Containerabfertigung

Neuronale Netze am Containerdepot

Im Vorfeld der Lkw-Abfertigung von logistischen Knoten wie Hafenterminals sind schwankende Abfertigungszeiten die Regel – oft mit nicht akzeptablen Aufenthaltsdauern. Damit verbundene Planungsunsicherheiten verhindern eine optimale Disposition. Eine Lösung, die das Fraunhofer-Center für Maritime Logistik und Dienstleistungen (CML) mit entwickelt hat, kann dies ändern.

© HHM / Dietmar Hasenpusch

Zudem ergeben sich auf Seiten der Anlagenbetreiber durch die Peak-Anforderungen erhöhte Geräte- und Personalbedarfe, welche die Wirtschaftlichkeit beeinträchtigen können. Vorhandene Lösungen für Lastspitzen beschränkten sich meist auf Verkehrs­leitinfos oder Buchungssysteme.

Die HCS Hamburger Container Service GmbH (HCS) betreibt eines der größten Leercontainerdepots im Hamburger Hafen und unterstützt damit die maritime Transportkette durch die Zwischenlagerung, Wartung, Reparatur und somit Versorgung mit einsatzbereiten ISO-Containern. Konkurrenzdruck und vor allem die Rolle als Dienstleister in der Hafenlogistik erlauben hier keine Slotbuchungssysteme. Bei HCS werden ankommende Lkw grundsätzlich abgefertigt, wodurch sich zu Peakzeiten nennenswerte Wartezeiten ergeben können. Ein Informationssystem, das die aktuelle Auslastung des Depots sowie verläss­liche Abfertigungszeiten vorhersagt, soll diesen Umstand beseitigen.

Mit der Hilfe dieses Systems können Fahrer und Spediteure frühzeitig einschätzen, welche Abfertigungszeiten auf sie zukommen. Sie behalten dabei, anders als bei der Slotbuchung, volle Flexibilität und damit vollen Optimierungsspielraum. Zeiten mit weniger Auslastung sollen demnach mehr in Anspruch genommen und Lastspitzen vermieden werden. Für das Leercontainerdepot ergeben sich weitere Vorteile. Da ein Abfertigungsprozess mitunter mehrere Stationen umfassen kann, birgt auch die an die Auslastung angepasste Optimierung der Zuteilung der verfügbaren Mitarbeiter Potential für eine Optimierung der Gesamtprozessdauer. Ein erwarteter Vorteil ist zudem, dass sich die Verkehrssituation entspannt.

Anzeige

Einsatz von neuronalen Netzen
Die Anzahl der ankommenden Lkw und somit die Abfertigungszeit an einem Depot ist abhängig von vielen Faktoren. Neben der Tageszeit und dem Wochentag spielen auch weitere Einflüsse, wie zum Beispiel Schiffsankünfte, Verkehrssituation und das Wetter eine wichtige Rolle. Aber nicht nur für die Ankünfte von Lkw, sondern auch für deren „Durchlaufzeit“ auf dem Betriebsgelände kann es unterschiedliche Einflussgrößen geben: Ob es sich beispielsweise um Anlieferung oder Abholung handelt oder auch den Typ der Container selbst.

Das Projektmodell veranschaulicht die geplante Verbesserung am Logistikknoten. © Fraunhofer CML

In der betrieblichen Praxis beruhen Abfertigungszeitprognosen auf den Erfahrungswerten der Mitarbeiter. Entsprechend ist in den meisten Fällen der darauf basierende Einsatzplan nicht optimal. Recherchen sowie Interviews mit entsprechenden Akteuren haben bestätigt, dass es aktuell einen Mangel an individuellen und für Leercontainerdepots spezifischen Lösungen für die Optimierung gibt. In der Praxis wird von modernen Prognosemethoden kaum Gebrauch gemacht. Wenn überhaupt werden üblicherweise Standardmethoden wie Ex­trapolation oder autoregressive Verfahren eingesetzt. Mit der eigenständigen Entwicklung von Systemen mit hochentwickelten mathematischen Modellen zur Lkw Abfertigungszeitreduktion sind kleine und mittelständige Unternehmen schnell überfordert. Kosten für die IT-

Integration sowie für die betriebliche Organisation verstärken diesen Trend. Durch die Vielzahl von Einflussfaktoren und der nicht offensichtlichen Korrelation untereinander, bietet sich in diesem Fall der Einsatz von Neuronalen Netzen an. Der grundsätzliche Vorteil dabei ist, dass kein Vorwissen über das System benötigt wird. Ein Neuronales Netz nutzt die Verknüpfung einfacher Elemente, sogenannte Neuronen, um anhand der Eingangsgrößen, auch Prädiktoren genannt, eine gute Schätzung der Zielgröße zu berechnen. Trainiert werden die Verknüpfungen und Neuronen anhand großer Datenmengen. Das Netz, beziehungsweise der Trainingsalgorithmus, findet somit Korrelationen im Datensatz und stellt die Parameter der Verbindungen und Neuronen dementsprechend ein. Eine Lösung wurde in Kooperation mit dem Fraunhofer CML entwickelt und umgesetzt.

Der Unterschied ist signifikant: Die blauen Graphen zeigen die tatsächlichen Werte an, die orangenen die Schätzungen. © Fraunhofer CML

Das Fraunhofer CML befasst sich seit einigen Jahren mit der Verwendung Neuronaler Netze, vor allem im Bereich der Vorhersage von Zeitreihen. Im Detail wurde ein Modell entwickelt, welches ein digitales Abbild der Abfertigungsprozesse des Depots verwendet. Die Ankunftsraten und Abfertigungszeiten wurden auf die Stunde gemittelt und in sinnvolle Kategorien eingeteilt. Ein Beispiel ist, ob der Fahrer einen Container abholt oder anliefert.

Der Unterschied ist signifikant: Die blauen Graphen zeigen die tatsächlichen Werte an, die orangenen die Schätzungen. © Fraunhofer CML

Typischerweise wird bei solchen Projekten vorher eine Datenanalyse gemacht. Dadurch können Fehler im Datensatz erkannt und gefiltert werden. Dieser mitunter aufwendige Schritt sorgt für eine höhere Datengüte. Auch fallen hierbei Prozeduren auf, die in der Zukunft angewendet werden sollten, um genauere Vorhersagen zu generieren. Nach einer Analyse der Daten wird im weiteren Verlauf auch das Neuronale Netz verwendet. Hauptsächlich wird hier mit der Sensitivität der Eingangsgrößen gearbeitet.
Als Prädiktoren wurden vor allem Wochentag und Kalenderwoche genutzt. Auch Feiertage sind in das Training der Neuronalen Netze eingeflossen. Wetter- und Verkehrsdaten können auch integriert werden. Jedoch zeigten vorhergehende Untersuchungen, dass diese Größen schwer vorhersehbar sind und dann auch nur wenig bis gar nicht zur Prognosequalität beitragen. Ein weiterer Punkt sind die Schiffsankünfte. Hier ergibt sich eine ähnliche Situation: Die Beschaffung und Kategorisierung der Daten steht nicht im Verhältnis zu der Verbesserung der Prognosequalität, die der Prädiktor bringt. Es ergibt sich hierdurch ein überschaubarer Satz an Prädiktoren. Vorteil von wenigen Prädiktoren ist der geringere Rechenaufwand. Somit kann die Software ohne Ausbau der IT-Infrastruktur des Depots lokal ausgeführt werden. Dieses beinhaltet insbesondere das adaptive Training des Neuronalen Netzes.

Ergebnisse in der Praxis und weiteres Vorgehen
Nach Anpassen der Parameter der Neuronalen Netze, wie zum Beispiel die Anzahl der Neuronen, sowie eine Filterung des Datensatzes lassen sich die beschriebenen Größen im Betrieb gut schätzen. Die Abfertigungszeiten werden als Minimum, Maximum und Mittelwert zu Verfügung gestellt. Gleiches gilt für die Ankunftsraten. Die Genauigkeit der Abschätzung liegt im Bereich von etwa 10%. So weichen im Mittel die vorausgesagten Werten nur um ±8 Lkw ab. Die Dauer der Abfertigungszeiten lässt sich auf ±6 Minuten genau eingrenzen. Diese Qualität ist ausreichend für die Identifikation von Lastspitzen und ermöglicht eine verbesserte Einsatzplanung im Depot. Beispielsweise können Mitarbeiter zu Spitzenzeiten Lkw frühzeitig umleiten, um so Staus an anliegenden Straßen und Kreuzungen vorzubeugen. Fahrer und Spediteure haben damit auch eine zuverlässige Information über die geschätzte Auslastung im Depot und können so ihre Touren optimieren. Nach Einpendeln der Geschäftsprozesse bei allen beteiligten Akteuren ist im Allgemeinen mit einer Minderung und Abflachung der Betriebsspitzen zu rechnen. Bereitgestellt werden die Daten über die Web­seite von HCS. In Zukunft sollen diese aber auch per Schnittstelle für Vormelde- und Buchungssysteme genutzt werden.

Ankunft und Ausfahrt sollen zeitlich gesehen möglichst eng beieinander liegen. © Fraunhofer CML

Als nächstes Projekt wird die Integration von Vormeldesystemen angestrebt. Die „TR02-Kommunikation“ wird bereits im Zusammenhang mit der Slotbuchung für Anlieferung und Abholung an den Hafenterminals verwendet.
Zusammenfassend ergibt sich durch den Vorstoß die Möglichkeit für Prozessoptimierung über vernetzte Systeme im Hafen. Hierbei ist angedacht das Optimierungspotenzial im Gesamtsystem Hafen zu nutzen. Damit meidet HCS bewusst die Methode der Slotbuchungen, die zu starr für eine dynamische und flexible Optimierung der Touren ist.

Die Autoren: Olaf Rendel, Ole John (beide Fraunhofer CML) und Dr. Roland Karnbach, Geschäftsführer der HCS Hamburger Container Service GmbH.

Das Fraunhofer-Center für Maritime Logistik und Dienstleistungen CML entwickelt und optimiert Prozesse und Systeme entlang der maritimen Supply Chain. In praxisorientierten Forschungsprojekten unterstützt das Center private und öffentliche Auftraggeber aus den Bereichen Schifffahrt, Hafen und Logistik bei der Initiierung und Realisierung von Innovationen. Je nach Projekt- und Kundenbedarf stellt das CML interdisziplinäre Teams aus Ingenieuren, Wirtschaftswissenschaftlern, Mathematikern, Informatikern und Nautikern zusammen, um kundenspezifische Lösungen für Schiffs- und Flottenmanagement, Nautik und Seeverkehr beziehungsweise Häfen und Transportmärkte zu schaffen.

Anzeige

Das könnte Sie auch interessieren

Anzeige
Anzeige

Newsletter bestellen

Immer auf dem Laufenden mit dem LT-manager NEWSLETTER

Aktuelle Unternehmensnachrichten, Produktnews und Innovationen kostenfrei in Ihrer Mailbox.

AGB und Datenschutz gelesen und bestätigt.
Zur Startseite