Exakte Fahrzeitprognosen
Exakte Fahrzeitprognosen bei Extremwetterlagen –
Unverzichtbar für die Logistikwirtschaft
Ausgangslage und Risiken
Planungssysteme für Transporte auf der Strasse nutzen Fahrzeiten zwischen Start und Ziel zur Optimierung und Planung der Verkehre. Das betrifft die Planung der Zustellung auf der letzten Meile ebenso wie Fernverkehre über Autobahnen und Bundesstrassen. Der Planungshorizont reicht von 24h bis zu vier Wochen im Voraus.
Der Klimawandel führt zu einer massiven Zunahme von Unwetterlagen mit Starkregen, Wind, Überflutungen in Deutschland. Die Folge sind eine erhebliche Verlängerung von Fahrzeiten bis hin zur Unpassierbarkeit von einzelnen Strecken. Die Folge sind gravierende Störungen in den zunehmend fein abgestimmten logistischen Netzwerken.
Heute werden Unwetterlagen prediktiv in den IT-Systemen nicht berücksichtigt. Auf Unwetterlagen wird zumeist spontan reagiert und nicht proaktiv geplant, mit gravierenden wirtschaftlichen Folgen.
Die Risiken reichen von Lieferzeitverschiebungen, Versorgungsengpässen bis hin zum Stillstand ganzer Werke. Hinzu kommen die Gefahren für Mitarbeiter und Betriebsmittel, wenn sie in Unwettersituationen „hineingeplant“ werden.
Lösungsansatz und Ergebnisse
Die Logiball GmbH bietet bereits heute seinen Kunden eine API-Schnittstelle um prediktive Fahrzeiten für verschiedene Planungssysteme wie beispielsweise SAP verfügbar zu machen. Diese Dienste werden unter der Marke Localion vertrieben.
Der Service berücksichtig dabei verschiedene Eingangsparameter wie historische Verkehrsdaten, Langzeitbaustellen etc. Derzeit nicht betrachtet werden Extremwetterlagen. Genau dieses Defizit sollte im Rahmen des Projektes in Zusammenarbeit mit dem HPI und dem Einsatz von AI-Methoden angegangen werden.
Das Teilprojekt liefert Erkenntnisse darüber, welchen Einfluss Wetterlagen auf die Durchschnittsgeschwindigkeiten auf einzelnen Streckenabschnitten hat. Dazu wurden historische Verkehrsdaten von Here vorprozessiert, um wetterempfindliche Straßenabschnitte zu identifizieren.
Zur Identifikation wetteranfälliger Straßen kommen Clustering-Methoden wie Gaussian Mixture Models und k-Nearest Neighbours zum Einsatz. Für die Verkehrsprognosen werden verschiedene Modelle getestet, darunter Lineare Regression und Graph Neural Networks, um möglichst präzise Vorhersagen zu erzielen.
