« Forschungslandschaft: Projekte

In den letzten Jahren hat sich ein Paradigmenwechsel bei den städtischen Logistikdiensten vollzogen: Globale Vernetzung, Urbanisierung, allgegenwärtige Informationsströme und zunehmende Dienstleistungsorientierung machen eine vorausschauende Entscheidungsfindung in Echtzeit erforderlich. Ein markantes Beispiel sind Logistikdienstleister: Serviceversprechen wie die Lieferung von Mahlzeiten am selben Tag oder im Restaurant, Dial-a-Ride und Notfallreparaturen zwingen Logistikdienstleister dazu, die künftige Nachfrage zu antizipieren, sich an Echtzeit-Verkehrsinformationen anzupassen oder sogar unbekannte Crowdsourcer einzubinden, um die Erwartungen der Kunden zu erfüllen. Um die Herausforderungen solcher Dienste zu meistern, sind datengesteuerte, vorausschauende Ansätze erforderlich. Sie versprechen, die Kundenzufriedenheit durch genaue Vorhersagen (z. B. durch überwachtes Lernen), verbesserte Flottensteuerung (z. B. durch verstärkendes Lernen) und Identifizierung von Nachfragemustern und Lieferszenarien (z. B. durch unüberwachtes Lernen) zu verbessern. Im Rahmen dieses Forschungsprojekts kombinieren wir die jüngsten Fortschritte im Bereich des maschinellen Lernens mit etablierten Methoden aus dem Operations Research, um die aktuellen Herausforderungen in der städtischen Logistik zu bewältigen.