Prognose der Lieferzeit in mehrgliedrigen Transportketten : Entwicklung einer Methode zur Prognose der Lieferzeit unter Verwendung von Algorithmen des Maschinellen Lernens in mehrgliedrigen Transportketten
Veröffentlichungsdatum
2020-06-03
Autoren
Betreuer
Gutachter
Zusammenfassung
Die Prognose einer zuverlässigen Lieferzeit für Logistiktransporte generiert einen signifikanten Mehrwert für die Logistikqualität der Supply-Chain-Teilnehmer. Besonders in multimodalen Transportketten erfordert dies eine geeignete Vorhersagemethode, welche mit der bestehenden Komplexität umgehen kann. Der Literatur nach können allein Algorithmen des Maschinellen Lernens adäquat mit dem komplexen und dynamischen Verhalten während eines Transportes umgehen. Dennoch befassen sich nur wenige Autoren mit der Vorhersage der Ankunftszeit in Gütertransporten mehrgliedriger Transportketten mit diesen Ansätzen.
In dieser Arbeit wurde eine Methode zur Vorhersage der Lieferzeit in mehrgliedrigen Transportketten ohne Nutzung von Plandaten entwickelt. Zur Prognose werden die Algorithmen ExtraTrees, AdaBoost und Support Vector Regression (SVR) genutzt. Diese besitzen die Fähigkeit, mit geringen Datenmengen umzugehen und benötigen gleichzeitig eine geringe Verarbeitungszeit. Anhand verschiedener Kombinationen sog. Features, welche aus den Tracking-Daten abgeleitet werden, werden mehrere Prognosemodelle erstellt. Diese werden schließlich anhand von Daten einer realen Transportkette von Deutschland in die USA evaluiert. Bei einer durchschnittlichen Transportzeit zwischen 22 und 31 Tagen erreichte die abgeleitet Methode einen durchschnittlichen Fehler von 15 Stunden bzw. 5 %, bezogen auf die tatsächliche Lieferzeit. Das beste Modell basiert auf den SVR-Algorithmus. Das entwickelte Modell liefert zudem im Vergleich zu durchschnittsbasierten Verfahren eine bessere Prognosegenauigkeit.
In dieser Arbeit wurde eine Methode zur Vorhersage der Lieferzeit in mehrgliedrigen Transportketten ohne Nutzung von Plandaten entwickelt. Zur Prognose werden die Algorithmen ExtraTrees, AdaBoost und Support Vector Regression (SVR) genutzt. Diese besitzen die Fähigkeit, mit geringen Datenmengen umzugehen und benötigen gleichzeitig eine geringe Verarbeitungszeit. Anhand verschiedener Kombinationen sog. Features, welche aus den Tracking-Daten abgeleitet werden, werden mehrere Prognosemodelle erstellt. Diese werden schließlich anhand von Daten einer realen Transportkette von Deutschland in die USA evaluiert. Bei einer durchschnittlichen Transportzeit zwischen 22 und 31 Tagen erreichte die abgeleitet Methode einen durchschnittlichen Fehler von 15 Stunden bzw. 5 %, bezogen auf die tatsächliche Lieferzeit. Das beste Modell basiert auf den SVR-Algorithmus. Das entwickelte Modell liefert zudem im Vergleich zu durchschnittsbasierten Verfahren eine bessere Prognosegenauigkeit.
Schlagwörter
Maschinelles Lernen
;
Transportlogistik
;
Machine Learning
;
ETA
;
Prognose der Transportzeit
;
Logistik
;
Supply-Chain-Management
Institution
Dokumenttyp
Dissertation
Zweitveröffentlichung
Nein
Sprache
Deutsch
Dateien![Vorschaubild]()
Lade...
Name
Promotion_v88_final_aftercomments_2.pdf
Size
20.06 MB
Format
Adobe PDF
Checksum
(MD5):02ec5f71ad713b5e4630165ee4899ac8