Kurzbeschreibung:

Mittels geeigneter Verfahren aus dem Bereich des Maschinellen Lernens und unter Hinzunahme historischer Daten aus dem Data-Warehouse werden messbare Verbesserungen der Prognosegüte im Vergleich zum bisherigen Prognoseansatz erzielt. Durch die Verwendung Künstlicher Neuronaler Netze werden für ausgewählte Logistikstandorte (HUBs) Sendungsmengen mit geringem bis moderatem Fehler prognostiziert. Es wird nachgewiesen, dass Verfahren, die nur auf historischen Daten basieren, auch ohne Hinzunahme von Expertenwissen zu verbesserten Prognosen führen.

Fachbeschreibung:

Im Rahmen eines Proof-of-Concept wird ein Prognoseansatz auf Grundlage eines Künstlichen Neuronalen Netzes (Multilayer-Perceptron) entwickelt. Unter Hinzunahme historischer Daten aus dem Data-Warehouse werden für ausgewählte Logistikstandorte mit Tools wie Weka und RStudio dedizierte Prognosemodelle entwickelt mit dem Ziel, Sendungsmengen tagesgenau vorherzusagen (Prognosehorizont: einen Tag im voraus). Wichtig für die Modellbildung ist das Extrahieren und die Auswahl deskriptiver Merkmale (z.B. Sendungsmengen der letzten x Tage, Feiertage, Schulferien, ...). Im Anschluss an die Auswahl geeigneter Merkmale und Feinjustierung erfolgt die Evaluation der Modelle für die jeweiligen Standorte für einen vorgegebenen Prognosezeitraum (ein Monat). Im Vergleich zu dem bestehenden Ansatz weisen die auf Künstlichen Neuronalen Netzen basierenden Modelle standortübergreifend einen geringeren Prognosefehler (MAPE, RMSE) auf.