitliche Produktionsfunktionen gewährleisten zu können. Das Projekt »R2D – Road to Digital Production« will die Digitalisierung industrieller Produktionsprozesse vorangetrieben.