Menú
Síganos en

Estudio de caso - Previsión de la hora de llegada de los buques de navegación interior con análisis predictivos

Índice de contenidos

Sobre el proyecto

El Departamento de Logística de la Universidad Técnica de Berlín, dirigido por el Prof. Dr.-Ing. Frank Straube, prepara anualmente a 120 estudiantes de ingeniería industrial con especialización en logística para las exigencias del mundo empresarial. Se da gran importancia a la relevancia práctica de la enseñanza. En el curso "Supply Chain Analytics" los estudiantes aprenden a resolver problemas del mundo real en el contexto de la logística y la gestión de la cadena de suministro utilizando datos y métodos analíticos en el marco de amplios estudios de casos. Por lo general, se selecciona una empresa como socio de estudio de caso, que tiene algún tipo de desafío interno, que puede ser abordado mediante la realización de una iniciativa de análisis. Los estudiantes disponen de seis semanas para abordar los retos planteados en forma de proyecto de grupo.

En el semestre de verano de 2021 se llevó a cabo un estudio de caso en colaboración con el proyecto de investigación SELECT, en el que los estudiantes aprendieron a desarrollar una predicción de la hora de llegada de los buques de navegación interior utilizando datos del AIS. En el proyecto de investigación SELECT ("Smarte Entscheidungsassistenz für Logistikketten der Binnenschifffahrt durch ETA-Prognosen"), la Cátedra de Logística de la Universidad Técnica de Berlín, junto con varias empresas del sector marítimo, como BEHALA, Deutsche Binnenreederei, Duisport, HGK y modal 3 Logistik, está desarrollando un sistema inteligente de apoyo a la toma de decisiones para la navegación interior. La solución desarrollada en el proyecto debería contribuir a aumentar la fiabilidad y la eficiencia de las cadenas de transporte fluvial en el futuro. Uno de los principales objetivos, entre otros, es desarrollar una predicción de las horas estimadas de llegada (ETA) utilizando el aprendizaje automático.

El proyecto SELECT está financiado de 2020 a 2023 como parte del programa de financiación de Tecnologías Portuarias Innovadoras (IHATEC) del Ministerio Federal de Transporte e Infraestructura Digital de Alemania (BMVI).

Base de datos

FleetMon proporcionó al proyecto SELECT grandes cantidades de datos AIS para corredores específicos de transporte por vías navegables interiores, como el Rin y el Elba. La predicción de la ETA no sólo debe cubrir el proceso de viaje, sino también los procesos de bloqueo y los tiempos de descanso a lo largo de la cadena, así como los tiempos de giro en el puerto, lo que finalmente permite calcular los tiempos de proceso para los viajes complejos de los buques.

Se proporcionaron varias fuentes de datos para que los alumnos trabajaran en la tarea. La base del estudio de caso fueron los mensajes AIS de aproximadamente 150 viajes de barcos en el Rin, proporcionados por FleetMon. Otras fuentes de datos fueron los niveles de agua, de especial importancia para el Rin.

Objetivo del estudio de caso

Una de las vías navegables más importantes de Europa es el Rin. Cada día pasan por esta vía fluvial varios cientos de buques de navegación interior. Para la correcta coordinación de los procesos entre las compañías navieras, los puertos interiores y los marítimos, así como otros agentes, es de gran importancia disponer de información precisa sobre los tiempos de llegada. Por ello, en el curso "Supply Chain Analytics", los estudiantes recibieron el encargo de desarrollar un modelo predictivo para la previsión de la hora de llegada de los buques que viajan entre la zona del Rin-Meno y los puertos de la ARA. Además, esta capacidad analítica debe ponerse a disposición de las partes interesadas en forma de herramienta de apoyo a la toma de decisiones. Otra de las tareas de los estudiantes fue, por tanto, diseñar un posible front-end en forma de maqueta de tablero de mandos para proporcionar la información sobre el tiempo estimado de llegada.

Aplicación del estudio de caso

Los grupos de estudiantes siguieron el proceso CRISP-DM (Cross Industry Standard Process for Data Mining), que es un modelo de procedimiento estandarizado y estructurado para llevar a cabo iniciativas de análisis. En primer lugar, se identificó el problema empresarial. En segundo lugar, los estudiantes procedieron a la adquisición de datos más relevantes, como los datos meteorológicos o de las vacaciones de las zonas en cuestión. Posteriormente, se analizaron a fondo esos datos para obtener más información sobre las características de la ruta de la muestra. Para ello, se utilizó el lenguaje de programación R, que es un entorno de software libre para la computación estadística y los gráficos. Siguiendo un enfoque exploratorio, los estudiantes peinaron los datos en busca de variables que pudieran utilizarse para predecir la duración del viaje. ¿Van los barcos más despacio los fines de semana debido a que los marineros aficionados atascan las esclusas? ¿Tienen las condiciones meteorológicas un impacto significativo en el curso del viaje? Estas y otras muchas preguntas se exploraron en este paso.

Al trazar la duración del viaje y el calado del buque, por ejemplo, se comprobó que, según el tipo de buque (buque cisterna o portacontenedores), el calado influía o no en la duración del viaje. Por lo tanto, los buques cisterna no se ven influidos en absoluto por el nivel de calado. En cambio, los buques de carga mostraron una mayor duración del viaje cuando su nivel de calado aumentó. Sin embargo, como el conjunto de datos era bastante pequeño, este resultado debe considerarse con precaución.

Otro grupo utilizó los datos detallados del AIS para identificar los puntos en los que los buques de la ruta en cuestión suelen hacer descansos. Se pudo observar que hay lugares más y menos populares en los que se hacen las pausas. Esto permitió sacar más conclusiones sobre las características de la ruta.

Estas y otras muchas ideas se utilizaron para crear algoritmos de predicción con el uso de varios métodos, como la regresión lineal y los árboles de refuerzo de gradiente extremo. Esto dio lugar a modelos de predicción utilizables, que se contrastaron con una línea de base (la duración media del viaje, así como la ETA predicha por los patrones). Los resultados fueron impresionantes, teniendo en cuenta que los grupos de estudiantes sólo disponían de un tiempo limitado para sus análisis.

Como último paso, se diseñaron cuadros de mando (maquetas) como prueba de concepto de cómo las soluciones desarrolladas podrían ser utilizadas por las partes interesadas del sector marítimo y portuario. Los cuadros de mando se diseñaron para que se ajustaran a las necesidades de los usuarios, ofreciéndoles apoyo para la toma de decisiones en los procesos de manipulación de la carga.

Una vez transcurridas las seis semanas, todos los grupos de estudiantes presentaron sus resultados ante los miembros del proyecto SELECT. El estudio de caso fue un gran beneficio para los estudiantes, pero también para el proyecto de investigación. Por un lado, los estudiantes pudieron analizar datos del mundo real en relación con un problema empresarial real. Tuvieron la oportunidad de profundizar en sus habilidades en el análisis de datos y en la elaboración de modelos predictivos, así como de adquirir conocimientos prácticos sobre el trabajo de un analista de datos. Por otra parte, los miembros del proyecto SELECT recibieron algunas ideas nuevas sobre cómo se podría mejorar el prototipo informático existente que se estaba desarrollando en el proyecto, por ejemplo, añadiendo más fuentes de datos. Durante la supervisión del estudio de caso, quedó claro que los datos del AIS son una fuente de datos esencial para analizar y optimizar los procesos logísticos en las cadenas de suministro que implican el transporte en barcos interiores.

Blog

Índice de contenidos

Compartir este proyecto