40 schwere LKW im Straßengüterverkehr mit ca. 6500 Routen vom 01-29 Feb. 2024
April 2024
Die Arealcontrol GmbH und Swarm Logistics GmbH haben ein gemeinsames Pilot Projekt durchgeführt. Das Ziel des Pilot Projektes war zu testen, wie präzise das von Swarm Logistics entwickelte LUT 4.8 Machine Learning Model zur Schätzung von Ankunftszeiten bzw. Estimated Times of Arrival (ETA) für schwere LKW im Straßengüterverkehr ist, ohne Informationen über die aktuelle Verkehrslage zu haben d.h. ohne Live Traffic Informationen und ohne dass das Model auf den spezifischen Geolokationen trainiert wurde. Dazu wurden Daten von 40 LKW (40t) mit verschiedenen Fahrern über den Zeitraum von 1 Monat (01-29 Februar 2024) und 6826 Routen analysiert.
Ausgangslage:
- 40 LKW (40t) mit unterschiedlichen Fahrern und 6826 Routen
- Geolokation vorwiegend Norddeutschland mit Regionen, die bisher nicht in LUT 4.X verarbeitet wurden.
- Zeitpunkte lagen in der Vergangenheit, und der geschätzte Zeitabschnitt d.h. Feb. 24 ist nicht für das trainieren des Models LUT 4.X verwendet worden.
- Mischverkehr (von 10km bis über 300km Routen, wenige Minuten bis 4h Fahrtzeit)
- Laufender Motor (z.B. Heizung laufen lassen, oder Motor abkühlen lassen) ohne Fahrtdistanz wurde teilweise als Fahrtzeit aufgezeichnet.
- Andere Routenführung als von Swarm Logistics geplant wurde gefahren.
- Bei längerer Standzeit und schlechten GNSS Verhältnisse springt die getrackte Geolocation, was die Fahrtdauer verfälschen kann.
Methodik und Bereinigung von Daten:
Historische Routen wurden nachgeplant. Es wurden aus den Ergebnissen Abweichungen in Prozent berechnet.
Gruppe 1: arithmetische Mittel
Gruppe 2: Gewogene Mittel (Gewichtet Anhand der Fahrtdistanz)
Jeweils mit Erweiterung um absolute Abweichungen.
Um die zuvor genannten Problematiken zu isolieren wurde Daten bereinigt. Die Zwischenergebnisse sind auch aufgeführt an.
A. Ergebnisse mit mehr als 10% Streckenabweichung wurden ausgenommen (andere Routenführung)
B. Distanzen geringer als 2km wurden ausgenommen (GNSS Springen, Rundungsabweichungen)
C. Abweichungen von mehr als 50% wurden ausgenommen (Kurze Strecken mit GNSS Springen und laufender Motor)
| 11,16 % | gesäuberte um Fall A |
| 7,14 % | zzgl. gesäubert um Fall B |
| 1,08 % | zzgl. gesäubert um Fall C |
| 10,86 % | gesäuberte Daten mit absoluten Abweichungen | |
| 2,44 % | gesäuberte Daten mit relativen Abweichungen | |
| 15,58 % | Rohdaten mit absoluten Abweichungen (nicht gesäubert) | |
| 2,07 % | Rohdaten mit relativen Abweichungen |
Interpretation:
Das Pilot Projekt kann als voller Erfolg gewertet werden und es konnte validiert werden, dass das Swarm Logistics‘ Machine Learning Model LUT 4.8 mit einer hohen Präzision Fahrzeiten für LKW vorhersagen kann, ohne die aktuelle Verkehrslage zu kennen und ohne dass es auf bestimmten Geolokationen trainiert werden musste.
Man kann von einer Schätzungsabweichung zwischen ca. 2-10% der Fahrtzeit ausgehen.
Einen großen Einfluss haben neben den Fahrzeugen auch die Fahrer gemacht, die sich mit ihrer Fahrweise stark unterscheiden.
Das Baseline Model eignet sich grundsätzlich auch um fahrzeugbasiert eingesetzt zu werden und „on the Edge“ mit Fahrerprofilen weitertrainiert zu werden und so über die Zeit für bestimmte Fahrer immer bessere Vorhersagen zu erzielen. Erste Test haben das Ergebnis auch für länderübergreifende Routen bestätigt.
Wir bedanken uns bei unserem Partner und first Adopter Arealcontrol, für die Unterstützung und für die hohe Datenqualität.
Bei Interesse an mehr Details können Sie uns gerne kontaktieren.
Gerne können Sie selbst die Routenplanung unter swarmrouting.de testen.
Das Machine Learning Model LUT 4.8 ist ab sofort in unseren Produkten verfügbar und Model LUT 5 ist in der Vorbereitung und wird auf über 35 mal mehr Datenpunkten trainiert.