Dynamische Transportoptimierung durch Antizipation und Echtzeit-Datenanalysen

Durch die steigen Anforderungen an die Transportlogistik müssen Kosten reduziert, die Qualität gesichert und Transporte flexibel und zuverlässig durchgeführt werden. Ziel des Projektes TransData war es, CO2-Emissionen zu verringern, die Wettbewerbsfähigkeit von Transportunternehmen zu steigern und die Servicequalität der Transportdienstleistungen zu erhöhen. Dazu wurden interne Prozess- und Betriebsdaten und externe Mobilitäts-, Geo- und Wetterdaten miteinander in Beziehung gesetzt und zielgerichtete Prognosen erzeugt. Diese Prognosen wurden zusammen mit Echtzeitdaten aus angebrachten Füllstandssensoren von einem dynamischen Dispositionssystem (EDV-Planungssystem) verarbeitet und bei der Transportoptimierung berücksichtigt. Das System wurde im Bereich der Entsorgungslogistik im Rahmen eines Piloteinsatzes an Altkleidercontainern getestet.

Quelle: BREWELO GmbH & Co. KG

• Um präzise Prognosen von Auftragseigenschaften und den Füllstand von Containern zu erstellen, verarbeiteten wir Daten und Informationen aus über 24.000 Datensätzen zur Leerung von Altkleidercontainern. Dabei wurden auch Geo- und Wetterdaten aus der mCloud berücksichtigt.
• Zur (uhrzeitabhängigen) Fahrzeitprognose wurde ein Algorithmus entwickelt, der Fahrzeiten auf Grundlage gefahrener Touren und Wetterdaten berechnet.
• Um in der Tourenplanung auch auf unvorhersehbare Ereignisse reagieren zu können, wurde zudem ein Füllstandsensor für Altkleidercontainer, der Echtzeitdaten versendet.
• Ferner wurde eine App implementiert, um weitere Echtzeitdaten für Standort- und Containerauswertungen mobil erheben zu können.
• Die Berücksichtigung der Prognosen und Echtzeitdaten bei der dynamischen Tourenplanung führten zu einer effizienteren Planung der Fahrstrecken. Die Anzahl der Touren/ Fahrzeuge wurde bis zu 20% reduziert. Auch die Anzahl der zurückgelegten km verringerte sich je nach Szenario zwischen 10% - 20%.
• Im Anschluss des Projektes soll der Füllstandsensor professionalisiert, weiterentwickelt und vermarktet werden. So wird z.B. geprüft, ob der Sensor nicht auch zur Füllstandüberwachung in Wechselbrücken und für andere Behälter eingesetzt werden kann.
  
• Die im maschinellen Lernverfahren entwickelten Modelle zu Prognosen der Containerfüllstände und eine API, die die Prognosen unmittelbar in eine Dispositionssoftware einfließen lässt, sollen nach Projektende weiterentwickelt werden.
• Die entwickelten KI-Lernverfahren werden in XTL‘s SaaS-Lösung zur dynamischen Tourenoptimierung integriert.
• Das Startup XTL konnte mit den im TransData-Projekt entwickelten Technologien weitere Marktsegmente erschließen und dadurch ihr Wachstum beschleunigen.