Dieses IT-Projekt ist Teil unserer Digitalisierung und Optimierung der IT-Landschaft unserer Kunden. Durch gezielte Maßnahmen fördern wir den technologischen Fortschritt, optimieren systemübergreifende Prozesse und schaffen eine nachhaltige Basis für zukünftige Entwicklungen. Unsere IT-Referenzprojekte dienen als Grundlage zur Orientierung. Sie unterstützen die Wiederverwendbarkeit erprobter Konzepte im Rahmen der Projektumsetzung.
Dies ist eines von 4800 IT-Projekten, die wir erfolgreich mit unseren Kunden abgeschlossen haben.Wobei dürfen wir Sie unterstützen?
Prognose von Sendungsmengen mit Künstlichen Neuronalen Netzen
Projektdauer: 3 Monate
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.
Ergänzung
.
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.
IT-Projektdaten
- Branchen Logistik
- Fachaufgaben BPM: Prozessoptimierung, Forschung und Entwicklung (F&E), Handelslogistik, KI: Allgemein, Prognose, Spedition, Statistik, Transportmanagement
- DV-Aufgaben IT Beratung
- Systemumgebungen Business Intelligence
- Vorgehensmodell Iteratives Vorgehen
- Programmiersprachen Java, R/RStudio
- Datenbanken Teradata
- Entwicklungs- und Testtool Aqua Data Studio
- Middleware und Frameworks Weka
Projektzeitraum01.09.2016 - 30.11.2016
Kunden, die uns vertrauen
Haben wir Ihr Interesse geweckt?
