Bessere Auslastung im Straßengüterverkehr mit KI-gestützten Kurzzeitprognosen

Lkws stellen eine große Belastung für Umwelt, Infrastruktur und Verkehrssicherheit dar. Aus diesem Grund ist es wichtig, den Straßengüterverkehr langfristig zu verringern oder zumindest dessen Wachstum zu bremsen. Eine effiziente Möglichkeit Verkehre zu reduzieren ist, Leerfahrten und Fahrten mit geringer Auslastung zu vermeiden. Damit Straßengüterverkehrsunternehmen (StGV-Unternehmen) ihre Touren so planen können, dass ihre Flotte möglichst gut ausgelastet ist – also Leerfahrten vermieden werden – benötigen sie möglichst genaue Bedarfsprognosen. Die meisten StGV-Unternehmen schätzen diese Bedarfe heutzutage zumeist noch manuell ab. Die Unternehmen, die bereits datengetriebene Prognosen nutzen, arbeiten in der Regel aber lediglich auf Basis interner historischer Daten. Jedoch erhält das Unternehmen dadurch keine präzisen Kurzzeitprognosen, die mehrere Einflussgrößen berücksichtigen.

Im Forschungsprojekt »KIVAS« untersuchten die Forscher der Fraunhofer-Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS daher eine Vielzahl an Einflussgrößen, wie Wettervorhersagen, kalendarische Effekte (z.B. Feiertage, Wochenenden, etc.), Konjunkturdaten sowie sozioökonomische Daten (z.B. Arbeitslosenstatistiken) auf ihren prädiktiven Mehrwert. Diese Daten evaluierte die Forschungsgruppe für 17 Niederlassungen zweier Unternehmen, um zu ermitteln, welche Einflussgrößen die Prognose des Transportvolumens tatsächlich optimieren können. Dabei zeigte sich, dass vor allem das Wetter und kalendarische Effekte einen großen Einfluss auf die Kurzzeitprognose der beteiligten Unternehmen haben.