idw – Informationsdienst Wissenschaft

Nachrichten, Termine, Experten

Grafik: idw-Logo
Thema Corona

Imagefilm
Science Video Project



Teilen: 
05.11.2020 08:46

Mehr Gewissheit für Prognosen – Maschinelle Entscheidungsassistenz für Hafenterminals

Ulrike Bohnsack Ressort Presse - Stabsstelle des Rektorats
Universität Duisburg-Essen

    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 Universität Duisburg-Essen (UDE) und die Duisburger Hafen AG untersucht.

    Der Duisburger Hafen ist der größte Container-Binnenhafen der Welt; über 4 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.

    Redaktion: Birgit Kremer, paluno, Tel. 0201/18 3-4655, birgit.kremer@paluno.uni-due.de


    Weitere Informationen:

    https://paluno.uni-due.de/aktuelles/news-insights/artikel/mehr-gewissheit-fuer-p...


    Merkmale dieser Pressemitteilung:
    Journalisten, Wissenschaftler
    Informationstechnik, Wirtschaft
    überregional
    Forschungsergebnisse
    Deutsch


    Hilfe

    Die Suche / Erweiterte Suche im idw-Archiv
    Verknüpfungen

    Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.

    Klammern

    Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).

    Wortgruppen

    Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.

    Auswahlkriterien

    Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).

    Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).