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.
Inhaltsverzeichnis
1 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 & Themen
Das Hauptziel dieser Arbeit ist die Identifikation des optimalen Algorithmus aus dem Bereich der Künstlichen Intelligenz, um die Tonnage im speditionellen Nahverkehr präzise vorherzusagen. Die zentrale Forschungsfrage untersucht, welcher Algorithmus unter den gegebenen Bedingungen die zuverlässigsten Ergebnisse liefert.
- Methoden des Machine Learning zur Tonnagevorhersage
- Aufbau und Bereinigung einer logistischen Datenbasis
- Einflussfaktoren wie Saisonalität, Konjunktur und Wetter
- Vergleichende Analyse verschiedener Regressionsmodelle
- Praktische Implementierung mittels Python und scikit-learn
Auszug aus dem Buch
3.2 Quelldaten: Untersuchung und Bereinigung
Für die weitere Verarbeitung müssen die Quelldaten untersucht und bereinigt werden. Dies ist ein Prozess innerhalb der Datenanalyse. Er bildet die Schnittstelle zwischen der Datensammlung und der weiteren Verarbeitung. Es muss bereits an dieser Stelle auf den Quelldaten geschehen, um frühzeitig Ausreißer und unrealistische Daten finden und korrigieren zu können.
Dieses Vorgehen geschieht mit der Programmiersprache R und der Software RStudio. Zunächst wird die ursprüngliche Liste eingelesen und von den nicht benötigten Attributen gesäubert. Hierzu bietet R verschiedene Möglichkeiten. Das Einlesen der Daten ist relativ einfach mit einer vorhandenen Methode aus einer Standardbibliothek. Es muss lediglich auf die Angabe des Headers sowie des Trennzeichens der Quelldatei geachtet werden.
Die Daten werden in einer Variable vom Typ data.frame gespeichert. Zunächst werden für die weitere Verarbeitung nichtmehr benötigte Attribute entfernt, es wird mit den folgenden Attributen weitergearbeitet: Auftragsdatum, Gewicht, LDM (Lademeter), Packstücke, Versender.Nummer (Kundennummer), Versender.PLZ (Postleitzahl), Versender.Str. (Straße).
Zusammenfassung der Kapitel
1 Einleitung: Beschreibt die konservativ geprägte Logistikbranche, die Notwendigkeit der Digitalisierung und die spezifische Problemstellung der Tonnageschätzung im Nahverkehr.
2 Grundlagen des Machine Learning: Einführung in die Funktionsweise vorhersagender Algorithmen und die Bedeutung einer validen Datenbasis für den Lernerfolg.
3 Datenbasis: Erläutert die Herkunft, Bereinigung und notwendige Aufbereitung der realen Unternehmensdaten sowie die Identifikation relevanter Einflussfaktoren.
4 Algorithmen: Detaillierte Betrachtung und mathematische Herleitung verschiedener Regressionsmodelle, von einfachen linearen Modellen bis hin zu neuronalen Netzen.
5 Vergleich / Auswertung: Analyse der Ergebnisse der verschiedenen Algorithmen hinsichtlich ihrer Vorhersagequalität und Eignung für den praktischen Einsatz.
6 Anwendung in der Praxis: Diskussion über die Umsetzbarkeit und notwendige Schritte zur Integration der Modelle in das operative speditionelle Geschäft.
7 Fazit: Zusammenfassende Bewertung der Ergebnisse und Empfehlung des am besten geeigneten Algorithmus.
8 Ausblick: Diskussion über zukünftige Entwicklungen im Logistiksektor und das Potenzial weiterführender Datenanalysen.
Schlüsselwörter
Künstliche Intelligenz, Logistik, Nahverkehr, Spedition, Logistik 4.0, Industrie 4.0, Predictive Analytics, Machine Learning, Tonnagevorhersage, Regression, Entscheidungsbäume, Gradient Boosting, Neuronale Netze, Datenbasis, Digitalisierung
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht den Einsatz von Künstlicher Intelligenz, um die Tonnage für Abholtouren im speditionellen Nahverkehr vorherzusagen und so die Frachtraumpalnung zu optimieren.
Was sind die zentralen Themenfelder?
Die zentralen Felder sind maschinelles Lernen, die Digitalisierung logistischer Prozesse (Logistik 4.0) und die statistische Analyse von Speditionsdaten.
Was ist das primäre Ziel der Arbeit?
Das primäre Ziel ist es, den am besten geeigneten KI-Algorithmus zu ermitteln, um die Tonnage pro Woche für spezifische Abholgebiete präzise zu prognostizieren.
Welche wissenschaftliche Methode wird verwendet?
Der Autor nutzt einen empirischen Ansatz, bei dem historische Transportdaten mit verschiedenen Machine-Learning-Verfahren (u.a. Lineare Regression, Random Forests, Gradient Boosting, Neuronale Netze) trainiert und verglichen werden.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil umfasst die detaillierte Datenbereinigung, die Auswahl und Modellierung von Prädiktoren sowie die technische Umsetzung der Algorithmen mittels Python.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Tonnagevorhersage, Logistik 4.0, Machine Learning, Predictive Analytics und Entscheidungsbäume.
Warum ist eine manuelle Bereinigung der Quelldaten notwendig?
Die Quelldaten enthalten unrealistische Werte (z.B. falsche Gewichtsangaben bei Pauschaltarifen), die das Modell verfälschen würden und daher vor der Anwendung der Algorithmen entfernt werden müssen.
Welches Fazit zieht der Autor bezüglich der Algorithmenwahl?
Nach Ansicht des Autors sind Entscheidungsbäume mit Gradient Boosting für die gegebene Problemstellung am besten geeignet, da sie eine Balance zwischen Genauigkeit und Komplexität bieten.
- Arbeit zitieren
- Alexander Goessele (Autor:in), 2022, Algorithmen zur Tonnagevorhersage im speditionellen Nahverkehr. Künstliche Intelligenz für den konkreten Anwendungsfall, München, GRIN Verlag, https://www.grin.com/document/1389775
