Nachrichten

AI in Transport und Logistik

18. Februar 2019    Machine Learning

Am 13. Februar 2019 haben wir beim AI-Award von Microsoft den 1. Platz gewonnen.

In unserem Projekt haben wir uns mit der Optimierung von Transportsystemen, genauer: dem Schienengütertransport, beschäftigt. Hier werden Handlungen langfristig im Voraus geplant und sind deshalb anfällig für Störungen oder Planänderungen. Durch eine effektivere Nutzung des Netzes wird der Durchsatz erhöht und insgesamt das Transportvolumen auf der Schiene gesteigert. Zum einen wird dadurch weniger Kohlendioxid ausgestoßen, zum anderen wird der Umsatz der Netzbetreiber gesteigert.

Data und Analytics für die Transport-Branche

"In keiner anderen Branche gibt es so viele Experten, die in den nächsten fünf Jahren Data und Analytics eine so hohe Relevanz einräumen wie in der Transport- und Logistik-Branche."

(Original in Englisch: There is no other industry where so many industry experts ascribe a high importance to data and analytics in the next five years than transportation and logistics. Hier im pdf-Download).

Multi-Agent-Reinforcement-Learning für sich selbst optimierende Pläne

Wir haben für unser Projekt Reinforcement-Learning (RL) verwendet. Diese Methode ist hoch-dynamisch und kann auf neue Anfragen oder auftretende Störungen reagieren. Sie beruht auf dem neusten Stand der Forschung. Den wissenschaftlichen Hintergrund gibt es in diesem pdf-Artikel. Jorrit Posor erklärt Multi-Agent-Reinforcement-Learning in einem kurzen Video.

Die Methode kann neben dem Güterverkehr beispielsweise für eine Reihe Use Cases verschiedener Branchen eingesetzt werden: in der Produktion, Stichwort Industrie 4.0; im Flottenmanagment beim Car-Sharing oder bei Taxi-Unternehmen; oder zur Lastenverteilung in Stromnetzen.

Neben der theoretischen Auseinandersetzung arbeiten wir bereits heute an der Umsetzung und Anwendung und haben einen Prototypen für den Schienengütertransport entwickelt. Dieser war Hauptbestandteil unserer Einreichung beim Microsoft AI Award. Eine Visualisierung des Prototyps gibt es auf rail.maibornwolff.de.