Logistik 4.0 Intelligentes System prognostiziert Ankunft von Transporten

Autor / Redakteur: Stefanie Terp* / Vivien Deffner

Eine präzise Prognose von Transportketten war aufgrund der komplexen Prozesse bis jetzt kaum möglich. Ein neu entwickeltes intelligentes System soll bei der Prognose von Ankunftszeiten der Transporte in Zukunft unterstützen.

Anbieter zum Thema

Die Überwachung von Transporten gestaltet sich aufgrund der komplexen Prozesse häufig schwierig. Ein intelligentes System soll nun bei der Prognose der Ankunft von Transporten unterstützen.
Die Überwachung von Transporten gestaltet sich aufgrund der komplexen Prozesse häufig schwierig. Ein intelligentes System soll nun bei der Prognose der Ankunft von Transporten unterstützen.
(Bild: gemeinfrei / Unsplash)

Bisher fiel die Antwort auf die Frage nach einer präzisen Prognose von Transportketten sehr verhalten aus, da durch die Komplexität der einzelnen Transport- und Umschlagsprozesse sowie die Vielzahl an Störungen eine hohe Unsicherheit vorherrscht. Dies hat weitreichende wirtschaftliche und ökologische Folgen für die weltweiten Logistiknetzwerke: Lieferungen erfolgen unpünktlich, Transportmittel sind nur wenig ausgelastet und der Koordinationsaufwand der Akteure ist hoch. In dem kürzlich abgeschlossenen Forschungsprojekt „Smart Event Forecast for Seaports“ (SMECS) wurden für die Erarbeitung einer Lösung gezielt Potenziale von künstlicher Intelligenz (KI) eingesetzt.

Im Rahmen des Projektes wurde ein intelligentes System entwickelt, in dem verschiedene Verfahren des Maschinellen Lernens zum Einsatz kommen. Das System prognostiziert die Ankunftszeiten von Transporten mit LKWs und Zügen über Straßen und Schienen und ermöglicht dadurch eine frühzeitige Bewertung über das pünktliche Eintreffen von Containern an wichtigen Prozessabschnitten wie dem Hafen. Die beteiligten Unternehmen erhalten neben dieser ETA-Information (Estimated Time of Arrival) proaktiv Ineffizienzen und Störungen entlang der Logistikkette sowie geeignete Handlungsmaßnahmen. Die Entwicklung des KI-Systems und die Leitung des Projektes erfolgte durch das Fachgebiet Logistik der TU Berlin von Prof. Dr.-Ing. Frank Straube in Zusammenarbeit mit DB Cargo und der Kühne Logistics University (KLU).

Historische Daten trainieren Algorithmen

„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. Dr.-Ing. Frank Straube. Hierzu gehören neben 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. Für die drei ausgewählten Transportstrecken von Leipzig, München und Regensburg nach Hamburg umfasste dies unter anderem 50.000 Schienentransporte, 96.000 Straßentransporte sowie 8,6 Millionen containerbezogene Statusmeldungen“, so Peter Poschmann, wissenschaftlicher Mitarbeiter am TU-Fachgebiet Logistik. Neben Informationen über den genauen Verlauf der Transporte umfassen diese Daten rund 50 im Projekt ermittelte Faktoren, die Einfluss auf die Abläufe der einzelnen Prozesse haben. Darunter fallen betriebliche Informationen wie Personaleinsatzplanungen, Fahrzeugeigenschaften, Strecken- und Infrastrukturauslastungen sowie externe Faktoren, zum Beispiel Baustellen und Wetterbedingungen. Die Algorithmen erlernten auf Basis der historischen Daten die Zusammenhänge zwischen diesen Einflussfaktoren und den Prozesszeiten und wenden dieses Wissen auf neue, unbekannte Fälle an.

KI-basierte Entscheidungsassistenz

Im Anschluss erfolgte die Integration der Prognosemodelle in ein Gesamtsystem, das die Berechnung einer „Door-to-Port-ETA“ für Transportaufträge zulässt. Pro Auftrag kommen durchschnittlich 100 Modelle zum Einsatz. Dies ermöglicht in den meisten Fällen eine sehr hohe Genauigkeit der Prognosen. Bei Fahrtzeiten der Schienentransporte von über zehn Stunden liegt die Genauigkeit bei etwa 86 Prozent. Bei mehrtägigen Gesamttransporten liegen die Abweichungen der Prognosen zu den tatsächlichen Zeiten für viele Aufträge im zweistelligen Minutenbereich, also zwischen zehn Minuten und anderthalb Stunden. Größere Störeinflüsse haben auf diese Zeiten keine Auswirkung. „Die Möglichkeit, Live-Prognosen für die geplanten Ankunftszeiten von Güterzügen zu erstellen, spielt für DB Cargo eine Schlüsselrolle", betont Dr. Bernd Pahnke, SMECS-Projektleiter bei der DB Cargo und Sprecher der Geschäftsführung der TFG Transfracht. „Durch die Forschungen der TU Berlin und der KLU haben wir ein besseres Verständnis der wichtigsten Einflussfaktoren gewonnen und mögliche Ansatzpunkte für eine proaktive Steuerung der Transporte identifiziert.“

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

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Interaktive Erprobung der Ergebnisse durch Web-Demonstrator

Das entwickelte Prognosesystem wurde kürzlich in eine webbasierte Anwendung in Form eines Demonstrators überführt. Nun stehen die Ergebnisse des Projektes der Öffentlichkeit zur Verfügung. Mit dieser Darstellung haben die Anwender die Möglichkeit, die Potenziale von KI am Beispiel ausgewählter historischer, anonymisierter Transportaufträge interaktiv zu erproben. „Das Projekt beweist die Machbarkeit KI-basierter Prognosen und zeigt die strategische Bedeutung von Daten für die Logistik“, betont Prof. Dr.-Ing. Frank Straube.

Das SMECS-Projekt wurde im Rahmen der Initiative „Innovative Hafentechnologien“ (IHATEC) des Bundesministeriums für Verkehr und digitale Infrastruktur (BMVI) von 2017 bis 2020 gefördert. Aktuell erforscht das Fachgebiet Logistik der TU Berlin zudem die Möglichkeiten zur KI-basierten Fahrtzeitprognose in der Binnenschifffahrt. Im kürzlich gestarteten Projekt „Smarte Entscheidungsassistenz für Logistikketten der Binnenschifffahrt durch ETA-Prognosen“ (SELECT) werden gemeinsam mit Reedereien und Hafenbetreibern intelligente Vorhersagesysteme entwickelt. Es wird ebenfalls für drei Jahre vom BMVI gefördert.

Der Demonstrator kann hier aufgerufen werden.

* Stefanie Terp arbeitet in der Stabsstelle Kommunikation, Events und Alumni an der Technischen Universität Berlin.

(ID:46751918)