Grin logo
en de es fr
Shop
GRIN Website
Publish your texts - enjoy our full service for authors
Go to shop › Computer Science - Commercial Information Technology

Algorithmen zur Tonnagevorhersage im speditionellen Nahverkehr. Künstliche Intelligenz für den konkreten Anwendungsfall

Title: Algorithmen zur Tonnagevorhersage im speditionellen Nahverkehr. Künstliche Intelligenz für den konkreten Anwendungsfall

Bachelor Thesis , 2022 , 64 Pages , Grade: 2,0

Autor:in: Alexander Goessele (Author)

Computer Science - Commercial Information Technology
Excerpt & Details   Look inside the ebook
Summary Excerpt Details

In dieser Arbeit wird versucht, den bestmöglichen Algorithmus aus dem Bereich der künstlichen Intelligenz für den vorliegenden Anwendungsfall zu finden. Nach der Einleitung erfolgt ein Theorieteil zur Digitalisierung in der Logistik sowie zu grundlegenden logistischen Sachverhalten. Anschließend wird die Problemstellung beschrieben und die Forschungsfrage formuliert, bevor dem Leser diverse Grundlagen zum Machine Learning und dessen Funktionsweise vermittelt werden.

Im Hauptteil der Arbeit wird zunächst eine Datenbasis erstellt, die komprimierte Auftragsdaten der letzten zwei Jahre für ein Abholgebiet enthält und nach Kalenderwochen gegliedert ist. Anschließend werden verschiedene Algorithmen auf diese Datenbasis angewendet, die versuchen, die Tonnage der Folgewoche möglichst genau vorherzusagen. Für die Anwendung wird die Programmiersprache Python verwendet.

Das Ergebnis der verschiedenen Algorithmen wird gegenübergestellt und anschließend derjenige festgelegt, der für den Anwendungsfall am besten geeignet ist. Am Schluss wird die Praxisanwendung untersucht und ein Fazit sowie ein Ausblick in die Zukunft gegeben.

Die Speditions- und Logistikbranche ist bis heute konservativ geprägt. Mitarbeiter sind alteingesessen und Prozesse haben sich mit der Zeit wenig bis gar nicht verändert. Die großen Unternehmen der Branche sind eher ein Verbund mittelständischer Unternehmen als Konzerne, der daraus resultierende Föderalismus führt zu wenig zentralseitigen, Geschäftsbereich übergreifenden Investitionen.

Die Technologieakzeptanz ist entsprechend gering. Außerdem ist der Markt sehr fragmentiert, im Jahr 2019 hatte das nach Umsatz größte deutsche Logistikunternehmen, die DHL Group, einen Anteil von nur 3,71 Prozent am Gesamtmarkt. Dies führt zu einem hohen Wettbewerbs- und in weiterer Konsequenz zu enormen Kostendruck.

Die genannten Faktoren führten unter anderem zu einer meist veralteten IT-Landschaft. Trends sind an den Unternehmen oft vorbeigegangen. Doch die letzten Jahre haben die Branche zum Umdenken gezwungen: Junge und schnell wachsende Unternehmen mit modernen Technologien drängen in den Markt. Bisherige Logistiker wurden zur Erneuerung gedrängt, wenn sie keine Marktanteile verlieren wollten. Dieser Effekt führte zu einem Umdenken in den Unternehmen. Trends werden seitdem mehr und mehr erkannt und ernst genommen.

Excerpt


Inhaltsverzeichnis

  • I. Abstract
  • II. Inhaltsverzeichnis
  • III. Abbildungsverzeichnis
  • IV. Tabellenverzeichnis
  • V. Abkürzungsverzeichnis
  • VI. Stichworte / Catchwords
  • Einleitung
    • 1.1 Spedition und Logistik im Wandel der Zeit
    • 1.2 Der Nahverkehr
    • 1.3 Logistik 4.0
    • 1.4 Problemstellung
    • 1.5 Forschungsfrage und Zielgruppe
    • 1.6 Methodik
    • 1.7 Motivation
  • 2 Grundlagen des Machine Learning
    • 2.1 Vorhersagemodelle
    • 2.2 Datenbasis
    • 2.3 Faktoren für die Berechnung
  • 3 Datenbasis
    • 3.1 Quelle
    • 3.2 Quelldaten: Untersuchung und Bereinigung
    • 3.3 Merkmale
    • 3.4 Modellierung der unabhängigen Variablen
    • 3.5 Identifizierung von unvorhersehbaren Ereignissen
    • 3.6 Datenaufbereitungszyklus
  • 4 Algorithmen
    • 4.1 Lineare Modelle (Regressionsanalyse)
      • 4.1.1 Lineare Regression: Trendanalyse / Zeitreihenanalyse
      • 4.1.2 Multiple lineare Regression
      • 4.1.3 Ridge-Regression
    • 4.2 K-nächste Nachbarn
    • 4.3 Entscheidungsbäume
      • 4.3.1 Random Forests
      • 4.3.2 Gradient Boosting
    • 4.4 Neuronale Netze
  • 5 Vergleich / Auswertung
  • 6 Anwendung in der Praxis
  • 7 Fazit
  • 8 Ausblick

Zielsetzung und Themenschwerpunkte

Die Bachelorarbeit befasst sich mit der Anwendung von Algorithmen aus dem Bereich der Künstlichen Intelligenz (KI) zur Vorhersage der Tonnage im speditionellen Nahverkehr. Ziel ist es, den bestmöglichen Algorithmus für diesen Anwendungsfall zu identifizieren und dessen Einsatz in der Praxis zu untersuchen.

  • Digitalisierung in der Logistik
  • Machine Learning und dessen Funktionsweise
  • Entwicklung einer Datenbasis für die Vorhersage
  • Anwendung verschiedener Algorithmen zur Tonnagevorhersage
  • Vergleich und Bewertung der Algorithmen

Zusammenfassung der Kapitel

Die Arbeit beginnt mit einer Einführung in die Speditions- und Logistikbranche im Wandel der Zeit, dem Nahverkehr und der Entwicklung von Logistik 4.0. Die Problemstellung wird erläutert und die Forschungsfrage formuliert. Anschließend werden Grundlagen des Machine Learning und dessen Funktionsweise erläutert. Im Hauptteil wird eine Datenbasis erstellt, die Auftragsdaten der letzten zwei Jahre enthält und nach Kalenderwochen gegliedert ist. Verschiedene Algorithmen werden auf diese Datenbasis angewendet, um die Tonnage der Folgewoche vorherzusagen. Die verschiedenen Algorithmen werden im Anschluss verglichen und der bestgeeignete für den Anwendungsfall ausgewählt.

Schlüsselwörter

Künstliche Intelligenz, Logistik, Nahverkehr, Spedition, Logistik 4.0, Industrie 4.0, Machine Learning, Tonnagevorhersage, Algorithmen, Datenbasis.

Excerpt out of 64 pages  - scroll top

Details

Title
Algorithmen zur Tonnagevorhersage im speditionellen Nahverkehr. Künstliche Intelligenz für den konkreten Anwendungsfall
College
University of applied sciences, Nürnberg
Grade
2,0
Author
Alexander Goessele (Author)
Publication Year
2022
Pages
64
Catalog Number
V1389775
ISBN (PDF)
9783346935656
ISBN (Book)
9783346935663
Language
German
Tags
Künstliche Intelligenz Logistik Transport Tonnage Vorhersage Machine Learning Nahverkehr
Product Safety
GRIN Publishing GmbH
Quote paper
Alexander Goessele (Author), 2022, Algorithmen zur Tonnagevorhersage im speditionellen Nahverkehr. Künstliche Intelligenz für den konkreten Anwendungsfall, Munich, GRIN Verlag, https://www.grin.com/document/1389775
Look inside the ebook
  • Depending on your browser, you might see this message in place of the failed image.
  • https://cdn.openpublishing.com/images/brand/1/preview_popup_advertising.jpg
  • Depending on your browser, you might see this message in place of the failed image.
  • Depending on your browser, you might see this message in place of the failed image.
  • Depending on your browser, you might see this message in place of the failed image.
  • Depending on your browser, you might see this message in place of the failed image.
  • Depending on your browser, you might see this message in place of the failed image.
  • Depending on your browser, you might see this message in place of the failed image.
  • Depending on your browser, you might see this message in place of the failed image.
  • Depending on your browser, you might see this message in place of the failed image.
  • Depending on your browser, you might see this message in place of the failed image.
  • Depending on your browser, you might see this message in place of the failed image.
  • Depending on your browser, you might see this message in place of the failed image.
  • Depending on your browser, you might see this message in place of the failed image.
  • Depending on your browser, you might see this message in place of the failed image.
  • Depending on your browser, you might see this message in place of the failed image.
Excerpt from  64  pages
Grin logo
  • Grin.com
  • Payment & Shipping
  • Contact
  • Privacy
  • Terms
  • Imprint