Skalierbares datenbankinternes maschinelles Lernen für die Vorhersage von Port-to-Port-Routen

Zusammenfassung: Die korrekte Vorhersage von aufeinanderfolgenden Hafen-zu-Hafen-Routen spielt eine wesentliche Rolle in der maritimen Logistik und ist daher für viele weitere Aufgaben wie die genaue Vorhersage der geschätzten Ankunftszeit unerlässlich. In diesem Beitrag wird ein skalierbarer KI-basierter Ansatz zur Vorhersage kommender Hafenziele auf Schiffe vorgestellt, der auf historischen AIS-Daten basiert. Die vorgestellte Methode ist hauptsächlich als Ersatz für Fälle gedacht, in denen der AIS-Zieleintrag eines Schiff nicht interpretierbar ist. Wir beschreiben, wie man eine stabile und effiziente datenbankinterne KI-Lösung auf der Grundlage von Markov-Modellen aufbauen kann, die für massiv parallele Vorhersageaufgaben mit hoher Genauigkeit geeignet sind. Die hier vorgestellten Forschungsarbeiten sind Teil des PRESEA-Projekts ("Real-time based maritime traffic forecast").