Maschinelles Lernen, Routing-Netzwerk

Fallstudie - Vorhersage von Inland Schiff ETA mit Predictive Analytics

Über das Projekt

Das Fachgebiet Logistik der Technischen Universität Berlin unter der Leitung von Prof. Dr.-Ing. Frank Straube bereitet jährlich 120 Studierende des Wirtschaftsingenieurwesens mit dem Schwerpunkt Logistik auf die Anforderungen der Wirtschaft vor. Dabei wird großer Wert auf die Praxisnähe der Lehre gelegt. In der Lehrveranstaltung "Supply Chain Analytics" lernen die Studierenden, reale Probleme im Kontext von Logistik und Supply Chain Management mit Hilfe von Daten und Analysemethoden in umfangreichen Fallstudien zu lösen. In der Regel wird ein Unternehmen als Fallstudienpartner ausgewählt, das mit internen Herausforderungen konfrontiert ist, die durch die Durchführung einer Analyseinitiative gelöst werden können. Die Studenten haben dann sechs Wochen Zeit, um die gegebenen Herausforderungen in Form eines Gruppenprojekts zu bewältigen.

Im Sommersemester 2021 wurde in Zusammenarbeit mit dem Forschungsprojekt SELECT eine Fallstudie durchgeführt, in der die Studierenden lernten, anhand von AIS-Daten eine Ankunftszeitvorhersage für die Binnenschifffahrt Schiffe zu entwickeln. Im Forschungsprojekt SELECT ("Smarte Entscheidungsassistenz für Logistikketten der Binnenschifffahrt durch ETA-Prognosen") entwickelt der Lehrstuhl für Logistik der Technischen Universität Berlin gemeinsam mit verschiedenen Unternehmen der Schifffahrtsbranche, darunter BEHALA, Deutsche Binnenreederei, Duisport, HGK und modal 3 Logistik, ein intelligentes Entscheidungsunterstützungssystem für die Binnenschifffahrt. Die im Projekt entwickelte Lösung soll dazu beitragen, die Zuverlässigkeit und Effizienz von Transportketten in der Binnenschifffahrt in Zukunft zu erhöhen. Ein Hauptziel ist unter anderem die Entwicklung einer Vorhersage für die geschätzte Ankunftszeit (Estimated Times of Arrival, ETA) durch maschinelles Lernen.

Das Projekt SELECT wird von 2020 bis 2023 im Rahmen des Förderprogramms Innovative Hafentechnologien (IHATEC) des Bundesministeriums für Verkehr und digitale Infrastruktur (BMVI) gefördert.

Datengrundlage

FleetMon stellte dem SELECT-Projekt umfangreiche Mengen an AIS-Daten für bestimmte Binnenschifffahrtskorridore wie Rhein und Elbe zur Verfügung. Die ETA-Vorhersage sollte nicht nur den Reiseprozess, sondern auch Schleusenprozesse und Ruhezeiten entlang der Kette sowie Umschlagzeiten im Hafen umfassen, was schließlich die Berechnung von Prozesszeiten für komplexe Schiffsreisen ermöglicht.

Für die Bearbeitung der Aufgabe wurden den Schülern verschiedene Datenquellen zur Verfügung gestellt. Grundlage für die Fallstudie waren AIS-Meldungen von etwa 150 Schiffsreisen auf dem Rhein, die von FleetMon zur Verfügung gestellt wurden. Weitere Datenquellen waren die Wasserstände, die für den Rhein von besonderer Bedeutung sind.

Ziel der Fallstudie

Eine der wichtigsten Wasserstraßen in Europa ist der Rhein. Täglich passieren mehrere hundert Binnenschiffe Schiffe diese Wasserstraße. Für die richtige Koordination der Prozesse zwischen Reedereien, Binnen- und Seehäfen sowie anderen Akteuren sind genaue Informationen über Ankunftszeiten von großer Bedeutung. In der Lehrveranstaltung "Supply Chain Analytics" erhielten die Studierenden daher die Aufgabe, ein Vorhersagemodell zur ETA-Vorhersage für Schiffsreisen zwischen dem Rhein-Main-Gebiet und den ARA-Häfen zu entwickeln. Diese analytische Fähigkeit soll zudem den relevanten Stakeholdern in Form eines Entscheidungsunterstützungswerkzeugs zur Verfügung gestellt werden. Eine weitere Aufgabe für die Studenten war es daher, ein mögliches Front-End in Form eines Dashboard Mock-ups zu entwerfen, um die ETA-Informationen bereitzustellen.

Durchführung der Fallstudie

Die Studentengruppen folgten dem CRISP-DM-Prozess (Cross Industry Standard Process for Data Mining), einem standardisierten, strukturierten Vorgehensmodell für die Durchführung von Analyseinitiativen. Zunächst wurde das Geschäftsproblem identifiziert. Anschließend beschafften die Studenten weitere relevante Daten, z. B. Wetter- oder Feiertagsdaten für die betreffenden Gebiete. Anschließend wurden diese Daten gründlich analysiert, um weitere Erkenntnisse über die Merkmale der Beispielstrecke zu gewinnen. Zu diesem Zweck wurde die Programmiersprache R verwendet, eine freie Softwareumgebung für statistische Berechnungen und Grafiken. Nach einem explorativen Ansatz durchkämmten die Studierenden die Daten auf der Suche nach Variablen, die zur Vorhersage der Reisedauer verwendet werden können. Fahren die Schiffe an Wochenenden langsamer, weil Hobbysegler die Schleusen verstopfen? Haben die Wetterbedingungen einen wesentlichen Einfluss auf den Verlauf der Reise? Diese und viele weitere Fragen wurden in diesem Schritt untersucht.

Bei der Aufzeichnung der Fahrtdauer und des Tiefgangs von Schiffwurde beispielsweise untersucht, dass der Tiefgang je nach Schiff Typ (Tankschiff oder Containerschiff) einen Einfluss auf die Fahrtdauer hat oder nicht. Tankschiffe werden also durch den Tiefgang überhaupt nicht beeinflusst. Bei Frachtschiffen hingegen verlängerte sich die Fahrtdauer, wenn der Tiefgang zunahm. Da der Datensatz jedoch recht klein war, sollte dieses Ergebnis mit Vorsicht betrachtet werden.

Eine andere Gruppe nutzte die detaillierten AIS-Daten, um die Orte zu ermitteln, an denen Schiffe auf der jeweiligen Strecke üblicherweise Pausen einlegt. Es konnte festgestellt werden, dass es mehr und weniger beliebte Orte gibt, an denen Pausen eingelegt werden können. Dies ermöglichte weitere Rückschlüsse auf die Eigenschaften der Strecke.

Diese und viele weitere Erkenntnisse wurden anschließend zur Erstellung von Vorhersagealgorithmen verwendet, wobei mehrere Methoden zum Einsatz kamen, darunter lineare Regression und Extreme Gradient Boosting Trees. Das Ergebnis waren brauchbare Prognosemodelle, die gegen eine Basislinie (die durchschnittliche Reisedauer sowie die von den Schiffsführern vorhergesagte ETA) getestet wurden. Die Ergebnisse waren beeindruckend - wenn man bedenkt, dass die Studentengruppen nur eine begrenzte Zeit für ihre Analysen hatten.

In einem letzten Schritt wurden Dashboards (Mock-ups) entworfen, um zu zeigen, wie die entwickelten Lösungen von den Akteuren der Schifffahrts- und Hafenindustrie genutzt werden könnten. Die Dashboards wurden so gestaltet, dass sie den Bedürfnissen der Nutzer entsprechen, indem sie ihnen Entscheidungshilfen für relevante Frachtumschlagsprozesse bieten.

Nach Ablauf der sechs Wochen präsentierten alle Schülergruppen ihre Ergebnisse vor den Mitgliedern des SELECT-Projekts. Die Fallstudie war ein großer Gewinn für die Studenten, aber auch für das Forschungsprojekt. Einerseits konnten die Studenten Daten aus der realen Welt mit Blick auf ein echtes Geschäftsproblem analysieren. Sie hatten die Möglichkeit, ihre Fähigkeiten in der Datenanalyse und prädiktiven Modellierung zu vertiefen und praktische Einblicke in die Arbeit eines Datenanalysten zu gewinnen. Die Mitglieder des SELECT-Projekts wiederum erhielten einige neue Ideen, wie der bestehende IT-Prototyp, der im Rahmen des Projekts entwickelt wurde, weiter verbessert werden könnte, z. B. durch Hinzufügen weiterer Datenquellen. Während der Betreuung der Fallstudie wurde deutlich, dass AIS-Daten eine wesentliche Datenquelle für die Analyse und Optimierung von Logistikprozessen in Lieferketten mit Binnenschifffahrt sind Schiff .