Shipping containers
Vorhersage des Versandvolumens
Hintergrund
In den großen kommerziellen Seehäfen werden jährlich Millionen von Containern umgeschlagen, z.B. wurden im Hamburger Hafen 9,3 Mio. TEU im Jahr 2019 umgeschlagen, was zu einem großen logistischen Aufwand hinsichtlich der erforderlichen Lager- und Entladungskapazitäten führt.
Auch Einzelhandelsunternehmen sowie Paket- und Postdienste sind täglich mit der Abschätzung des Versandvolumens konfrontiert, um die Lagerlogistik zu optimieren und Lieferzeiten zu prognostizieren.
Herausforderungen
Die Vorhersage von Versandvolumina und Ladungsmengen erfordert die Verarbeitung großer Mengen von Zeitreihendaten, die das Versandvolumen in Abhängigkeit von zeitabhängigen Merkmalen wie wichtigen Anlässen, z.B. Weihnachten, Produktionsspitzen und -rückgängen, Kundennachfrage nach bestimmten Produktkategorien, Wetterbedingungen usw. erfassen.
Diese Einflussfaktoren sind jedoch schwer zu modellieren, insbesondere wenn sie voneinander abhängig sind. Darüber hinaus ändern sich die Kundengewohnheiten schnell, insbesondere in Krisenzeiten, wie z.B. bei der COVID-19-Pandemie.
Lösungsansatz
Der Einsatz von machine learning Modellen kann Logistikunternehmen unterstützen, indem sie Muster in den Daten erkennen und auf deren Grundlage präzise Vorhersagen treffen.
Die Analyse und Vorhersage von Zeitreihendaten für Versandvolumina erfordert ein Modell des maschinellen Lernens, das langfristige Abhängigkeiten und Korrelationen erfasst.
Modernste Techniken sind saisonale ARIMA- (Autoregressive Integrated Moving Average) und LSTM (Long Short-Term Memory) Algorithmen. Beide Modelle berücksichtigen den Einfluss vergangener Ereignisse auf aktuelle Ereignisse, indem sie vergangene Outputs und Zustände für die Berechnung aktueller Outputs verwenden.