Menu
Suivez-nous sur

Étude de cas - Prévision de l'heure d'arrivée des bateaux de navigation intérieure grâce à l'analyse prédictive

Table des matières

A propos du projet

Le département de logistique de l'université technique de Berlin, dirigé par le professeur Frank Straube, prépare chaque année 120 étudiants en ingénierie industrielle, avec une spécialisation en logistique, aux exigences du monde des affaires. Une grande importance est accordée à la pertinence pratique de l'enseignement. Dans le cours "Supply Chain Analytics", les étudiants apprennent à résoudre des problèmes du monde réel dans le contexte de la logistique et de la gestion de la chaîne d'approvisionnement en utilisant des données et des méthodes analytiques dans le cadre d'études de cas approfondies. En général, une entreprise est choisie comme partenaire pour l'étude de cas. Elle présente des défis internes qui peuvent être résolus en menant une initiative analytique. Les étudiants ont ensuite six semaines pour relever les défis donnés sous la forme d'un projet de groupe.

Au cours du semestre d'été 2021, une étude de cas a été réalisée en collaboration avec le projet de recherche SELECT, où les étudiants ont appris à développer une prédiction de l'heure d'arrivée pour les navires intérieurs à l'aide des données AIS. Dans le cadre du projet de recherche SELECT ("Smarte Entscheidungsassistenz für Logistikketten der Binnenschifffahrt durch ETA-Prognosen"), la chaire de logistique de la Technische Universität Berlin, en collaboration avec diverses entreprises du secteur de la navigation, dont BEHALA, Deutsche Binnenreederei, Duisport, HGK et modal 3 Logistik, développe un système intelligent d'aide à la décision pour la navigation intérieure. La solution développée dans le cadre du projet devrait contribuer à accroître la fiabilité et l'efficacité des chaînes de transport fluvial à l'avenir. Un objectif principal, entre autres, est de développer une prédiction pour les heures d'arrivée estimées (ETA) en utilisant l'apprentissage automatique.

Le projet SELECT est financé de 2020 à 2023 dans le cadre du programme de financement des technologies portuaires innovantes (IHATEC) du ministère fédéral allemand des transports et des infrastructures numériques (BMVI).

Base de données

FleetMon a fourni au projet SELECT de grandes quantités de données AIS pour des corridors de transport fluvial spécifiques tels que le Rhin et l'Elbe. La prédiction de l'ETA ne doit pas seulement couvrir le processus de déplacement mais aussi les processus de verrouillage et les temps de repos le long de la chaîne ainsi que les temps de rotation dans le port, ce qui permet finalement de calculer les temps de processus pour les voyages complexes des navires.

Diverses sources de données ont été fournies aux étudiants pour qu'ils puissent travailler sur cette tâche. La base de l'étude de cas était constituée des messages AIS d'environ 150 voyages de navires sur le Rhin, fournis par FleetMon. D'autres sources de données comprenaient les niveaux d'eau, qui sont d'une importance particulière pour le Rhin.

Objectif de l'étude de cas

Le Rhin est l'une des voies navigables les plus importantes d'Europe. Plusieurs centaines de bateaux de navigation intérieure passent par cette voie d'eau chaque jour. Pour une bonne coordination des processus entre les compagnies maritimes, les ports intérieurs et les ports maritimes ainsi que d'autres acteurs, des informations précises sur les heures d'arrivée sont d'une grande importance. Dans le cadre du cours "Supply Chain Analytics", les étudiants ont donc été chargés de développer un modèle de prédiction des ETA pour les voyages de navires entre la région Rhin-Main et les ports ARA. Cette capacité d'analyse doit en outre être mise à la disposition des acteurs concernés sous la forme d'un outil d'aide à la décision. Une autre tâche pour les étudiants a donc été de concevoir un frontal possible sous la forme d'une maquette de tableau de bord pour fournir les informations ETA.

Mise en œuvre de l'étude de cas

Les groupes d'étudiants ont suivi le processus CRISP-DM (Cross Industry Standard Process for Data Mining), qui est un modèle de procédure standardisé et structuré pour mener des initiatives d'analyse. Tout d'abord, le problème de l'entreprise a été identifié. Ensuite, les étudiants ont acquis des données plus pertinentes, comme des données sur la météo ou les vacances pour les régions concernées. Ensuite, ces données ont été analysées en profondeur afin de mieux comprendre les caractéristiques de l'itinéraire choisi. À cette fin, le langage de programmation R a été utilisé, qui est un environnement logiciel libre pour le calcul statistique et les graphiques. En suivant une approche exploratoire, les étudiants ont passé au peigne fin les données à la recherche de variables qui pourraient être utilisées pour prédire la durée du voyage. Les navires vont-ils plus lentement le week-end en raison des marins amateurs qui encombrent les écluses ? Les conditions météorologiques ont-elles un impact significatif sur le déroulement du voyage ? Ces questions, et bien d'autres, ont été explorées au cours de cette étape.

En traçant la durée du voyage et le tirant d'eau du navire, par exemple, on a constaté que selon le type de navire (navire-citerne ou porte-conteneurs), le tirant d'eau avait ou non un impact sur la durée du voyage. Les navires-citernes ne sont donc pas du tout influencés par le niveau de tirant d'eau. Les navires de charge, en revanche, ont montré une durée de voyage plus longue lorsque leur niveau de tirant d'eau augmentait. Cependant, comme l'ensemble des données était plutôt petit, ce résultat doit être considéré avec prudence.

Un autre groupe a utilisé les données détaillées de l'AIS pour identifier les endroits où les navires qui suivent la route donnée font habituellement des pauses. On a pu observer qu'il y a des endroits plus ou moins populaires où les pauses peuvent être faites. Cela a permis de tirer d'autres conclusions sur les caractéristiques de la route.

Ces informations, et bien d'autres encore, ont été utilisées pour créer des algorithmes de prévision à l'aide de plusieurs méthodes, dont la régression linéaire et les arbres de boosting à gradient extrême. Il en est résulté des modèles de prédiction utilisables, qui ont été testés par rapport à une base de référence (la durée moyenne du voyage, ainsi que l'heure d'arrivée prévue par les skippers). Les résultats ont été impressionnants, compte tenu du fait que les groupes d'étudiants ne disposaient que d'un temps limité pour leurs analyses.

La dernière étape a consisté à concevoir des tableaux de bord (maquettes) afin de démontrer comment les solutions développées pourraient être utilisées par les parties prenantes de l'industrie maritime et portuaire. Les tableaux de bord ont été conçus pour répondre aux besoins des utilisateurs en leur fournissant une aide à la décision pour les processus de manutention du fret.

Après les six semaines, tous les groupes d'étudiants ont présenté leurs résultats devant les membres du projet SELECT. L'étude de cas a été très bénéfique pour les élèves, mais aussi pour le projet de recherche. D'une part, les étudiants ont pu analyser des données du monde réel en se penchant sur un véritable problème commercial. Ils ont eu l'occasion d'approfondir leurs compétences en matière d'analyse de données et de modélisation prédictive et d'acquérir des connaissances pratiques sur le travail d'un analyste de données. Les membres du projet SELECT, quant à eux, ont reçu de nouvelles idées sur la façon dont le prototype informatique existant développé dans le cadre du projet pourrait être amélioré, par exemple en ajoutant d'autres sources de données. Au cours de la supervision de l'étude de cas, il est apparu clairement que les données AIS constituent une source de données essentielle pour l'analyse et l'optimisation des processus logistiques dans les chaînes d'approvisionnement impliquant le transport par bateaux de navigation intérieure.

Blog

Table des matières

Partager ce projet