Optimierung robuster Liegeplatzpläne mit Hilfe von Machine Learning

16.03.2021

Lorenz Kolley, M.ScBusiness Analytics in Maritime Logistics -

Globale Lieferketten verbinden Produktionsstandorte auf der ganzen Welt und sorgen dafür, dass auch Produkte, die zum Beispiel auf einem anderen Kontinent gefertigt werden, schnell und sicher beim Verbraucher eintreffen. Dabei spielt der Seeverkehr eine große Rolle, denn über 80 % des weltweiten Warenhandels werden über Häfen abgewickelt. Häufig werden Container für den Transport der Waren eingesetzt. So wurden im Jahr 2019 weltweit insgesamt 152 Millionen Standardcontainer (Twenty-foot Equivalent Units, TEU) per Schiff transportiert (UNCTAD 2020). Containerschiffe können eine große Anzahl von Containern gleichzeitig transportieren. Dadurch reduzieren sich die Transportkosten pro Container und die umweltschädlichen Emissionen werden vermindert. Doch das große Handelsvolumen führt auch zu Herausforderungen für den Containerumschlag in Häfen und im Hinterlandverkehr.

Dass Containerterminals reibungslos und kosteneffizient arbeiten, ist sowohl für die Terminalbetreiber als auch für die von den transportierten Gütern abhängige Wirtschaft von hoher Bedeutung. Die wesentliche Schnittstelle zwischen dem Seetransport und dem Hinterland ist der Kai des Terminals, denn Containerschiffe werden dort be- und entladen. Jeder Kai ist jedoch durch seine gegebene Länge limitiert, daher muss mit seiner begrenzten Liegeplatzkapazität gut gewirtschaftet werden.

Das Berth Allocation Problem widmet sich der Planung der Liegeplätze von ankommenden Containerschiffen. Es ist zu planen, welches Schiff zu welchem Zeitpunkt an welcher Position des Kais festmachen darf. Ein wesentlicher Faktor dieser Planung ist die Ankunftszeit des jeweiligen Schiffs. Wann genau ein Schiff jedoch wirklich den Hafen erreicht, ist unsicher. Wind und Meeresströmung, technische Defekte und Verspätungen im vorherigen Hafen können die Ankunftszeit beeinflussen. Es ist daher wichtig, sog. robuste Liegeplatzpläne zu erstellen. Das Ziel ist, auch wenn sich ein Schiff verspätet, Auswirkungen dieser Verspätung auf die anderen Containerschiffe und deren Liegeplätze zu minimieren oder möglichst zu vermeiden. Die Unsicherheit über die Schiffsankünfte muss daher bereits in der Planung berücksichtigt werden. Dies kann zum Beispiel durch den Einsatz von Zeitpuffern – also zusätzlichen Zeiten, in denen der Kai noch nicht neu belegt wird – nach jedem Schiffgewährleistet werden. Jedoch vermindern diese Puffer die ohnehin knappe Kapazität des Kais, da sie eine Nutzung durch weitere Schiffe verhindern. Es liegt also ein Zielkonflikt zwischen der effizienten Nutzung des Kais, d.h. seiner möglichst hohen Auslastung, und der angestrebten robusten Liegeplatzplanung vor.

Aus der fortschreitenden Digitalisierung von Häfen und Schiffen ergeben sich neue Chancen und Möglichkeiten für die verbesserte Lösung der Planungsaufgaben an Containerterminals, insbesondere auch für die Liegeplatzvergabe. Mit Hilfe der zunehmend verfügbaren, vom sog. Automatic Identification System (AIS) erfassten Schiffsbewegungsdaten kann aufgrund von Beobachtungen aus der Vergangenheit besser vorhergesagt werden, wie lange ein Schiff noch bis zum Hafen braucht, wenn
es sich zu einer bestimmten Zeit an einem bestimmten Punkt auf See befindet. So kann die Unsicherheit hinsichtlich der Ankunftszeiten von Containerschiffen reduziert werden. Zur Entwicklung von Vorhersagen können z.B. Machine Learning (ML) Methoden angewendet werden, um die wahrscheinliche Ankunftszeit eines Schiffes und damit ein geeignetes Zeitfenster für seine Entladung zu bestimmen. In diesem Projekt wurde ein neuer, ML-basierter Ansatz entwickelt, der die Zeitfenster inkl. geeigneter Zeitpuffer für jedes Schiff unter Berücksichtigung der Unsicherheit hinsichtlich seiner Ankunftszeit plant. Ist die Unsicherheit hoch, wird ein längerer Puffer eingeplant, als im Falle einer gut prognostizierbaren Ankunftszeit, wo nur ein kleiner Puffer notwendig ist. Es konnte anhand realer Daten gezeigt werden, dass dieser neue Ansatz im Vergleich zu anderen Vorgehensweisen verbesserte Ergebnisse hinsichtlich der Robustheit liefert.

Je mehr relevante Daten verfügbar sind, desto besser funktioniert die Vorhersage und umso genauer wird das Zeitfenster für die Ankunft (und damit die Entladung) jedes Schiffs. So lässt sich die Planungsunsicherheit weiter reduzieren und die zu veranschlagenden Zeitpuffer können verringert werden. Langfristig kann auf diese Weise die Kapazität des Kais noch besser genutzt und der oben beschriebene Zielkonflikt aufgelöst werden. Die Forschung an diesem Projekt findet im Rahmen des i³-Labs "Business Analytics – Optimierungspotentiale und strategische Risiken für maritime logistische Systeme" statt. Weitere Forschungsprojekte des Labs sind auf der Webseite zu finden.

Hier geht es zum i³-Lab: https://www2.tuhh.de/i3-ba-ml/

  1. UNCTAD (2020): Review of Maritime Transportation 2020. URL:
    https://unctad.org/system/files/official-document/rmt2020_en.pdf (besucht am 03. März 2021)