Jede dritte Fahrt eines Lkw in Deutschland ist eine Leerfahrt. Monat für Monat summiert sich die Zahl der Touren, bei denen Laster derart uneffektiv unterwegs sein müssen auf rund dreizehn Millionen. Obwohl spezielle Software die Disposition der Transporte bereits heute verbessert – dass klassische Methoden allein nicht ausreichen, wird immer offensichtlicher. Eine Lösung könnte der Einsatz Künstlicher Intelligenz werden. Forscher*innen am Fraunhofer IIS arbeiten an einem erfolgversprechenden Ansatz.

Die Transportaufträge für die kommenden Tage sind eingebucht. Fahrtrouten, Be- und Entladestationen sind für die komplette Flotte fix geplant. Einer der Vierzig-Tonner geht von Frankfurt nach Dortmund – nahezu voll ausgelastet. Auf dem Rückweg ins Depot wird der Truck allerdings leer sein. Eine passende Ladung gibt es im Moment nicht. Wie deutschlandweit für rund 150 000 weitere Fahrten pro Jahr. Von Oktober 2019 bis September 2020 waren das rund 37 Prozent aller im Jahr registrierten Lkw-Fahrten in Deutschland. Laut den Erhebungen des Kraftfahrtbundesamts werden Jahr für Jahr so 6,5 Milliarden Kilometer leer zurückgelegt. Noch nicht mit eingerechnet sind hier alle Fahrten, bei denen die Lkw zwar mit Ladung, aber nur zu einem Teil ausgelastet unterwegs sind.  

»Leerfahrten und Leerkapazitäten sind für Speditionen in zweifacher Hinsicht ein gewichtiges Problem: Vor allem, weil die Wirtschaftlichkeit der Touren deutlich abnimmt. Aber auch, weil sie kontraproduktiv sind, wenn es darum geht, dem Klimaschutzziel der CO2-Neutralität im Güterverkehr näherzukommen«, betont Benedikt Sonnleitner von der Fraunhofer-Arbeitsgruppe für Supply Chain Services des Fraunhofer-Institut für Integrierte Schaltungen IIS. Zwar nutzen die meisten Fuhrunternehmen Softwareprogramme, um eine möglichst ergiebige Kombination aus eingesetzten Lkw, Touren und Aufträgen zu errechnen. Die Analysen bleiben dabei – notgedrungen – auf die Transportaufträge und Terminplanungen beschränkt, die im elektronischen Auftragsbuch erfasst sind. Um das zu ändern, müssten weitere Aufträge akquiriert oder einzelne Transportaufträge in eine dann optimierte Zeitleiste verschoben werden. Dafür aber ist der Zeitdruck in der Branche zu hoch: Disponent*innen müssten ad hoc entscheiden, welche Ansprechpartner*innen aus ihrer Kundendatenbank sie anrufen, um nach passenden Ergänzungsaufträgen zu fragen. Oder sie müssten eruieren, bei welchen der Unternehmen eine Bitte um Terminverschiebung erfolgreich sein könnte oder ob es für die aktuelle Planungszeit und für das jeweilige Tourengebiet sinnvoll ist, auf den Frachtbörsen zu recherchieren. »Wie Disponent*innen das knappe Zeitfenster nutzen und versuchen, die Leerkapazitäten zu verringern, ist bisher mehr Bauchentscheidung als gezieltes Vorgehen«, so Sonnleitner. In der Folge bleiben anfallende Leerkapazitäten häufig ungenutzt.

Empfehlungen auf Grundlage fundierter Prognosen

Sonnleitner und sein Team entwickeln daher im vom Bundesministerium für Verkehr und digitale Infrastruktur BMVI geförderten Projekt »KITE« gemeinsam mit Industriepartnern ein Prognosetool, das den Disponent*innen konkrete Empfehlungen liefert, mit welchen Maßnahmen sie die besten Erfolgsaussichten haben. Besonders leistungsstark wird dieses Tool dabei vor allem durch seine »Mitdenk-Option« durch eine KI. Bei der Berechnung von Vorschlägen arbeitet das System dann nicht nur mit in der Spedition vorhandenen Daten, sondern ermittelt unter Einbeziehung weiterer relevanter Faktoren die Erfolgsaussichten möglicher Maßnahmen, eine Leerfahrt zu verhindern. »Bestandskunde Meier hat mit einer Wahrscheinlichkeit größer 80 Prozent einen passenden Ergänzungsauftrag. Die Chance auf eine Terminverschiebung des Auftrags von Kunde X liegt bei 1 zu 1. Auf der Frachtbörse fündig zu werden hat dagegen lediglich eine Erfolgsaussicht von rund 20 Prozent«. So in etwa könnte das Analyseergebnis des neuartigen Prognose- und Empfehlungssystems für einen konkreten Planungstag lauten.

Um solche Aussagen treffen zu können, entwickeln die Forscher*innen spezielle Algorithmen und mathematische Modelle, die unterschiedlichste Einflussfaktoren in die Analysen und Bewertungen einbeziehen. Die zentrale Datenbasis für die Analyse und zum Training der KI sind die historischen Auftrags- und Planungsdaten der jeweiligen Spedition. Dabei werden aber nicht nur statistische Zusammenhänge wie Häufigkeit und Umfang der Frachtaufträge eines Kunden an bestimmten Tagen und auf bestimmten Strecken berechnet. Die Algorithmen verknüpfen die Frachtaufträge auch mit weiteren Faktoren. Sie prüfen zum Beispiel, ob die Aufträge bestimmten saisonalen Effekten unterliegen oder eine Korrelation mit bestimmten Kennzahlen der allgemeinen wirtschaftlichen Entwicklung besteht. »In der aktuellen Projektphase erproben wir verschiedene Kombinationen von Einflussgrößen und Analysemethoden«, so Sonnleitner. Sein Team kann so Schritt für Schritt die Faktoren und Zusammenhänge herausfinden, die entscheidend sind, um möglichst zuverlässige Prognosen für einen Planungszeitraum in der Zukunft abzuleiten. Ein entscheidender Punkt dabei ist es, die Anzahl der Faktoren und die Komplexität der Verknüpfungen möglichst gering zu halten. Denn die zugrundeliegenden Modelle müssen zwar so detailliert wie notwendig sein. Gleichzeitig müssen sie den Aufwand für die Analysen möglich klein halten. Andernfalls würden die Berechnungszeiten so ansteigen, dass ein sinnvoller Einsatz des Prognosetools in der schnelllebigen Praxis nicht mehr möglich ist.

Forschung für und mit Praxispartnern

Im Projekt arbeitet das Fraunhofer-Team eng mit den beiden Logistik- und Transportdienstleistern BLG Logistics Group AG & Co. KG und der Schmahl & Stoepel GmbH zusammen. Ziel ist es, die Leerkapazitäten der Speditionen um fünfzehn Prozent zu verringern. Im Bereich der Softwareentwicklung beteiligen sich an dem Projekt zudem Softwarespezialist*innen für Tourenplanung der Optitool GmbH. Ein Prototyp soll bereits im Herbst 2022 zur Verfügung stehen. Danach ist ein Einsatz in den beteiligten sowie weiteren Speditionsunternehmen geplant, um die Leistungsfähigkeit des neuen Prognose- und Empfehlungstools in der Praxis zu bestätigen.

(stw)

Keine Kommentare vorhanden

Das Kommentarfeld darf nicht leer sein
Bitte einen Namen angeben
Bitte valide E-Mail-Adresse angeben
Sicherheits-Check:
Zwei + = 5
Bitte Zahl eintragen!
image description
Experte
Alle anzeigen
Benedikt Sonnleitner
  • Fraunhofer-Institut für Integrierte Schaltungen IIS
Weitere Artikel
Alle anzeigen
»Die Verantwortung muss beim Menschen bleiben.« 
CoBot
Meine Empfehlung
Stellenangebote
Alle anzeigen