Zu Hauptinhalt springen
Gewählte Sprache ist Deutsch Select language
Startseite UR

Forschung

Aktuelle Forschungsprojekte

  • KIVAS (Projekt des Bundesministeriums für Verkehr & digitale Infrastruktur)
    (KI-gestützte Kurzzeitprognosen für die Verbesserung von Fahrzeugeinsatz- und Auslastungsplanungen im deutschen Straßengüterverkehr)
  • Problemstellung

    Das anhaltend starke Wachstum des Straßengüterverkehrs (SGV) ist ein wesentlicher Mitverursacher von Infrastruktur- und Umweltbelastungen sowie von Verkehrssicherheitsproblemen. Zugleich sind die Leistungen des SGV aber ein wichtiger Bestandteil der Wettbewerbsfähigkeit der deutschen Wirtschaft. Trotzdem fallen jedes Jahr rund 151 Mio. Leerfahrten an, da nicht alle LKW-Fahrten optimal ausgelastet sind. Eine Kurzfristprognose (auf Tages- oder Wochenbasis) des Sendungsaufkommens soll Abhilfe schaffen, erfolgt allerdings bislang nur auf Basis interner historischer Daten, ohne externe Daten (wie insbesondere die der mCLOUD) miteinzubeziehen.

    Projektziel Im Vorhaben soll in einer Machbarkeitsstudie untersucht werden, ob die Analyse von externen Daten aus der mCLOUD in Verbindung mit internen Daten von zwei großen Anbietern des Straßengüterverkehrs mittels KI-Methoden einen prädiktiven Mehrwert liefern können. So wollen die Forscher die Anzahl der Leerfahrten und teilausgelasteten Fahrten auf Deutschlands Straßen reduzieren. Hierbei soll die Hinzunahme von externen, führenden Einflussgrößen(z.B. Wettervorhersagen, Feier-tage, Ferienkalender, Branchenkonjunkturdaten o.ä.) eine realistischere und präzisere Prognose ermöglichen. Insbesondere sollen hierbei die Vorteile von Big-Data-Technologien und innovativen Verfahren aus den Bereichen der „Predictive Analytics“ und „Künstliche Intelligenz“ (KI) untersucht werden.
    Durchführung Das Projektteam identifiziert zunächst mögliche Einflussgrößen auf das jeweils kurzfristig zu erwartende Sendungsaufkommen. Um diese Einflussgrößen zu beschreiben, evaluieren die Forscher den Beitrag vorhandener Datenquellen, insbesondere der mCLOUD, zum Aufbau einer wirksamen Kurzfristprognose. Mithilfe von Machine Learning Methoden modellieren sie den Einfluss dieser Größen auf das Sendungsaufkommen zweier Logistikdienstleister und entwickeln Prognoseverfahren, die mit der Prognosegenauigkeit einer Basisprognose (konventionelles Verfahren) verglichen werden.


Publikationen

Die Publikationsliste konnte nicht geladen werden. Klicken Sie hier, um die Publikationsliste am ePub-Server zu öffnen.

  1. STARTSEITE UR

Lehrstuhl für Controlling und Logistik

Prof. Dr. Andreas Otto
 
Wirtschaft
SekretariaT

Gebäude RWL, Zi 3.15

Phone:  0941 943-2686
Fax:      0941 943-3187

E-Mail Andrea Parschan