Technische Konstruktionen am Meer

Historische Daten werden durch KI zukunftsfähig

Vorhersagen von Schiffliegezeiten und benötigtem Personal sind durch die intelligente Verarbeitung von historischen und externen Daten in einem hohen Grad zutreffend. Damit steht die Planung.

Kunde

FESTMA

Branche

Hafendienstleistungen

Lösungen

KI-Anwendung für Auswertung von historischen Daten

Unsere Leistungen
  • Analyse von histo­ri­schen Daten aus ~10 Jahren
  • Bran­chen­be­dingt schwe­rer Daten­zu­gang
  • Evalu­ie­rung, ob eine KI Lösung möglich ist
  • Vorher­sage von benö­tig­tem Perso­nal (Schicht)
  • Vorher­sage der Schiffs­lie­ge­dauer

Der Kunde

Das Kern­ge­schäft der FESTMA liegt in der Vertäu­ung von Schif­fen in Bremen und Bremer­ha­ven. Neben dem Fest­ma­chen bietet die FESTMA noch weitere Dienst­leis­tun­gen an, wie die Instal­la­tion einer Gang­way oder Bereit­stel­lung von Tele­fon- und Wasser­ver­sor­gung. Die Perso­nal­pla­nung für eine Schicht ist abhän­gig von der anfal­len­den Arbeit, die an mehrere Fakto­ren gebun­den ist, wie z. B. die Anzahl der Schiffe, die fest- und losge­macht werden müssen, weitere Dienst­leis­tun­gen, die ange­for­dert werden, die Wetter­lage, die aktu­elle Saison. Die Perso­nal­pla­nung wird momen­tan durch erfah­rene Kolle­gen vorge­nom­men. Die Frage­stel­lung der FESTMA ist, ob es anhand ihrer histo­ri­schen Daten möglich ist, die Perso­nal­pla­nung mithilfe von Machine Lear­ning Verfah­ren zu unter­stüt­zen.

Inhomogene Daten

Die Heraus­for­de­rung bestand in erster Linie darin, dass zwar Daten aus fast einem Jahr­zehnt zur Verfü­gung stan­den, diese jedoch häufig unstruk­tu­rierte Felder oder nicht homo­gene Einträge enthal­ten haben. Zudem haben sich aus der Grund­fra­ge­stel­lung der Perso­nal­pla­nung weitere Fragen, u.a. nach der Dauer eines Schiffs­auf­ent­hal­tes, erge­ben.

Umsetzung in drei Phasen

  1.  Die bereit­ge­stell­ten Daten wurden extra­hiert und anschlie­ßend berei­nigt, indem Tupel mit fehlen­den oder fehler­haf­ten Werten entfernt und neue Daten hinzu­ge­fügt wurden.
  2.  Die Daten wurden visu­a­li­siert, um u.a. Ausrei­ßer und Korre­la­ti­o­nen sicht­bar zu machen und ggf. weitere Berei­ni­gun­gen vorzu­neh­men. Folg­lich wurden die passen­den Featu­res zum Trai­nie­ren der Machine Lear­ning Algo­rith­men iden­ti­fi­ziert. Zusätz­lich wurden weitere externe Daten hinzu­ge­zo­gen.
  3.  Verschie­dene Algo­rith­men wurden mit den ausge­such­ten Featu­res trai­niert und die Perfor­mance vergli­chen. Aus den Erkennt­nis­sen wurden weitere Featu­res abge­lei­tet und zusätz­li­che Algo­rith­men gegen­ein­an­der getes­tet. Für die am besten funk­tio­nie­ren­den Algo­rith­men wurden in mehre­ren Itera­ti­o­nen die Para­me­ter ange­passt, um die Ergeb­nisse weiter zu verbes­sern.

Das Ergebnis

Für die Vorher­sage der benö­tig­ten Mita­r­bei­ter für eine Schicht konnte mit den Daten eine Genau­ig­keit von 88,5% und für die Liege­dauer von Schif­fen eine von 44,78% erreicht werden. Es wurde gezeigt, dass eine Vorher­sage möglich ist, für diese aber zusätz­li­che externe Daten benö­tigt werden, um eine zufrie­den­stel­lende Genau­ig­keit zu errei­chen.

Die eingesetzten Methoden und Technologien (Auswahl)

  • Python
  • Scikit­Learn
  • Jupy­ter Note­book
  • Gephi

Ihre Ansprechpartner zu diesem Thema

Matthias Jankowiak
Software­entwicklung

0421/20750 0 E-Mail senden