Algorithmen zur Tonnagevorhersage im speditionellen Nahverkehr. Künstliche Intelligenz für den konkreten Anwendungsfall

Inhaltsverzeichnis

• I. Abstract
• II. Inhaltsverzeichnis
• III. Abbildungsverzeichnis
• IV. Tabellenverzeichnis
• V. Abkürzungsverzeichnis
• VI. Stichworte / Catchwords
• Einleitung
• 1.1 Spedition und Logistik im Wandel der Zeit
• 1.2 Der Nahverkehr
• 1.3 Logistik 4.0
• 1.4 Problemstellung
• 1.5 Forschungsfrage und Zielgruppe
• 1.6 Methodik
• 1.7 Motivation
• 2 Grundlagen des Machine Learning
• 2.1 Vorhersagemodelle
• 2.2 Datenbasis
• 2.3 Faktoren für die Berechnung
• 3 Datenbasis
• 3.1 Quelle
• 3.2 Quelldaten: Untersuchung und Bereinigung
• 3.3 Merkmale
• 3.4 Modellierung der unabhängigen Variablen
• 3.5 Identifizierung von unvorhersehbaren Ereignissen
• 3.6 Datenaufbereitungszyklus
• 4 Algorithmen
• 4.1 Lineare Modelle (Regressionsanalyse)
• 4.1.1 Lineare Regression: Trendanalyse / Zeitreihenanalyse
• 4.1.2 Multiple lineare Regression
• 4.1.3 Ridge-Regression
• 4.2 K-nächste Nachbarn
• 4.3 Entscheidungsbäume
• 4.3.1 Random Forests
• 4.3.2 Gradient Boosting
• 4.4 Neuronale Netze
• 5 Vergleich / Auswertung
• 6 Anwendung in der Praxis
• 7 Fazit
• 8 Ausblick

Zielsetzung und Themenschwerpunkte

Die Bachelorarbeit befasst sich mit der Anwendung von Algorithmen aus dem Bereich der Künstlichen Intelligenz (KI) zur Vorhersage der Tonnage im speditionellen Nahverkehr. Ziel ist es, den bestmöglichen Algorithmus für diesen Anwendungsfall zu identifizieren und dessen Einsatz in der Praxis zu untersuchen.

• Digitalisierung in der Logistik
• Machine Learning und dessen Funktionsweise
• Entwicklung einer Datenbasis für die Vorhersage
• Anwendung verschiedener Algorithmen zur Tonnagevorhersage
• Vergleich und Bewertung der Algorithmen

Zusammenfassung der Kapitel

Die Arbeit beginnt mit einer Einführung in die Speditions- und Logistikbranche im Wandel der Zeit, dem Nahverkehr und der Entwicklung von Logistik 4.0. Die Problemstellung wird erläutert und die Forschungsfrage formuliert. Anschließend werden Grundlagen des Machine Learning und dessen Funktionsweise erläutert. Im Hauptteil wird eine Datenbasis erstellt, die Auftragsdaten der letzten zwei Jahre enthält und nach Kalenderwochen gegliedert ist. Verschiedene Algorithmen werden auf diese Datenbasis angewendet, um die Tonnage der Folgewoche vorherzusagen. Die verschiedenen Algorithmen werden im Anschluss verglichen und der bestgeeignete für den Anwendungsfall ausgewählt.

Schlüsselwörter

Künstliche Intelligenz, Logistik, Nahverkehr, Spedition, Logistik 4.0, Industrie 4.0, Machine Learning, Tonnagevorhersage, Algorithmen, Datenbasis.