Kontextuelle Einflussfaktoren für Maschinelles Lernen zur Vorhersage des Kraftstoffverbrauchs von LKW

in die Zwischenablage kopiert
Projektvolumen
71.423 Euro
Davon 70% Förderung durch das BMVI

Über KEF

FKZ: 19F2164A
Förderlinie 2

Mit zunehmender Anwendung von Methoden der künstlichen Intelligenz (KI) werden Modelle für Maschinelles Lernen (ML) auch zur Vorhersage von Kraftstoffverbräuchen bei LKW erstellt und trainiert.

Aktuell erfolgt dies jedoch ausschließlich mit Daten über den Betriebszustand des LKW. KI-basierte Kraftstoffverbrauchsprognosen sind noch ungenau, da weitere, möglicherweise signifikante Einflussfaktoren nicht oder kaum Berücksichtigung finden. Um verbesserte Vorhersagen treffen zu können, müssen daher kontextuelle Parameter der Transportroute wie z.B. Straßenqualität oder Wetter berücksichtigt werden.

Das Ziel des Projekts KEF ist es, den Kraftstoffverbrauch von LKW genauer vorherzusagen und damit eine effizientere Nutzung von LKW mit einer entsprechenden Reduzierung von CO2-Emissionen zu ermöglichen.

Mit dem Projektverlauf sollen die ML Modelle auch kontextuelle Umgebungsdaten zur Kraftstoffvorhersage nutzen. Dies führt zu einer substanziellen Reduktion der Fehlervorhersage.

Im Projekt KEF werden existierende Algorithmen der Tracks GmbH zur Vorhersage des Kraftstoffverbrauchs auf individuellen Transporttouren so erweitert und angepasst, dass auch kontextuelle Daten wie Straßenqualität und Wetter von den ML Modellen genutzt werden.

Dies führt zu einer substanziellen Verbesserung der Vorhersagegenauigkeit. Die Güte der Vorhersage wird mit Hilfe des tatsächlichen Kraftstoffverbrauchs evaluiert. Die entwickelten Methoden sollen auch in das Produkt Tracks for Carriers integriert werden.

Verbundkoordinator

Tracks Logo

Tracks GmbH, Berlin

Beiträge und Veröffentlichungen
Projektticker