メニュー
フォローはこちらから

ケーススタディ - 予測分析による内航船のETA予測

目次

プロジェクトについて

ベルリン工科大学のロジスティクス学科は、Frank Straube教授を中心に、毎年120名のロジスティクスを中心とした産業工学の学生をビジネス界の需要に対応できるように教育しています。このコースでは、ロジスティクスに焦点を当てた120名の産業工学科の学生を対象に、実業界で必要とされる知識を身につけさせることを目的としています。サプライチェーン分析」のコースでは、ロジスティクスとサプライチェーン・マネジメントの文脈で、データおよび分析手法を駆使して現実世界の問題を解決することを学びます。通常、ケーススタディの相手として選ばれるのは、社内に何らかの課題を抱えている企業で、アナリティクスを実施することでその課題に対処することができます。学生は6週間かけて、グループプロジェクトの形で与えられた課題に取り組みます。

2021年夏学期には、研究プロジェクトSELECTと共同で、AISデータを用いた内航船の到着時刻予測の開発を学ぶケーススタディが実施されました。研究プロジェクトSELECT("Smarte Entscheidungsassistenz für Logistikketten der Binnenschifffahrt durch ETA-Prognosen" )では、ベルリン工科大学のロジスティック学科が、Behala、Deutsche Binnenreederei、Duisport、HGK、modal 3 Logistikなど海運業界のさまざまな企業とともに、内陸輸送用の知的意思決定支援システムの開発に取り組んでいます。このプロジェクトで開発されたソリューションは、将来的に内陸水運チェーンの信頼性と効率性を高めることに貢献するはずです。特に主な目標の1つは、機械学習を用いた到着予定時刻(ETA)の予測を開発することです。

SELECTプロジェクトは、ドイツ連邦交通・デジタルインフラ省(BMVI)の革新的港湾技術(IHATEC)資金調達プログラムの一環として、2020年から2023年まで資金提供されています。

データの根拠

FleetMon は、ライン川やエルベ川など特定の内陸水運の回廊に関する膨大な AIS データを SELECT プロジェクトに提供しました。ETA予測は、走行プロセスだけでなく、チェーンに沿ったロックプロセスや休憩時間、港でのターンアラウンドタイムもカバーする必要があり、最終的に複雑な船旅のプロセスタイムを計算することが可能になります。

学生が課題に取り組むために、様々なデータソースが提供された。ケーススタディのベースとなったのは、FleetMon から提供された、ライン川を航行する約150隻の船のAISメッセージである。その他のデータソースとしては、ライン川で特に重要な水位がある。

ケーススタディの目的

ヨーロッパで最も重要な水路のひとつがライン川である。この水路を毎日数百隻の内航船が通過している。船会社、内陸部の港、海港、その他の関係者間のプロセスを適切に調整するためには、到着時間に関する正確な情報が非常に重要です。そこで、「サプライチェーン分析」コースでは、ライン川とARAの港を結ぶ船舶の到着時刻を予測するモデルを開発することを課題としています。この分析能力はさらに、意思決定支援ツールの形で関係者が利用できるようにする必要があります。そのため、ETA情報を提供するためのダッシュボードのモックアップを作成し、フロントエンドを設計することも学生たちの課題となっていました。

事例紹介の実施

学生グループは、アナリティクス・イニシアチブを実施するための標準化・構造化された手順モデルであるCRISP-DMプロセス(Cross Industry Standard Process for Data Mining)に沿って活動しました。まず、ビジネス上の問題が特定されました。次に、その地域の天気や休日のデータなど、より関連性の高いデータを取得する。その後、そのデータを徹底的に分析し、サンプルルートの特性についてより深い洞察を得る。そのために、統計計算やグラフィックスのためのフリーソフトウェア環境であるプログラミング言語「R」を使用しました。学生たちは探索的アプローチでデータを調べ、航続時間の予測に利用できる変数を探した。週末に船が遅くなるのは、素人の船乗りが閘門をふさいでいるからか?天候は航海に大きな影響を与えるのか?などなど、さまざまな疑問がこのステップで検討された。

例えば、旅行期間と船舶の喫水をプロットした場合、船舶の種類(タンク船、コンテナ船)により、喫水が旅行期間に影響を与える場合と与えない場合があることが検討された。したがって、タンク船は喫水の影響を全く受けない。一方、貨物船は、吃水が大きくなると、航海時間が長くなることがわかった。しかし、データセットがかなり小さかったので、この結果は注意して見る必要がある。

また、別のグループでは、AISの詳細データを用いて、航路上の船舶が通常休憩を取る場所を特定しました。その結果、休憩を取ることができる場所には、人気のある場所とそうでない場所があることがわかりました。これにより、航路の特性についてさらなる結論を導き出すことができました。

このような多くの洞察をもとに、線形回帰やextreme gradient boosting treeなどのいくつかの方法を用いて、予測アルゴリズムを作成しました。その結果、使える予測モデルができあがり、基準値(平均旅行期間と船長による予測ETA)に対してテストが行われました。この結果は、学生グループの分析時間が限られていたことを考えると、非常に印象的なものでした。

最後のステップとして、開発したソリューションが海運・港湾業界の関係者にどのように利用されるかを示す概念実証として、ダッシュボード(モックアップ)が設計されました。ダッシュボードは、関連する荷役プロセスの意思決定支援を提供することで、ユーザーのニーズに合うように設計されました。

6週間が経過した後、すべての学生グループがSELECTプロジェクトのメンバーの前で成果を発表しました。このケーススタディは、学生だけでなく、研究プロジェクトにとっても大きな収穫がありました。学生たちは、現実のビジネス上の問題を見ながら、現実のデータを分析することができたのです。データ分析や予測モデリングのスキルを深め、データアナリストの仕事について実践的な見識を得る機会を得たのです。一方、SELECTプロジェクトのメンバーは、プロジェクトで開発中の既存のITプロトタイプをさらに改善するために、例えば、データソースをさらに追加するなど、新しいアイデアを得ることができました。ケーススタディの監修を通じて、AISデータは内陸船舶輸送を含むサプライチェーンの物流プロセスを分析し最適化するために不可欠なデータソースであることが明らかになりました。

ブログ

目次

このプロジェクトを共有する