Maschinelles Lernen für Hafenlogistik
Mehr Gewissheit für Prognosen
- von Birgit Kremer
- 03.11.2020
Abwarten oder handeln? Mit dieser Entscheidung sind Disponenten, die im dynamischen Umfeld von Hafenterminals Abläufe organisieren müssen, ständig konfrontiert. Wie maschinelles Lernen ihnen helfen kann, haben das Softwaretechnik-Institut paluno der UDE und die Duisburger Hafen AG untersucht.
Der Duisburger Hafen ist der größte Container-Binnenhafen der Welt; über vier Millionen Container werden hier jährlich umgeschlagen. Mit zunehmender Digitalisierung werden dabei immer mehr Daten über die Abläufe in den Terminals erzeugt. Allein die Portalkräne, die Container zwischen Zügen und LKW bewegen, liefern alle fünf Sekunden neue Werte für ca. 100 Variablen: Position, Energieverbrauch, Fehlerzustände, etc.
Diese Daten lassen sich nutzen, um Prognosen zu erstellen, z.B. darüber, ob ein Zug pünktlich das Terminal verlassen wird. Damit können Disponenten bei drohenden Verspätungen proaktiv gegensteuern, indem sie beispielsweise den Personaleinsatz erhöhen. Doch Prognosen sind – jeder weiß es vom Wetterbericht – umso genauer, je kürzer der Vorhersagezeitraum ist. Gleichzeitig stehen Disponenten vor dem Problem, dass Eingriffe in bestehende Prozesse eine gewisse Vorlaufzeit brauchen. Die paluno-Arbeitsgruppe von Prof. Klaus Pohl und die Duisburger Hafen AG wollten wissen, wie sie Disponenten in diesem Spannungsfeld unterstützen können.
Ensemble Deep Learning liefert präzise Voraussagen
Dazu entwickelte das Forscherteam einen Prototyp für ein so genanntes „Terminal Productivity Cockpit“. Neben den eigentlichen Prognosen liefert dieses System Verlässlichkeitsschätzungen für die Prognosen. Die Berechnungen basieren auf der Kombination von bis zu hundert Vorhersagemodellen zu einem Ensemble. Die einzelnen Modelle werden zuvor anhand historischer Prozessdaten mit Deep-Learning-Verfahren (bestimmte Art des maschinellen Lernens) trainiert.
Das Ensemble Deep Learning hat zwei Vorteile: Zum einen sind die Prognosen eines Ensembles genauer als solche einzelner Prognosemodelle. Zum anderen lässt sich die Verlässlichkeit der Vorhersagen über die Anzahl der übereinstimmenden Prognosemodelle berechnen – ähnlich wie beim Publikumsjoker in „Wer wird Millionär?“.
Um ihren Ansatz zu bewerten, haben die Forscher die möglichen Verbesserungen des Terminalbetriebs im Hinblick auf die Produktivität und die Kosten analysiert. Demnach könnte die Produktivität des Terminals mit maschineller Entscheidungsunterstützung um geschätzte ca. fünf Prozent gesteigert werden.
im Bild:
Der Duisburger Hafen von oben.
Weitere Informationen:
https://paluno.uni-due.de/aktuelles/news-insights/artikel/mehr-gewissheit-fuer-prognosen
Redaktion: Birgit Kremer, paluno, Tel. 0201/18 3-4655, birgit.kremer@paluno.uni-due.de