Alle mFUND Projekte Alle mFUND Projekte
Projektillustration KIVAS

Quelle: Fotolia/Industrieblick

Projektbeschreibung

Das anhaltend starke Wachstum des Straßengüterverkehrs ist ein wesentlicher Mitverursacher von CO2-Emissionen. Eine Kurzfristprognose des Sendungsaufkommens kann Abhilfe schaffen, da die Spediteure mithilfe dieser Kurzfristprognose ihre Tourenplanung verbessern und so die Auslastungsquote der LKWs erhöhen können. Aktuell nutzen Straßengüterverkehrsunternehmen allerdings kaum datengetriebene Verfahren, um Frachtvolumen zu prognostizieren. Wenn sie doch tun, berücksichtigen sie nur unternehmensinterne Daten zur Prognose von Frachtvolumen. Damit ist bisher keine ausreichend genaue Prognose möglich. Im Rahmen des Projekts wurden deshalb verschiedene unternehmensexterne Daten auf Ihren Mehrwert für die kurzfristige Prognose des Frachtvolumens bewertet.
Dazu wurden verschiedene Feature-Selection Verfahren genutzt. Feature-Selection Verfahren sind KI-Verfahren welche dazu dienen, den Mehrwert einzelner Einflussgrößen für die kurzfristige Prognose von Frachtvolumen zu beurteilen.

Ergebnisse und Wirkung

Über die verschiedenen Feature-Selection Verfahren und Zeitreihen hinweg betrachtet lassen sich Hinweise darauf ableiten, mittels welcher externer Variablen sich kurzfristige Frachtvolumenprognosen verbessern lassen. Wichtig sind dabei vor allem komplexe Kalendereffekte, wie wöchentliche und jährliche Saisonalitäten sowie Feiertage. Darüber hinaus scheint die Temperatur und Regen das Frachtvolumen zu beeinflussen. Nur vereinzelt werden ökonomische Daten als relevant betrachtet. In der betrieblichen Praxis empfehlen wir im Wechselspiel mit Domänen- und Statistikexperten zu beurteilen welche Einflussgrößen für die Prognose der spezifischen Zeitreihe im Unternehmen letztlich genutzt werden sollen. In der Prognosestudie weisen alle multivariaten Verfahren ähnliche Prognosegenauigkeiten auf. Es treten einzelne Ausreißer nach unten bei der Kombination bestimmter Feature-Selection und Prognoseverfahren auf. Alle multivariaten Verfahren erzielen eine höhere Prognosegenauigkeit als der univariate Benchmark. Im Rahmen der Vorstudie können wir deshalb konkludieren, dass externe Daten die Prognosegenauigkeit für Frachtvolumen erhöhen.
Die vielversprechenden Ergebnisse der Vorstudie setzen wir im Rahmen des Forschungsprojekts KITE mit mehreren Partnern fort.


Verbundkoordinator

Fraunhofer SCS, Nürnberg

  • FKZ: VB18F1010A
Projektvolumen93.944
(davon 100 % Förderanteil durch BMDV)
Projektlaufzeit01/2019 – 09/2019
Projektpartner

Universität Regensburg

  • FKZ: VB18F1010B
AnsprechpartnerFraunhofer-Arbeitsgruppe für Supply Chain Services SCS
Herr Benedikt Sonnleitner
Tel. +49 911 58061 9612
E-Mail: benedikt.sonnleitner@iis.fraunhofer.de