Μενού
Ακολουθήστε μας στο

Μελέτη περίπτωσης – Πρόβλεψη ΕΟΤ εσωτερικών σκαφών με προγνωστική ανάλυση

Πίνακας περιεχομένων

Σχετικά με το Έργο

Το Τμήμα Logistics στο Τεχνικό Πανεπιστήμιο του Βερολίνου, με επικεφαλής τον καθηγητή Dr.-Ing. Frank Straube, προετοιμάζει ετησίως 120 φοιτητές βιομηχανικής μηχανικής με έμφαση στην εφοδιαστική για τις απαιτήσεις του επιχειρηματικού κόσμου. Μεγάλη αξία δίνεται στην πρακτική σημασία της διδασκαλίας. Στο μάθημα "Supply Chain Analytics" οι φοιτητές μαθαίνουν να επιλύουν πραγματικά προβλήματα στο πλαίσιο των Logistics και της Διαχείρισης εφοδιαστικής αλυσίδας χρησιμοποιώντας δεδομένα και αναλυτικές μεθόδους σε εκτεταμένες μελέτες περιπτώσεων. Συνήθως μια εταιρεία επιλέγεται ως συνεργάτης μελέτης περίπτωσης, η οποία έχει κάποιο είδος εσωτερικών προκλήσεων, που μπορούν να αντιμετωπιστούν με τη διεξαγωγή μιας πρωτοβουλίας ανάλυσης. Στη συνέχεια, οι μαθητές έχουν στη διάθεσή τους έξι εβδομάδες για να αντιμετωπίσουν τις δεδομένες προκλήσεις με τη μορφή μιας ομαδικής εργασίας.

Το θερινό εξάμηνο 2021, πραγματοποιήθηκε μελέτη περίπτωσης σε συνεργασία με το ερευνητικό έργο SELECT, όπου οι φοιτητές έμαθαν να αναπτύσσουν μια πρόβλεψη χρόνου άφιξης για σκάφη εσωτερικής ναυσιπλοΐας χρησιμοποιώντας δεδομένα AIS. Στο ερευνητικό έργο SELECT ("Smarte Entscheidungsassistenz für Logistikketten der Binnenschifffahrt durch ETA-Prognosen") η έδρα της εφοδιαστικής στο Τεχνολογικό Πανεπιστήμιο του Βερολίνου μαζί με διάφορες εταιρείες από τη ναυτιλιακή βιομηχανία, συμπεριλαμβανομένων των BEHALA, Deutsche Binnenreederei, Duisport, HGK και modal 3 Logistik, αναπτύσσει ένα έξυπνο σύστημα υποστήριξης αποφάσεων για την εσωτερική ναυτιλία. Η λύση που αναπτύσσεται στο έργο αναμένεται να συμβάλει στην αύξηση της αξιοπιστίας και της αποτελεσματικότητας των αλυσίδων εσωτερικών πλωτών μεταφορών στο μέλλον. Ένας κύριος στόχος, μεταξύ άλλων, είναι να αναπτυχθεί μια πρόβλεψη για τις εκτιμώμενες ώρες άφιξης (ETA) χρησιμοποιώντας μηχανική μάθηση.

Το έργο SELECT χρηματοδοτείται από το 2020 έως το 2023 ως μέρος του προγράμματος χρηματοδότησης καινοτόμων λιμενικών τεχνολογιών (IHATEC) του Γερμανικού Ομοσπονδιακού Υπουργείου Μεταφορών και Ψηφιακών Υποδομών (BMVI).

Βάση δεδομένων

FleetMon παρείχε στο έργο SELECT εκτεταμένες ποσότητες δεδομένων AIS για συγκεκριμένους διαδρόμους εσωτερικών πλωτών μεταφορών, όπως ο Ρήνος και ο Έλβας. Η πρόβλεψη της ΕΤΑ δεν θα πρέπει να καλύπτει μόνο τη διαδικασία ταξιδιού, αλλά και τις διαδικασίες κλειδώματος και τους χρόνους ανάπαυσης κατά μήκος της αλυσίδας, καθώς και τους χρόνους ανακύκλωσης στο λιμάνι, γεγονός που επιτρέπει τελικά τον υπολογισμό των χρόνων επεξεργασίας για πολύπλοκα ταξίδια πλοίων.

Δόθηκαν διάφορες πηγές δεδομένων για να εργαστούν οι μαθητές στην εργασία. Η βάση για τη μελέτη περίπτωσης ήταν τα μηνύματα AIS για περίπου 150 ταξίδια πλοίων στο Ρήνο, που παρέχονται από FleetMon. Άλλες πηγές δεδομένων περιελάμβαναν τη στάθμη των υδάτων, η οποία έχει ιδιαίτερη σημασία για τον Ρήνο.

Στόχος της μελέτης περίπτωσης

Μία από τις σημαντικότερες πλωτές οδούς στην Ευρώπη είναι ο Ρήνος. Αρκετές εκατοντάδες πλοία εσωτερικής ναυσιπλοΐας διέρχονται καθημερινά από αυτήν την πλωτή οδό. Για τον σωστό συντονισμό των διαδικασιών μεταξύ των ναυτιλιακών εταιρειών, των λιμένων εσωτερικής ναυσιπλοΐας και των θαλάσσιων λιμένων, καθώς και άλλων παραγόντων, η ακριβής ενημέρωση σχετικά με τους χρόνους άφιξης έχει μεγάλη σημασία. Στο μάθημα "Supply Chain Analytics", οι φοιτητές ανέλαβαν να αναπτύξουν ένα προγνωστικό μοντέλο για την πρόβλεψη της ΕΤΑ για ταξίδια πλοίων μεταξύ της περιοχής Ρήνου-Μάιν και των λιμένων ARA. Αυτή η αναλυτική ικανότητα πρέπει επίσης να τίθεται στη διάθεση των σχετικών ενδιαφερόμενων μερών με τη μορφή εργαλείου υποστήριξης της λήψης αποφάσεων. Ως εκ τούτου, ένα άλλο καθήκον των μαθητών ήταν να σχεδιάσουν ένα πιθανό front-end με τη μορφή μιας μακέτας ταμπλό για την παροχή των πληροφοριών ETA.

Εφαρμογή της μελέτης περίπτωσης

Οι φοιτητικές ομάδες ακολούθησαν τη διαδικασία CRISP-DM (Διακλαδική Τυποποιημένη Διαδικασία για εξόρυξη δεδομένων), η οποία είναι ένα τυποποιημένο, δομημένο μοντέλο διαδικασίας για τη διεξαγωγή Πρωτοβουλιών Ανάλυσης. Πρώτον, εντοπίστηκε το Επιχειρηματικό Πρόβλημα. Δεύτερον, οι μαθητές συνέχισαν να αποκτούν πιο σχετικά δεδομένα, όπως δεδομένα καιρού ή διακοπών για τις συγκεκριμένες περιοχές. Στη συνέχεια, τα δεδομένα αυτά αναλύθηκαν διεξοδικά για να αποκτήσουν περισσότερες πληροφορίες σχετικά με τα χαρακτηριστικά της διαδρομής του δείγματος. Για το σκοπό αυτό, χρησιμοποιήθηκε η γλώσσα προγραμματισμού R, η οποία είναι ένα περιβάλλον ελεύθερου λογισμικού για στατιστικούς υπολογισμούς και γραφικά. Ακολουθώντας μια διερευνητική προσέγγιση, οι μαθητές χτένισαν τα δεδομένα αναζητώντας μεταβλητές, που θα μπορούσαν να χρησιμοποιηθούν για την πρόβλεψη της διάρκειας του ταξιδιού. Τα πλοία πηγαίνουν πιο αργά τα Σαββατοκύριακα λόγω των ερασιτεχνών ιστιοπλόων που φράζουν τις κλειδαριές; Οι καιρικές συνθήκες έχουν σημαντικό αντίκτυπο στην πορεία του ταξιδιού; Αυτά και πολλά άλλα ερωτήματα διερευνήθηκαν σε αυτό το βήμα.

Κατά τη χάραξη της διάρκειας του ταξιδιού και του βυθίσματος του σκάφους, για παράδειγμα, εξετάστηκε ότι ανάλογα με τον τύπο του πλοίου (δεξαμενόπλοιο ή πλοίο μεταφοράς εμπορευματοκιβωτίων), το βύθισμα είχε ή δεν είχε αντίκτυπο στη διάρκεια του ταξιδιού. Επομένως, τα δεξαμενόπλοια δεν επηρεάζονται καθόλου από το επίπεδο βυθίσματος. Τα φορτηγά πλοία από την άλλη πλευρά, παρουσίασαν μεγαλύτερη διάρκεια ταξιδιού όταν αυξήθηκε το επίπεδο βυθίσματος. Ωστόσο, καθώς το σύνολο δεδομένων ήταν μάλλον μικρό, αυτό το αποτέλεσμα θα πρέπει να εξεταστεί με προσοχή.

Μια άλλη ομάδα χρησιμοποίησε τα λεπτομερή δεδομένα AIS για να εντοπίσει τυχόν σημεία, όπου τα σκάφη στη δεδομένη διαδρομή συνήθως κάνουν διαλείμματα. Θα μπορούσε να παρατηρηθεί ότι υπάρχουν περισσότερα και λιγότερο δημοφιλή μέρη όπου μπορούν να ληφθούν τα διαλείμματα. Αυτό επέτρεψε την εξαγωγή περαιτέρω συμπερασμάτων σχετικά με τα χαρακτηριστικά της διαδρομής.

Αυτές και πολλές άλλες πληροφορίες χρησιμοποιήθηκαν κατά συνέπεια για τη δημιουργία αλγορίθμων πρόβλεψης με τη χρήση διαφόρων μεθόδων, συμπεριλαμβανομένης της γραμμικής παλινδρόμησης και των δέντρων ενίσχυσης της ακραίας κλίσης. Αυτό είχε ως αποτέλεσμα χρησιμοποιήσιμα μοντέλα πρόβλεψης, τα οποία δοκιμάστηκαν σε σχέση με μια γραμμή βάσης (τη μέση διάρκεια ταξιδιού, καθώς και την προβλεπόμενη ETA από τους πλοιάρχους). Τα αποτελέσματα ήταν εντυπωσιακά – δεδομένου ότι οι φοιτητικές ομάδες είχαν περιορισμένο χρόνο για τις αναλύσεις τους.

Ως τελευταίο βήμα, οι πίνακες εργαλείων (μακέτες) σχεδιάστηκαν ως απόδειξη ιδέας για το πώς οι αναπτυγμένες λύσεις θα μπορούσαν να χρησιμοποιηθούν από τους ενδιαφερόμενους φορείς της ναυτιλιακής και λιμενικής βιομηχανίας. Τα ταμπλό σχεδιάστηκαν για να ταιριάζουν στις ανάγκες του χρήστη παρέχοντάς του υποστήριξη αποφάσεων για σχετικές διαδικασίες διαχείρισης φορτίου.

Αφού πέρασαν οι έξι εβδομάδες, όλες οι φοιτητικές ομάδες παρουσίασαν τα αποτελέσματά τους μπροστά στα μέλη του έργου SELECT. Η μελέτη περίπτωσης ήταν ένα μεγάλο όφελος για τους μαθητές, αλλά και για το ερευνητικό έργο. Οι μαθητές από τη μία πλευρά ήταν σε θέση να αναλύσουν πραγματικά δεδομένα εξετάζοντας ένα πραγματικό επιχειρηματικό πρόβλημα. Είχαν την ευκαιρία να εμβαθύνουν τις δεξιότητές τους στην ανάλυση δεδομένων και την προγνωστική μοντελοποίηση και να αποκτήσουν πρακτικές γνώσεις για το έργο ενός αναλυτή δεδομένων. Τα μέλη του έργου SELECT, από την άλλη πλευρά, έλαβαν ορισμένες νέες ιδέες σχετικά με τον τρόπο με τον οποίο το υπάρχον πρωτότυπο πληροφορικής που αναπτύσσεται στο έργο θα μπορούσε να βελτιωθεί περαιτέρω, για παράδειγμα με την προσθήκη περαιτέρω πηγών δεδομένων. Κατά την επίβλεψη της μελέτης περίπτωσης, κατέστη σαφές ότι τα δεδομένα AIS αποτελούν βασική πηγή δεδομένων για την ανάλυση και τη βελτιστοποίηση των διαδικασιών εφοδιαστικής στις αλυσίδες εφοδιασμού που περιλαμβάνουν εσωτερικές μεταφορές πλοίων.

Ιστολόγιο

Πίνακας περιεχομένων

Μοιραστείτε αυτό το έργο