EP1741052A1 - Verfahren und systeme zur optimierung von beförderungsaufgaben - Google Patents

Verfahren und systeme zur optimierung von beförderungsaufgaben

Info

Publication number
EP1741052A1
EP1741052A1 EP05715088A EP05715088A EP1741052A1 EP 1741052 A1 EP1741052 A1 EP 1741052A1 EP 05715088 A EP05715088 A EP 05715088A EP 05715088 A EP05715088 A EP 05715088A EP 1741052 A1 EP1741052 A1 EP 1741052A1
Authority
EP
European Patent Office
Prior art keywords
optimizing
dependent
tasks according
transportation
probabilities
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP05715088A
Other languages
English (en)
French (fr)
Inventor
Ingo Prof. Dr. Morgenstern
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of EP1741052A1 publication Critical patent/EP1741052A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • G08G1/096844—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route where the complete route is dynamically recomputed based on new data

Definitions

  • the invention relates to methods and systems for optimizing transport tasks, such as, for example, the transportation of goods by forwarding agents or the forward movement of conveyor belts in the manufacture of products.
  • the invention relates to methods and systems for optimizing location- and time-dependent transport and also methods and systems for optimal utilization of traffic networks and for reducing costs in transport tasks and production line production.
  • the information such as traffic information
  • the information does not really solve the problem, even if it is transmitted correctly so that an actual traffic jam can be avoided.
  • Bypassing a traffic jam can resolve it faster, but those who bypass the reported traffic jam often create a new traffic jam on the bypass route, so that the individual user of the traffic information is not really helped with the latter. He wants to avoid a traffic jam and ends up in the next traffic jam.
  • the invention provides a method for optimizing transportation tasks, wherein at least one location-dependent transportation parameter is recorded, wherein probabilities are determined for the at least one location-dependent transportation parameter that are used as a basis for the optimization of the transportation task.
  • the optimization of the transport task is taken as a basis.
  • the probabilities of the at least one location-dependent transportation parameter are used as the basis for the transportation task in the form of an error bar, and / or that the probabilities or possibly error bars are continuously updated or improved with inclusion of the at least one location-dependent transportation parameter ,
  • a preferred development consists in that a temporal variation or dependency of the at least one location-dependent transport parameter is recorded, and for this purpose time-dependent probabilities are determined which are instead of the at least one location and time-dependent given transport parameter or in addition to the at least one location and time-dependent given transportation parameters of the transportation task.
  • a probability distribution is determined from a plurality of probabilities, which is used as the basis for the transport task instead of the location-specific and time-dependent given transport parameter or in addition to the location-specific and time-dependent given transport parameter.
  • the location-dependent transportation time is recorded as the at least one location-dependent transportation parameter.
  • a preferred embodiment of the invention consists in that the ascertained probabilities or, if applicable, the ascertained probability distribution are used as a basis for route optimization.
  • This can be further developed by using time-dependent probabilities for the travel times, which are constantly adapted to the current traffic situations, with preference being given to adapting the time-dependent probabilities to the current traffic situation via satellite-based systems, and / or preferably adapting the time-dependent ones Probabilities of the current traffic situation contains a damping factor that prevents chaotic behavior.
  • tellite-based data from road toll systems are used, and / or that inaccurate, noisy GPS data are used to create the time-dependent probabilities, and / or that a cost function is expanded for optimization by a risk term that reflects the time-dependent probability distributions for the travel times, and / or that to optimize the probability distributions for the total travel times Total costs are calculated.
  • a further preferred embodiment includes that physical, stochastic, genetic algorithms and / or the savings algorithm are used for optimization. Alternatively or additionally, an analog optimization with probability distributions can be used.
  • a bouncing method is used for optimization.
  • Simulated Annealing, Threshold Accepting, Great Deluge (deluge) genetic algorithms, savings algorithms with or without subsequent bouncing are used.
  • a preferred further development of these variants consists in that a bombshell method is used for the optimization, wherein in the context of the bombshell method in particular random coordinates are generated with a random generator, a radius around each coordinate point is determined or determined or generated , in particular generated by the random generator, and only the sections of the transport route or possibly the tour lying within these radii will be optimized with the bouncing method. This can be further developed by the random generator constantly changing new random coordinates and / or radii
  • a risk assessment is included, the risk assessment in particular being carried out using the "value-at-risk” method.
  • the method for optimizing transportation tasks can also provide for the Search Space Smoothing method to be optimized with or without threshold and / or low-temperature simulated annealing processes.
  • a small threshold can be used when using threshold acceptance or a threshold method.
  • the stated goal is also achieved with a system for optimizing transport tasks, wherein detection devices are provided for recording at least one location-dependent transport parameter and information devices which are designed to provide users with inclusion of the at least one location-dependent transport parameter via an optimization possibility of the transport task inform, and furthermore calculation devices are provided which are designed to determine probabilities for the at least one location-dependent transport parameter, and wherein the information devices are designed to inform users, including the probabilities, of an optimization possibility of the transport task.
  • 1 shows by way of example an explanatory and illustrative traffic flow forecast for Kunststoff at 10:00 p.m.
  • 2 shows by way of example an explanatory and illustrative traffic flow forecast for Kunststoff at 9:00 a.m.
  • FIG. 4 shows, by way of example, a probability distribution for the travel time of the route according to FIG. 3 at a specific time, but different with respect to the representation in FIG. 3,
  • 11 shows an example of a risk component calculated as a value-at-risk in the total cost function
  • FIG. 13 shows a schematic representation to represent the installation of various components at different stations of an assembly line
  • time-dependent probability distributions are used in the exemplary embodiment dealt with here, which are constantly adapted to the current traffic situation with the aid of, in particular, satellite-based systems.
  • the exemplary embodiment of the method and system for optimizing transport tasks which is considered in more detail here, circumvents this difficulty.
  • the adjustment takes place automatically.
  • the procedure in the present exemplary embodiment is as follows:
  • Satellite data is a kind of feedback of the system or an actual-target comparison.
  • the system regulates itself and approaches the optimum, ie the system and thus the process is capable of learning or self-learning.
  • This regulation is the fundamental advantage of the new procedure.
  • a damping factor can prevent tendencies towards chaotic behavior or vibrational behavior.
  • the damping factor determines the degree to which the old satellite data are replaced by new ones.
  • the measurement accuracy is of less importance than in legally usable data structures such as toll systems. This means that the current GPS data can be used with the known accuracy because, as mentioned, the creation of probabilities has a certain fault tolerance.
  • an essential component of this exemplary embodiment of the system and method for optimizing transport tasks is the influence of the distributions on the driving behavior of the users. Based on the assumption that truck traffic is an essential factor in the flow of traffic, truck tour planning is of the utmost importance.
  • the previous route planning and optimization relates to purely deterministic data, e.g. B. from A to B exactly 60 minutes. It is therefore not possible to include traffic congestion.
  • the method and system for optimizing transport tasks in accordance with the exemplary embodiment concerned in the present case includes route optimization which is based on the time-dependent probability distributions for the travel times from A to B mentioned.
  • the distribution for an entire tour can be calculated for this in physical, stochastic or genetic algorithms. This procedure is time-consuming and must be replaced in the case of short response times or short-term required responses by treating the moments of the distribution.
  • the simplest method is the use of the average travel time and the standard deviation, i. H. the error bar. On this
  • system can also be implemented on other modes of transport or their network.
  • a generalization of the exemplary embodiment dealt with above consists in the application of the probability-oriented optimization to production processes.
  • a sub-process no longer takes 10 minutes deterministically, but the corresponding probability distribution becomes the basis of the optimization. This results in an application of the new method to almost all cases of deterministic optimization.
  • a further exemplary embodiment is now discussed, which relates to a method and system for optimizing transport tasks with a learning ability.
  • This new method and system is based on inventive findings in algorithm generation, which make it possible to include time-dependent probabilities in route optimization. These time-dependent probabilities are based on measurements of the traffic flow. The ability to learn is based on a target-actual comparison with the measured data.
  • Truck traffic is influenced in such a way that the main reasons for traffic jams are eliminated.
  • the overall system is of great economic benefit, which will only increase if the most extensive possible introduction is achieved. For individual users, such as freight forwarding companies, there is an improvement in the business situation even with isolated introduction, since they can adapt to the traffic situation optimally. Some of the required traffic data is already available.
  • Route planning can be relevant to two criteria in particular: the expected journey time and the travel costs. By balancing these two factors, each weighted according to his personal needs, he will ultimately make the decision for a specific mode of transport and a specific route.
  • a freight forwarding company that has to send its trucks to certain destinations in order to fulfill customer orders and wants to plan the trips of its trucks for this purpose, faces a much more difficult problem. As far as the loading capacities of the trucks allow, several destinations should be approached in one trip for cost reasons, ie the trucks are usually on longer trips. In addition, the company can provide additional tours for a truck after returning from the first tour. The more you want to reduce downtimes at the fleet location, for example in order to achieve a good utilization of the vehicles, the more important it is to calculate the time required for each individual tour, which is made up of the travel times and length of stay at the customer. This scheduling becomes even more critical when you consider that most jobs need to be completed within one or more time slots.
  • the freight forwarding company is therefore faced with the task of distributing the individual customer orders in a suitable manner to the trucks in their own fleet and combining them into tours, and ensuring that the destinations are in the best order for each tour. So it has to draw up an extensive tour schedule for the near future. In practice, other restrictions are sometimes to be observed, for example because not every truck is suitable for every job.
  • the travel time for any journey from A to B can only be calculated as a first approximation from the route length, the type of road (highway, federal road, country road, etc.), the (legally permitted) speed of the vehicle and other factors that are constant over time. Your own progress in traffic is often hampered by the presence of other road users. If a particularly large number of road users are on the road, there may even be a standstill, i.e. a traffic jam. As a result, the travel time can be predicted more precisely if one includes data on the expected traffic volume includes his planning. In heavy traffic, so there is a risk of traffic jams, the average speed of the vehicles will probably have to be corrected slightly downwards.
  • the travel costs are initially the same as the travel times - at least if you assume operating costs per time.
  • additional costs which are proportional to the route length and depending on vehicle characteristics.
  • traffic control is also possible via it. For example, one could abolish the Sunday driving ban and charge increased tolls to compensate for these days.
  • control the traffic according to the time of day by trying to relieve the highways in favor of car traffic at higher times and at the same time create an incentive for driving at night with low fees. Perhaps this could lead to more balanced utilization of road capacities.
  • the travel time for each road connection should therefore be given in the form of a time-dependent distribution.
  • Such distributions are obtained by statistical analysis of measured traffic data. The greater the fluctuations in the measured travel times, the broader the distribution for the travel time. The average of this distribution is the average journey time. Their width can be viewed as a measure of the blurring or inaccuracy of the travel time and should also be taken into account when planning the tour.
  • the shipping company can decide to what extent it wants to reduce the risk and accept higher costs.
  • an independent tour planning program for implementing the method according to the invention and as part of a system according to the invention for optimizing transport tasks can be brought onto the market, which competes with the established programs, but can Invention can also be incorporated into already established route planning programs, systems and procedures.
  • traffic forecasts that have already been determined in the invention.
  • a connection to existing digital map material is also possible.
  • existing, in particular comprehensive, reliable recordings of traffic flow information can be included.
  • Such data and information, regardless of whether they already exist or are yet to be obtained, are preferably from several different sources, such as.
  • truck traffic on highways in Germany is used.
  • this assumed exemplary situation can also be generalized for all roads and also for only or with the inclusion of cars.
  • a toll system such as, for. B. Toll-Collect in Germany
  • GPS is used here, the basics of which are assumed to be generally known and therefore are no longer explained separately here
  • data is collected in a central computer about the time when a certain truck drives on a certain section of the motorway. The travel time for the section is then calculated from this.
  • a histogram is created for different times of the day, days of the week, different seasons, etc. In turn, these histograms are used to create probability distributions, which are entered into a traffic forecast program and compared with reality. From this one obtains probability information for the "truth content" and thus a probability distribution. For example, route plans can be created based on such probability distributions.
  • Route planning - definition A tour planning exists if a forwarding agency specifies driving parameters with only one order (only one truck), up to the case that a forwarding agency with a certain number of trucks that have a certain number of orders have to carry out the entire fleet and all orders in plans, organizes and / or manages in an optimizing manner.
  • tours therefore include a single truck that travels from Frankfurt to Kunststoff, for example, but also a complex fleet, such as for fuel oil export.
  • the inventive step in the present exemplary embodiment again consists in the fact that instead of a deterministic statement about a travel time from A to B, a probability statement is made according to the invention as before.
  • Optimization methods are also implemented, such as physical methods, e.g. Simulated annealing, threshold acceptance, Great Deluge (deluge), genetic algorithms, savings algorithms with or without subsequent bouncing ("bouncing" method) (one takes the solution, for example, of the savings algorithm as a starting configuration for the bouncing method, which later is described in more detail).
  • Savings algorithms alone provide rather inadequate solutions, so that an improvement with bouncing based on a physical algorithm (simulated annealing, etc.) is preferably provided and achieved, which means optimization with probabilities.
  • the result is a probability distribution for the total costs, for which an illustrative example is shown in FIG. 5.
  • a risk assessment is preferably carried out with
  • Such situations can be calculated using the probability distributions created as above.
  • the relationship between traffic density on the one hand and travel times or speeds on the other hand is used, as is already known as a procedure.
  • Other design options are to change the (time-dependent) toll depending on the effect achieved, such as: B. Gradually increasing slowly, etc.
  • the system and method according to the invention enables a evasion of predicted problem cases (traffic jams, etc., high traffic volume, etc.), that is to say a greater deviation from the normal case.
  • the toll can preferably be designed in such a way that trucks avoid these vulnerable points.
  • Control can take place, for example, by e.g. B. lower toll if a certain section is not traveled at a certain time, or a higher toll for vulnerable areas.
  • the greatest advantage of the method and system according to the invention for optimizing transport tasks is learning ability. This is very much supported when trucks are based on predicted probabilities.
  • online data real-time data
  • online data real-time data
  • the aspect of the system and method according to the invention specifies probabilities and the online data indicate the reality. So z. For example, it can also be taken into account that a traffic jam is actually at one point, although only a low probability of traffic jam was determined for this point.
  • Truck forwarding agencies in Germany are essentially equipped with route planning systems. Almost all of these are based on savings algorithms, generally at different levels. For example, this is done as follows: First, customers are distributed to trucks. Then the overall situation is optimized. This is followed by a partial splitting off of constraints, theoretically according to the principle: "Devide and loose" (first customers on a truck and then planning a tour). This results in a deviation from the total optimum of z. B. five percent depending on the complexity of the tour planning.
  • the invention is replaced by or supplemented with new algorithms.
  • the consideration of the probability distributions only brings additional improvement in "bouncing", i.e. Savings solution.
  • the probability distributions are preferably taken into account as a function of time. This time dependency naturally also applies to the mean values. This enables a simplified procedure to be obtained: Instead of entire probability distributions, only error bars are used / taken into account, e.g. B. in simulated annealing or analogously in other methods. An exemplary explanatory mathematical representation thereof as a representation of a tour is shown in FIG. 8. Significant progress compared to pure simulated annealing is that the time dependency and the error bars are taken into account.
  • T stands for the virtual temperature temperatures in simulated annealing or threshold, as is common in physical optimization processes.
  • a subspecies of the bouncing process is the so-called bombshell process.
  • Bouncing e.g. For example, to carry out an entire map, "bomb funnels" are set: only what is in it is bounced. That is, e.g. B. generates a random generator random coordinates and a radius around each such coordinate point, d. H. so-called "bomb funnels". Only the sections of the tour that lie within these radii are optimized with the bouncing method. In other words, a change in the tour in optimization processes only takes place within these radii, and thus bouncing, as indicated, only within the funnel. Random generator funnels are always being generated until the desired result is achieved, especially until no further improvements can be obtained.
  • Another suitable optimization method is search space smoothing.
  • the smoothing parameter is changed in the same way as the temperature, ie switching as in bouncing of the improved search space smoothing, and thus the same procedure as in bouncing, only with changes in the smoothing parameters: ever greater change, analogous to bouncing; Combination with bombshell processes means only changing the funnels.
  • An essential aspect of the exemplary embodiments dealt with above and the invention in this context is the inclusion of the error bars or the probability distribution and / or the time dependence in optimization methods. Further advantageous and preferred configurations relate to bouncing, bombshell and improved search space smoothing.
  • the sequence of vehicles on an assembly line is used for an exemplary embodiment.
  • a wide variety of components are installed at different stations, as the schematic illustration in FIG. 13 illustrates.
  • a type j rear-view mirror is installed at installation location i.
  • a cantilever or a probability distribution is obtained. H. you get probability distributions for all installation locations and installation types: distribution for each individual type; Type for everyone
  • Usual changes to the configuration (order) can be based on known methods (simulated annealing, etc., but also genetic algorithms).
  • the introduction of the probabilities and in particular the time-dependent probabilities is also advantageous here.
  • the belt does not only move further by one station if the longest assembly time on a station tion has expired, and the function is not such that the belt is moved intermittently according to the longest time, but the assembly or production belt runs continuously at a suitable average speed.
  • search space smoothing also represents a further improvement in the solutions already created / described, and also in somewhat different methods, so that this is a fundamental aspect of the invention with also independent inventive step.
  • search space smoothing also represents a further improvement in the solutions already created / described, and also in somewhat different methods, so that this is a fundamental aspect of the invention with also independent inventive step.

Landscapes

  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Optimierung von Beförderungsaufgaben, wobei we­nigstens ein ortsabhängig gegebener Beförderungsparameter erfasst wird, und wobei für den wenigstens einen ortsabhängig gegebenen Beförderungsparameter Wahrscheinlichkeiten er­mittelt werden, die der Optimierung der Beförderungsaufgabe zu Grunde gelegt werden. Fer­ner betrifft die Erfindung ein System zur Optimierung von Beförderungsaufgaben, wobei Er­fassungseinrichtungen zum Erfassen wenigstens eines ortsabhängig gegebenen Beförderungs­parameters und Informationseinrichtungen vorgesehen sind, die ausgelegt sind, Anwender un­ter Einbeziehung des wenigstens einen ortsabhängig gegebenen Beförderungsparameters über eine Optimierungsmöglichkeit der Beförderungsaufgabe zu informieren, und wobei Kalkulati­onseinrichtungen vorgesehen sind, die ausgelegt sind, für den wenigstens einen ortsabhängig gegebenen Beförderungsparameter Wahrscheinlichkeiten zu ermitteln, und wobei die Infor­mationseinrichtungen ausgelegt sind, Anwender unter Einbeziehung der Wahrscheinlichkeiten über eine Optimierungsmöglichkeit der Beförderungsaufgabe zu informieren.

Description

Verfahren und Systeme zur Optimierung von Beförderungsaufgaben
Beschreibung
Die Erfindung betrifft Verfahren und Systeme zur Optimierung von Beförderungsaufgaben, wie beispielsweise Transporten von Waren durch Speditionen oder auch von Vorwärtsbewegung von Fliessbändern bei der Herstellung von Produkten. Insbesondere betrifft die Erfindung Verfahren und Systeme zur Optimierung von orts- und zeitabhängigen Beförderungen und auch Verfahren und Systeme zur optimalen Auslastung von Verkehrsnetzen sowie zur Kostenverringerung bei Transportaufgaben und Fliessbandproduktion.
Gegenwärtig sind aus der Praxis Verfahren und Systeme zur Optimierung von orts- und zeitabhängigen Beförderungen, wie beispielsweise Transporten von Waren durch Speditionen, bekannt, wobei Ist-Daten erfasst und über Kommunikationseinrichtungen Nutzern zur Verfü- gung gestellt werden. Damit können beispielsweise tatsächlich vorhandene Staus umfahren werden, wenn die Informationen rechtzeitig erhalten werden. Es kommt dabei aber häufig dazu, dass die Informationen zu spät erhalten werden, so dass eine Umfahrung eines tatsächlich vorhandenen Staus nicht mehr möglich ist. Ein anderes Problem besteht darin, dass die Information auch dann noch weitergegeben wird, wenn der Stau nicht mehr existiert, so dass dann unnötig eine Umfahrung und damit ein größerer Aufwand erfolgt.
Die Informationen, wie beispielsweise Verkehrsinformationen, sorgen aber auch dann, wenn sie zutreffend übermittelt werden, so dass ein tatsächlicher Stau umfahren werden kann, nicht wirklich zur Lösung des Problems. Durch die Umfahrung eines Staus kann sich dieser zwar schneller auflösen, diejenigen aber, die den gemeldeten Stau umfahren, erzeugen auf der Umgehungsstrecke aber oft wieder einen neuen Stau, so dass dem einzelnen Nutzer der Verkehrsinformationen mit letzteren nicht wirklich geholfen ist. Er will einen Stau umgehen und landet im nächsten Stau.
Die bekannten Verfahren und Systeme leiden daher daran, dass sie keine Optimierung bewirken, sondern selbst wieder Probleme und unnötigen Aufwand erzeugen.
Es ist daher das Ziel der vorliegenden Erfindung, Verfahre und Systeme zu schaffen, um damit orts- und zeitabhängige Beförderungen zu optimieren. Dieses Ziel wird mit einem Verfah- ren nach dem Anspruch 1 sowie einem System nach dem Anspruch 29 erreicht. Demnach schafft die Erfindung ein Verfahren zur Optimierung von Beförderungsaufgaben, wobei wenigstens ein ortsabhängig gegebener Beförderungsparameter erfasst wird, wobei für den wenigstens einen ortsabhängig gegebenen Beförderungsparameter Wahrscheinlichkeiten ermittelt werden, die der Optimierung der Beförderungsaufgabe zu Grunde gelegt werden.
Vorzugsweise ist vorgesehen, dass zusätzlich zu den ermittelten Wahrscheinlichkeiten der Beförderungsparameter der Optimierung der Beförderungsaufgabe zu Grunde gelegt wird. Alternativ oder zusätzlich kann vorgesehen sein, dass die Wahrscheinlichkeiten des wenigstens einen ortsabhängig gegebenen Beförderungsparameters der Beförderungsaufgabe in Form eines Fehlerbalkens zu Grunde gelegt werden, und/oder dass die Wahrscheinlichkeiten oder ggf. Fehlerbalken unter Einbeziehung des wenigstens einen ortsabhängig gegebenen Beförderungsparameters kontinuierlich aktualisiert oder verbessert werden.
Eine bevorzugte Weiterbildung besteht darin, dass eine zeitliche Variation oder Abhängigkeit des wenigstens einen ortsabhängig gegebenen Beförderungsparameters erfasst wird, und dass dafür zeitabhängige Wahrscheinlichkeiten ermittelt werden, die statt des wenigstens einen orts- und zeitabhängigen gegebenen Beförderungsparameters oder zusätzlich zu dem wenigstens einen orts- und zeitabhängigen gegebenen Beförderungsparameter der Beförderungsaufgabe zu Grunde gelegt werden.
Ferner kann mit Vorzug vorgesehen sein, dass aus mehreren Wahrscheinlichkeiten eine Wahrscheinlichkeitsverteilung ermittelt wird, die statt des orts- und insbesondere zeitabhängigen gegebenen Beförderungsparameters oder zusätzlich zu dem orts- und insbesondere zeitabhängigen gegebenen Beförderungsparameter der Beförderungsaufgabe zu Grunde gelegt wird.
Es ist ferner bevorzugt, wenn als der wenigstens eine ortsabhängig gegebene Beförderungsparameter die ortsabhängige Beförderungszeit erfasst wird.
Eine vorzugsweise Ausgestaltung der Erfindung besteht darin, dass die ermittelten Wah- rscheinlichkeiten oder ggf. die ermittelte Wahrscheinlichkeitsverteilung zur Tourenoptimierung zu Grunde gelegt werden. Dies kann dadurch weitergebildet sein, dass zeitabhängige Wahrscheinlichkeiten für die Fahrzeiten herangezogen werden, die ständig den aktuellen Verkehrssituationen angepasst werden, wobei mit Vorzug die Anpassung der zeitabhängigen Wahrscheinlichkeiten an die aktuelle Verkehrssituation über satellitengestützte Systeme er- folgt, und/oder bevorzugt die Anpassung der zeitabhängigen Wahrscheinlichkeiten an die aktuelle Verkehrssituation einen Dämpfungsfaktor enthält, der chaotisches Verhalten verhindert. Gemäß anderen Weiterbildungen dieser Ausgestaltung ist insbesondere vorgesehen, dass sa- tellitengestützte Daten von Streckenmautsystemen verwendet werden, und/oder dass auch ungenaue verrauschte GPS-Daten zur Erstellung der zeitabhängigen Wahrscheinlichkeiten verwendet werden, und/oder dass zur Optimierung eine Kostenfunktion um einen Risikoterm erweitert wird, der die zeitabhängigen Wahrscheinlichkeitsverteilungen für die Fahrzeiten reflektiert, und/oder dass zur Optimierung die Wahrscheinlichkeitsverteilungen für die Gesamtfahrzeiten bez. Gesamtkosten berechnet werden.
Erfindungsgemäß kann auch vorgesehen sein, zur Optimierung die Momente der zeitabhängigen Wahrscheinlichkeiten für Taktzeiten von Produktionsprozessen heranzuziehen.
Eine weitere bevorzugte Ausgestaltung beinhaltet, dass zur Optimierung physikalische, stochastische, genetische Algorithmen und/oder der Savings- Algorithmus herangezogen werden/wird. Alternativ oder zusätzlich kann eine analoge Optimierung mit Wahrscheinlichkeitsverteilungen herangezogen werden.
Es ist ferner bevorzugt, wenn statt deterministischer Daten Wahrscheinlichkeitsverteilungen verwendet werden.
Eine andere Weiterbildung der Erfindung besteht darin, dass zur Optimierung ein Bouncing- Verfahren verwendet wird. Alternativ oder zusätzlich kann bei dem erfindungsgemäßen Verfahren vorgesehen sein, dass zur Optimierung Simulated Annealing, Threshold Accepting, Great Deluge (Sintflut), genetische Algorithmen, Savings- Algorithmen mit oder ohne nachgeschaltetem Bouncing verwendet werden. Eine vorzugsweise Weiterbildung dieser Varianten besteht darin, dass zur Optimierung ein Bombshell- Verfahren verwendet wird, wobei insbe- sondere im Rahmen des Bombshell- Verfahrens mit einem Random-Generator Random-Koordinaten erzeugt werden, ein Radius um jeden Koordinatenpunkt festgelegt oder ermittelt oder erzeugt wird, insbesondere von dem Random-Generator erzeugt wird, und nur die innerhalb dieser Radien liegende Teilstücke des Beförderungsweges oder ggf. der Tour werden mit dem Bouncing- Verfahren optimiert werden. Dies kann noch dadurch weitergebildet werden, dass von dem Random-Generator immer wieder neue Random-Koordinaten und/oder Radien um
Random-Koordinaten erzeugt werden.
Ferner ist es bevorzugt, wenn eine Risikoabschätzung enthalten ist, wobei insbesondere die Risikoabschätzung nach dem "Value-at-Risk" -Verfahren erfolgt.
In Weiterbildung der Erfindung kann bei dem Verfahren zur Optimierung von Beförderungsaufgaben ferner vorgesehen sein, dass zur Optimierung Search Space Smoothing Verfahren mit oder ohne Threshold und/oder Tieftemperatur Simulated Annealing Verfahren verwendet werden. Alternativ oder zusätzlich kann bei Verwendung von Threshold Accepting oder eines Threshold- Verfahrens ein kleiner Threshold verwendet werden.
Das genannte Ziel wird erfindungsgemäß auch mit einem System zur Optimierung von Beförderungsaufgaben erreicht, wobei Erfassungseinrichtungen zum Erfassen wenigstens eines ortsabhängig gegebenen Beförderungsparameters und Informationseinrichtungen vorgesehen sind, die ausgelegt sind, Anwender unter Einbeziehung des wenigstens einen ortsabhängig gegebenen Beförderungsparameters über eine Optimierungsmöglichkeit der Be- förderungsaufgabe zu informieren, und wobei ferner Kalkulationseinrichtungen vorgesehen sind, die ausgelegt sind, für den wenigstens einen ortsabhängig gegebenen Beförderungsparameter Wahrscheinlichkeiten zu ermitteln, und wobei die Informationseinrichtungen ausgelegt sind, Anwender unter Einbeziehung der Wahrscheinlichkeiten über eine Optimierungsmög- lichkeit der Beförderungsaufgabe zu informieren.
Die Ausgestaltungen, Weiterbildungen und Varianten des Verfahrens gemäß den Vorstehenden Angaben und Erläuterungen gelten in analoger Weise auch für das erfindungsgemäße System zur Optimierung von Beförderungsaufgaben, indem Einrichtungen zur Durchführung des Verfahrens zur Optimierung von Beförderungsaufgaben entsprechend diesen vorstehend ange- gebenen und erläuterten Ausgestaltungen, Weiterbildungen und Varianten enthalten und bestimmungsgemäß betreibbar sind.
Verfahrens- und Vorrichtungsmerkmale ergeben sich jeweils analog auch aus Vorrichtungsbzw. Verfahrensbeschreibungen. Aus angegebenen Verfahrensmerkmalen ergeben sich für den Fachmann, falls dies hierin nicht gesondert angegeben ist, ohne weiteres die geeigneten und damit bestimmungsgemäßen Einrichtungen und Vorrichtungen, so dass er für deren Auswahl oder Festlegung bei Kenntnis der Offenbarung der vorliegenden Anmeldung nicht gesondert erfinderisch tätig zu werden braucht.
Bevorzugte und/oder vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den jeweils abhängigen Ansprüchen und deren Kombinationen sowie den gesamten vorliegenden Anmeldungsunterlagen.
Die Erfindung wird anhand von Ausführungsbeispielen nachfolgend unter Bezugnahme auf die Zeichnungen näher erläutert, in denen
Fig. 1 beispielhaft eine erläuternde und illustrative Verkehrsflussprognose für München um 22.00 Uhr zeigt, Fig. 2 beispielhaft eine erläuternde und illustrative Verkehrsflussprognose für München um 9.00 Uhr zeigt,
Fig. 3 beispielhaft eine Wahrscheinlichkeitsverteilungen für die Fahrtzeit einer Strecke zu einer bestimmten Uhrzeit zeigt,
Fig. 4 beispielhaft eine Wahrscheinlichkeitsverteilungen für die Fahrtzeit der Strecke gemäß der Fig. 3 zu einer bestimmten, jedoch bezüglich der Darstellung der Fig. 3 anderen Uhrzeit zeigt,
Fig. 5 beispielhaft eine Wahrscheinlichkeitsverteilung für Gesamtkosten zeigt,
Fig. 6 eine illustrative Erläuterung zum "Value-at-Risk" -Verfahren zeigt,
FFiigg.. 77 eine illustrative Erläuterung zum Gradientenverfahren zeigt,
Fig. 8 beispielhaft eine Tour in einer mathematischen Darstellung zeigt,
Fig. 9 beispielhaft eine Risikobewertung mittels Fehlerbalken zeigt,
Fig. 10 beispielhaft eine Gesamtverteilung zur Berechnung von VaR zeigt,
Fig. 11 beispielhaft einen Risiko- Anteil in der Gesamtkostenfunktion als Value-at-Risk berechnet zeigt,
Fig. 12 eine beispielhafte erläuternde Skizze zum Simulated Annealing zeigt,
Fig. 13 eine schematische Darstellung zur Repräsentation des Einbauens verschiedenster Bauteile an verschiedenen Stationen eine Montagebandes zeigt, und
Fig. 14 beispielhaft und schematisch die Gesamtwahrscheinlichkeit für den Einbau aller Teile in vorgegebener Reihenfolge der Fahrzeuge zeigt.
Anhand der nachfolgend beschriebenen und in den Zeichnungen dargestellten Ausführungsund Anwendungsbeispiele wird die Erfindung lediglich exemplarisch näher erläutert, d.h. sie ist nicht auf diese Ausführungs- und Anwendungsbeispiele oder auf die jeweiligen Merkmals- kombinationen innerhalb einzelner Ausführungs- und Anwendungsbeispiele beschränkt. Verfahrens- und Vorrichtungsmerkmale ergeben sich jeweils analog auch aus Vorrichtungs- bzw. Verfahrensbeschreibungen.
Einzelne Merkmale, die im Zusammenhang mit konkreten Ausführungsbeispielen angeben und/oder dargestellt sind, sind nicht auf diese Ausführungsbeispiele oder die Kombination mit den übrigen Merkmalen dieser Ausführungsbeispiele beschränkt, sondern können im Rahmen des technisch Möglichen, mit jeglichen anderen Varianten, auch wenn sie in den vorliegenden Unterlagen nicht gesondert behandelt sind, kombiniert werden.
Gleiche Bezugszeichen in den einzelnen Figuren und Abbildungen der Zeichnungen bezeichnen gleiche oder ähnliche oder gleich oder ähnlich wirkende Komponenten. Anhand der Darstellungen in der Zeichnung werden auch solche Merkmale deutlich, die nicht mit Bezugszei- chen versehen sind, unabhängig davon, ob solche Merkmale nachfolgend beschrieben sind oder nicht. Andererseits sind auch Merkmale, die in der vorliegenden Beschreibung enthalten, aber nicht in der Zeichnung sichtbar oder dargestellt sind, ohne weiteres für einen Fachmann verständlich.
Zunächst werden Grundprinzipien von erfindungsgemäßen Verfahren und Systemen zur Optimierung von Beförderungsaufgaben anhand eines Ausführungsbeispiels unter Bezugnahme auf die Tourenoptimierung beispielsweise von Speditionen näher erläutert.
Für die Tourenoptimierung werden bei dem vorliegend behandelten Ausführungsbeispiel zeitabhängige Wahrscheinlichkeitsverteilungen herangezogen, die ständig der aktuellen Verkehrssituation mit Hilfe insbesondere satellitengestützter Systeme angepasst werden.
Die Vermeidung von Verkehrsstaus oder sogar eines Verkehrskollapses ist Ziel zahlreicher Bemühungen. In diesem Zusammenhang sind die neuen Mautsysteme wie etwa von "Toll
Collect" in Deutschland zu erwähnen. Grundlegende Idee solcher Mautsysteme ist, durch eine zeitabhängige Maut für LKWs eine Verkehrsbeeinflussung herbeizuführen. Die Problematik liegt in der Festsetzung der zeitabhängigen Maut, da eine genaue Einregulierung nur in "Trial and Error" -Verfahren möglich ist. Ein auf diese Weise reguliertes System kann deshalb zu chaotischem Verhalten neigen.
Das vorliegend näher betrachtete Ausführungsbeispiel von Verfahren und System zur Optimierung von Beförderungsaufgaben umgeht diese Schwierigkeit. Die Einregulierung erfolgt automatisch. Die Vorgehensweise ist beim vorliegenden Ausführungsbeispiel folgende: Die von den LKWs erhobenen Verkehrsdaten, etwa Koordinaten und Zeiten in satellitengestützten
Systemen werden zentral gesammelt. Auf einer zu Grunde liegenden digitalen Landkarte werden für die Straßenabschnitte aus den Koordinaten und dazugehörigen Zeiten zeitabhängige Wahrscheinlichkeitsverteilungen für die Fahrzeiten errechnet. Diese zeitabhängigen Wahrscheinlichkeitsverteilungen werden jedem Verkehrsteilnehmer, wenn möglich sogar kosten- los, zur Verfügung gestellt, z. B. über das Internet oder in Echtzeit über geeignete Informationseinrichtungen in den Fahrzeugen. Die angesprochenen Verteilungen werden ständig aktualisiert und gegebenenfalls neu aufbereitet im Falle neu aufgetretener äußerer Einflüsse (z.B. neue Baustellen etc.). Damit erhält der Nutzer eine Wahrscheinlichkeitsaussage für etwa die Strecke Regensburg - München, Abfahrt Freitag, 9.00 Uhr, usw. Die Beachtung dieser Wahr- scheinlichkeitsaussagen ist nun wichtiger Bestandteil des Gesamtsystems. Die Vermeidung von Strecken mit großer Wahrscheinlichkeit für längere Fahrzeiten zu bestimmten Zeiten führt zu einer Verlagerung der Staus. Durch die Aktualisierung der Verteilungen durch neue Satellitendaten erfolgt eine Art Rückkopplung des Systems bzw. ein Ist-Soll-Vergleich. Damit reguliert sich das System selbst ein und nähert sich dem Optimum an, d.h. das System und damit auch das Verfahren ist lernfähig oder selbstlernend. Diese Einregelung ist der grundlegende Vorteil des neuen Verfahrens. Tendenzen zu chaotischem Verhalten bzw. auch Schwing- verhalten können durch einen Dämpfungsfaktor verhindert werden. Der Dämpfungsfaktor bestimmt das Maß, mit dem die alten Satellitendaten durch neue ersetzt werden.
Zur Durchführung dieses Systems und Verfahrens genügt es, dass nur ein Teil der LKWs mit Messsystemen ausgerüstet ist. Darüber hinaus ist die Messgenauigkeit von geringerer Bedeu- tung als in juristisch verwertbaren Datenstrukturen wie etwa der Mautsysteme. Damit lassen sich die gegenwärtigen GPS-Daten mit der bekannten Genauigkeit durchaus verwenden, da wie angesprochen die Erstellung von Wahrscheinlichkeiten eine gewisse Fehlertoleranz aufweist.
Wesentlicher Bestandteil dieses Ausführungsbeispiels des Systems und Verfahrens zur Optimierung von Beförderungsaufgaben ist, wie oben angesprochen, der Einfluss der Verteilungen auf das Fahrverhalten der Nutzer. Ausgehend von der Annahme, dass der LKW- Verkehr ein wesentliches Faktum für den Verkehrsfluss darstellt, ist die LKW-Tourenplanung von größter Bedeutung.
Die bisherige Tourenplanung bzw. -Optimierung bezieht sich auf rein deterministische Daten, z. B. von A nach B genau 60 Minuten. Damit ist die Einbeziehung von Verkehrsstaus nicht möglich. Das Verfahren und System zur Optimierung von Beförderungsaufgaben gemäß dem vorliegend betroffenen Ausführungsbeispiel beinhaltet eine Tourenoptimierung, die auf den angesprochenen zeitabhängigen Wahrscheinlichkeitsverteilungen für die Fahrzeiten von A nach B beruht. In physikalischen, stochastischen bzw. genetischen Algorithmen kann hierfür die Verteilung für eine gesamte Tour berechnet werden. Dieses Verfahren ist zeitaufwendig und ist im Falle kurzer Antwort-Zeiten oder kurzfristig erforderlicher Antworten durch eine Behandlung der Momente der Verteilung zu ersetzen. Einfachstes Verfahren ist die Verwen- düng der mittleren Fahrzeit und die Standardabweichung, d. h. der Fehlerbalken. Auf dieser
Ebene können auch "einfachere" Optimierungsverfahren wie etwa der Savings- Algorithmus herangezogen werden. Als Endergebnis erhält man in der Optimierung nicht mehr nur die optimale Fahrzeit bzw. die optimalen Kosten, sondern eine mittlere Fahrzeit bzw. mittlere Kosten und eine Risikoabschätzung z. B. etwa mit 10% Wahrscheinlichkeit einer Fahrzeitverlängerung um 30 Minuten etc. Damit kann der Anwender (Spediteur oder Fahrer) zwischen verschiedenen Risikoszenarien wählen. Dies entspricht in etwa analog der Risikoabschätzung für die Portfolio-Erstellung am Aktienmarkt. Ergebnis der Einführung dieser wahr- scheinlichkeitsorientierten Tourenplanung ist, dass LKWs staugefährdete d. h. risikobehaftete Strecken zu den entsprechenden Zeiten meiden können und zum Vorteil aller beteiligten werden. Damit ist das beschriebene System in sich schlüssig. Es wird nach einer Einschwingphase eine möglichst optimale Auslastung des Verkehrsnetzes herbeiführen.
Selbstverständlich ist das System auch auf weitere Verkehrsträger bzw. auch deren Verbund umsetzbar.
Eine Verallgemeinerung des vorstehend behandelten Ausführungsbeispiels besteht in der An- wendung der wahrscheinlichkeitsorientierten Optimierung auf Produktionsprozesse. Ein Teil- prozess dauert nun nicht mehr deterministisch 10 Minuten, sondern die entsprechende Wahrscheinlichkeitsverteilung wird Grundlage der Optimierung. Damit ergibt sich eine Anwendung des neuen Verfahrens auf fast alle Fälle deterministischer Optimierung.
Nun wird auf ein weiteres Ausführungsbeispiel eingegangen, das ein Verfahren und System zur Optimierung von Beförderungsaufgaben mit einer Lernfähigkeit betrifft. Mit diesem lernfähigen Verfahren und System zur Optimierung von Beförderungsaufgaben kann die optimale Auslastung beispielsweise eines Verkehrsnetzes erzielt werden. Dieses neue Verfahren und System basiert auf erfinderischen Erkenntnissen in der Algorithmenerstellung, die es ermögli- chen, zeitabhängige Wahrscheinlichkeiten in eine Tourenoptimierung einzubeziehen. Diese zeitabhängigen Wahrscheinlichkeiten basieren auf Messungen des Verkehrsflusses. Die Lernfähigkeit beruht auf einem Soll-Ist- Vergleich mit den gemessenen Daten. Der LKW- Verkehr wird dahingehend beeinflusst, dass die Hauptgründe für Staus eliminiert werden. Das Gesamtsystem ist von großem volkswirtschaftlichen Nutzen, der sich noch erhöht, wenn eine möglichst flächendeckende Einführung erreicht wird. Für den einzelnen Anwender, wie beispielsweise Speditionsunternehmer, ergibt sich eine Verbesserung der betriebswirtschaftlichen Situation auch schon bei isolierter Einführung, da er sich der Verkehrssituation optimal anpassen kann. Die benötigten Verkehrsdaten sind zum Teil schon jetzt vorhanden.
Für einen gewöhnlichen Verkehrsteilnehmer, der nur von A nach B möchte, werden bei seiner
Routenplanung vor allem zwei Kriterien relevant sein: Die voraussichtlich Fahrzeit und die Fahrtkosten. Indem er diese beiden Faktoren, jeweils gewichtet nach seinen persönlichen Bedürfnissen, gegeneinander aufwiegt, wird er schliesslich die Entscheidung für ein bestimmtes Verkehrsmittel und eine bestimmte Route fällen.
Ein Speditionsunternehmen, welches seine LKW zu bestimmten Zielen hinschicken muss, um die Kundenaufträge zu erfüllen, und zu diesem Zweck die Fahrten seiner LKW planen will, steht vor einem deutlich schwierigeren Problem. Soweit es die Beladungskapazitäten der LKW es zulassen, sollten aus Kostengründen in einer Fahrt gleich mehrere Ziele angefahren werden, d. h. die LKW sind gewöhnlich auf längeren Touren unterwegs. Zudem kann das Unternehmen für einen LKW nach der Rückkehr von der ersten Tour noch weitere Touren vorsehen. Je mehr man die Standzeiten am Fuhrparkstandort verringern will, etwa um eine gute Auslastung der Fahrzeuge zu erzielen, desto wichtiger wird die Berechenbarkeit des Zeitbedarfs für jede einzelne Tour, welcher sich aus den Fahrtzeiten und den Aufenthaltsdauern bei den Kunden zusammensetzt. Diese Zeitplanung wird noch kritischer, wenn man bedenkt, dass die meisten Aufträge innerhalb eines oder mehrerer Zeitfenster zu erledigen sind.
Das Speditionsunternehmen steht somit vor der Aufgabe, die einzelnen Kundenaufträge in geeigneter Weise auf die LKW des eigenen Fuhrparks zu verteilen und zu Touren zusammenzufassen sowie bei jeder Tour auf eine optimale Reihenfolge der Zielorte zu achten. Es muss also einen umfangreichen Tourenplan für die nahe Zukunft aufstellen. In der Praxis sind dabei manchmal weitere Restriktionen zu beachten, etwa weil nicht jeder LKW für jeden Auftrag geeignet ist.
Jedes Speditionsunternehmen ist natürlich darauf bedacht, unnötige Kosten zu vermeiden. Die Voraussetzung für einen insgesamt kostengünstigen Tourenplan, welcher alle Aufträge erfüllt und allen Nebenbedingungen genügt, ist somit auch in diesem Fall die Kenntnis der Fahrtzeiten und Fahrtkosten von allen in Frage kommenden Fahrten. Jedoch ist man bei der Erstellung eines Tourenplans wegen der Komplexität dieser Problematik auf einen unkomplizierten und schnellen Zugriff auf alle relevanten Daten (Fahrzeugeigenschaften, Auftragsdaten, Fahrt- zeit- und Fahrtkostenangaben, usw.) angewiesen, was durch die Verwendung spezieller Tou- renplanungssoftware bereitgestellt werden kann. Will man die Suche nach der besten Lösung gleich ganz dem Computer überlassen, so ist man auf heuristische Optimierungsverfahren angewiesen, da exakte Verfahren wegen der Komplexität überfordert sind.
Zeitabhängigkeit der Streckendaten
Die Fahrtzeit für eine beliebige Fahrt von A nach B kann nur in erster Näherung aus der Strek- kenlänge, dem Straßentyp (Autobahn, Bundesstraße, Landstraße, usw.), der (gesetzlich erlaubten) Geschwindigkeit des Fahrzeugs und anderen zeitlich konstanten Faktoren berechnet werden. Oftmals wird das eigene Vorankommen im Verkehr durch die Anwesenheit anderer Ve- rkehrsteilnehmer behindert. Sind besonders viele Verkehrsteilnehmer auf der Straße unterwegs, kann es sogar zum Stillstand, also zu Stau, kommen. Folglich lässt sich die Fahrtzeit genauer vorhersagen, wenn man Daten über das zu erwartende Verkehrsaufkommen mit in seine Planungen einbezieht. Bei dichtem Verkehr, also bei Staugefahr, wird die Durchschnittsgeschwindigkeit der der Fahrzeuge wohl etwas nach unten zu korrigieren sein. Bei sehr wenig Verkehr, also bei "freier Fahrt", kann man hingegen mit der (zulässigen) Höchstgeschwindigkeit des Fahrzeugs kalkulieren. Da das Verkehrsaufkommen im Laufe ei- nes Tages starken Schwankungen unterliegt, hat man es mit zeitabhängigen Fahrtzeiten zu tun. Ferner kann das Verkehrsaufkommen auf einzelnen Streckenabschnitten ganz unterschiedlich ausfallen. Es ist daher möglich, dass je nach Tageszeit ganz unterschiedliche Routen für die Fahrt von A nach B optimal sind.
Lediglich als illustrative Beispiele sind in den Fig. 1 und 2 Verkehrsflussprognosen für München um 22.00 Uhr bzw. um 9.00 Uhr dargestellt. Diese Darstellung ist soweit selbsterklärend und für jeden Fachmann im Zusammenhang mit der vorliegenden Beschreibung verständlich.
Bei den Fahrkosten verhält es sich zunächst genauso wie mit den Fahrtzeiten - jedenfalls wenn man von Betriebskosten pro Zeit ausgeht. Allerdings muss man ab der Einführung einer Maut für die Fahrt auf manchen Strecken(abschnitten) zusätzliche Kosten einkalkulieren, welche proportional zur Streckenlänge und abhängig von Fahrzeugeigenschaften sind. Es gibt Überlegungen, das Mautsystem, für dessen Einführung zunächst vor allem finanzielle Gründe angeführt werden, so zu erweitern, dass über dieses auch eine Verkehrssteuerung möglich ist. Beispielsweise könnte man das Sonntagsfahrverbot abschaffen und zum Ausgleich an diesen Tagen erhöhte Mautgebühren berechnen. Ebenso denkbar ist eine tageszeitabhängige Ver- kehrssteuerung, indem man mit höheren Gebühren zu Stoßzeiten die Autobahnen zugunsten des PKW- Verkehrs zu entlasten versucht und gleichzeitig mit niedrigen Gebühren einen Anreiz für Nachtfahrten schafft. Dies könnte vielleicht zu einer ausgeglicheneren Auslastung der Straßenkapazitäten führen.
Risiko
Weil Speditionsunternehmen manchmal Terminvereinbarungen einzuhalten haben, kommt zu der angestrebten Minimierung der Fahrtzeiten bzw. Fahrtkosten oft noch der Wunsch hinzu, die mit dem Kunden vereinbarte Ankunftszeit mit möglichst hoher Sicherheit einhalten zu können. Bei solchen Termingeschäften kann man keineswegs davon ausgehen, dass sich auf lange Sicht zu späte und zu frühe Ankunftszeiten in der Kostenbilanz ausgleichen, weil beide Fälle kostenmäßig völlig unterschiedlich zu bewerten sind. Ein Zuspätkommen beim Kunden kann hohe Folgekosten für das Speditionsunternehmen nach sich ziehen. Aus einer zu frühen Ankunft kann es hingegen keinen Nutzen ziehen, wenn der LKW dann nur länger auf seine Abfertigung warten muss. In solchen Fällen stellt es ein großes Risiko dar, beispielsweise am Freitagnachmittag zwischen 13.00 und 15.00 wegen des zähflüssigen Verkehrs von Regensburg nach München zu fahren und sich dabei nur auf die vorhergesagte mittlere Fahrzeit zu verlassen. Man muss in diesem Zusammenhang bedenken, dass die Verkehrsmodelle aus den prognostizierten Verkehrsstärken oft nur eine Stauwahrscheinlichkeit ableiten können - hat man also Glück, kann man zügig durchfahren, hat man Pech, gerät man in einen Stau.
Lediglich als illustrative Beispiele sind in den Fig. 3 und 4 Wahrscheinlichkeitsverteilungen für die Fahrtzeit derselben Strecke zu unterschiedlichen Uhrzeiten dargestellt. Außerhalb der Stoßzeiten, für die ein Beispiel in der Fig. 3 gezeigt ist, ist die mittlere Fahrtzeit niedriger und die Streuung kleiner, wie das Beispiel der Fig. 4 verdeutlicht.
Die Fahrtzeit für jede Straßenverbindung sollte, wenn man keine wichtigen Informationen verlieren will, folglich in Gestalt einer zeitabhängigen Verteilung angegeben werden. Solche Verteilungen erhält man durch eine statistische Auswertung von gemessenen Verkehrsdaten. Je größer die Schwankungen bei den gemessenen Fahrtzeiten sind, desto breiter fällt die Verteilung für die Fahrzeit aus. Der Mittelwert dieser Verteilung ist die mittlere Fahrtzeit. Ihre Breite kann als Maß für die Unscharfe bzw. Ungenauigkeit der Fahrtzeit betrachtet werden und sollte ebenfalls bei der Tourenplanung berücksichtigt werden.
Auf Grundlage dieser Wahrscheinlichkeitsangaben kann man einen Tourenplan aufstellen, bei dem das Risiko gering ist, Terminvereinbarungen nicht einhalten zu können, z. B. indem man geplante Abfahrtszeiten von Touren entsprechend vorverlegt, innerhalb von Touren die Reihenfolge der Ziele verändert, oder für einige Fahrten andere Routen wählt. Das Speditionsunternehmen selber kann entscheiden, in welchem Maße es das Risiko verringern und dafür hö- here Kosten in Kauf nehmen will.
Rückkopplung - lernfähiges System/Verfahren
Der Einsatz der beschriebenen Verfahren wird dazu führen, dass die LKW Straßen mit hoher Stauwahrscheinlichkeit vermeiden werden. In der Folge wird sich der Verkehr auf bisher weniger belastet Regionen und Zeiten verlagern. Dies kann dazu führen, dass neue Staus entstehen. In den nächsten Tourenplanungen werden diese neuen Situationen jedoch berücksichtigt. Damit ergibt sich erneut eine Verlagerung der Verkehrssituation, die wiederum zu einer geänderten Tourenplanung führt. Das System reagiert somit sowohl auf Verbesserungen als auch Verschlechterungen der Gesamtsituation. Damit ergibt sich eine iterative Annäherung an die optimale Ausnutzung des Verkehrsnetzes. Um eine möglichst flächendeckende Anwendung der Erfindung zu erreichen, kann nicht nur ein eigenständiges Tourenplanungsprogramm zur Realisierung des erfindungsgemäßen Verfahrens sowie als Bestandteil eines erfindungsgemäßen Systems jeweils zur Optimierung von Beförderungsaufgaben auf den Markt gebracht werden, das in Konkurrenz zu den etablierten Programmen tritt, sondern kann die Erfindung auch in bereits etablierte Tourenplanungsprogramme, -system und -verfahren eingebaut werden.
Insbesondere ist es möglich, bereits ermittelte Verkehrsprognosen in die Erfindung einzube- ziehen. Ferner ist eine Verbindung zu schon vorhandenem digitalen Kartenmaterial möglich. Weiterhin können schon vorhandene insbesondere flächendeckende, zuverlässige Erfassungen von Verkehrsflussinformationen einbezogen werden. Solche Daten und Informationen, ungeachtet dessen, ob sie schon vorhanden oder noch zu beschaffen sind, sind vorzugsweise aus mehreren unterschiedlichen Quellen, wie z. B. Verkehrszählstellen (beispielsweise landes- oder europaweit), Verkehrsprognosen, digitale Karten, Straßenbauplanungen, etc.
Nachfolgend wird noch ein weiteres Ausführungsbeispiel näher beschrieben.
Herangezogen wird beispielsweise der LKW- Verkehr auf Autobahnen in Deutschland. Diese angenommene exemplarische Situation ist aber auch verallgemeinerbar für alle Straßen und auch für nur oder unter Einbeziehung von PKWs.
Ferner wird bei diesem Beispiel ausgegangen von einem lernfähigen Gesamtsystem, wobei eine Datenerhebung beispielsweise durch ein Mautsystem, wie z. B. Toll-Collect in Deutschland, auf der Basis eines allgemein satellitengestützten Systems erfolgt, wie es zum gegenwär- tigen Zeitpunkt üblich ist. Dabei wird GPS verwendet, dessen Grundlagen als allgemein bekannt vorausgesetzt und daher hier nicht mehr gesondert erläutert werden, und es werden in einem Zentralrechner Daten über den Zeitpunkt gesammelt, wenn ein bestimmter LKW einen gewissen Autobahnabschnitt befährt. Daraus wird dann die Reisezeit für den Abschnitt berechnet. Für verschiedene Tageszeiten, Wochentage, unterschiedliche Jahreszeiten etc. wird jeweils ein Histogramm erstellt. Aus diesen Histogrammen wiederum werden Wahrscheinlichkeitsverteilungen erstellt, die in ein Verkehrsprognoseprogramm eingegeben und mit der Realität verglichen werden. Daraus erhält man Wahrscheinlichkeitsangaben für den "Wahrheitsgehalt" und somit eine Wahrscheinlichkeitsverteilungen. Beispielsweise können basierend auf solchen Wahrscheinlichkeitsverteilungen Tourenpläne erstellt werden.
Tourenplanung - Definition Eine Tourenplanung liegt vor, wenn eine Spedition mit nur einem Auftrag (nur ein LKW) Fahrparameter festlegt, bis hin zu dem Fall, dass eine Spedition mit gewisser Anzahl von LKWs, die gewisse Anzahl von Aufträgen auszuführen haben, den gesamten Fuhrpark und alle Aufträge in optimierender Weise plant, organisiert und/oder managt.
Mehrere Aufträge nacheinander sind möglich. Auch gibt es branchennützlich Nebenbedingun- gen (Zeitfenster, Arbeitstag, etc.). Touren umfassen daher jedenfalls auch einen einzelnen LKW, der etwa von Frankfurt nach München fährt, aber auch einen komplizierten Fuhrpark, wie etwa zur Heizölausfuhr.
Der erfinderische Fortschritt besteht beim vorliegenden Ausführungsbeispiel wiederum darin, dass statt einer deterministischen Aussage über eine Fahrzeit von A nach B wie bisher gemäß der Erfindung eine Wahrscheinlichkeitsaussage erfolgt. Ferner sind Optimierungsverfahren implementiert, wie beispielsweise physikalische Verfahren, wie z.B. Simulated Annealing, Threshold Accepting, Great Deluge (Sintflut), Genetische Algorithmen, Savings- Algorithmen mit oder ohne nachgeschaltetem Bouncing ("Bouncing"-Verfahren) (man nimmt die Lösung beispielsweise des Savings- Algorithmus als Startkonfiguration für das Bouncing- Verfahren, das später näher beschrieben wird). Savings- Algorithmen alleine liefern eher unzureichende Lösungen, so dass vorzugsweise oder erforderlichenfalls eine Verbesserung mit Bouncing ba- sierend auf einem physikalischem Algorythmus (Simulated Annealing, etc.) vorgesehen und erreicht wird, was eine Optimierung mit Wahrscheinlichkeiten bedeutet.
Mit einer solchen Tourenplanung oder -Optimierung erhält man als Resultat eine Wahrscheinlichkeitsverteilung für die Gesamtkosten, wofür in der Fig. 5 ein illustratives Beispiel gezeigt ist. Für die Gesamtkosten erfolgt eine Risikoabschätzung vorzugsweise mit
"Value-at-Risk" -Verfahren ("Value-at-Risk": VaR), d. h. entsprechend der Fläche unter der Kurve, wie die illustrative Darstellung der Fig. 6 verdeutlicht. Dabei bedeutet die der Fig. 6 zu entnehmende Aussage "VaR 99": mit 1 % Wahrscheinlichkeit diese Kosten, analog würde die Aussage "VaR 95": mit 5 % Wahrscheinlichkeit diese Kosten bedeuten, etc. Damit kann eine Auswahl der subjektiv besten Touren durch Spezifikation, wie risikofreudig, konventionell etc., wie z. B. bei Aktienportfolien erfolgen.
Nachfolgend werden Grundzüge der Lernfähigkeit erläutert. Dabei wird davon ausgegangen, dass das System flächendeckend beispielsweise von einer großen Anzahl von Speditionen ge- nutzt wird. Die Realität ist, dass LKWs heute Touren für gegebene bzw. prognostizierte Verkehrssituationen fahren. Dies bedeutet eine Beeinflussung der vorhandenen Verkehrssituationen, insbesondere in der Weise, dass bisherige Staus verschwinden. Eine Folge davon ist aber, dass neue Staus an anderen Orten und zu anderen Zeiten entstehen. Es gibt somit eine Wechselwirkung zwischen LKW-Tourenplanung und Verkehrssituationen. Darauf basiert das und dies optimiert selbständig die Lernfähigkeit des Gesamtsystems. Immer wieder neue und aktuelle GPS-Daten führen automatisch zu einer Veränderung der Wahrscheinlichkeiten, was wiederum neue Tourenpläne ermöglicht, indem veränderte Tourenpläne nach neuen Verkehrssituationen erstellt werden. Die Regelmechanismen entstammen dabei dem ständigen Vergleich der Wahrscheinlichkeiten und Wahrscheinlichkeitsverteilungen mit der Realität und beinhalten ein ständiges "Nachjustieren" durch neue Tourenpläne. Es handelt sich dabei z. B. um ein Gradienten verfahren insbesondere beim Gesamtverkehr oder nur LKWs, wie es schematisch verdeutlichend durch die Darstellung in der Fig. 7 repräsentiert ist. Dabei nähert sich das System sukzessive einem Gesamtoptimum an.
In Fortbildung des vorliegend behandelten Ausführungsbeispiels kann eine weitere Verbesserungen des Systems beispielsweise durch Integration einer oder Kombination mit einer zeitabhängigen Maut erreicht werden. So können Strecken, auf denen etwa ständig oder zu bestimmten Zeiten Staus auftreten, entsprechend zeitabhängig mit einer zusätzlichen verkehr- saufkommensabhängigen Maut belegt werden.
Die Berechnungen solcher Situationen kann durch die wie oben erstellten Wahrscheinlichkeitsverteilungen erfolgen. Dabei wird der Zusammenhang zwischen Verkehrsdichte einerseits und Fahrzeiten oder Geschwindigkeiten andererseits ausgenutzt, wie für sich genommen als Vorgehensweise bereits bekannt ist. Im Rahmen der Erfindung wurde erkannt, dass es ggf. am besten ist, die Maut von der Verkehrsdichte berechnen (einfachster Vorschlag: Linearer Zusammenhang). Weitere Ausgestaltungsmöglichkeiten bestehen darin, die (zeitabhängige) Maut je nach erzielter Wirkung zu verändern, wie z. B. sukzessive langsam zu erhöhen, etc. Weiterhin ermöglicht das erfindungsgemäße System und Verfahren ein Ausweichen von prognostizierten Problemfällen (Staus etc., großes Verkehrsaufkommen etc.), d.h. stärkeres Abweichen vom Normalfall. Bevorzugt kann die Maut so gestaltet werden, dass Lkws diesen gefährdeten Stellen ausweichen. Eine Steuerung kann beispielsweise erfolgen durch z. B. geringere Maut, wenn ein gewisser Abschnitt nicht zu einer gewisser Zeit befahren wird, oder eine höhere Maut für gefährdete Stellen. Der größte Vorteil des erfindungsgemäßen Verfahrens und Systems zur Optimierung von Beförderungsaufgaben besteht ein der Lernfähigkeit. Diese wird ganz wesentlich gestützt, wenn sich LKWs an prognostizierten Wahrscheinlichkeiten orientieren.
Eine Orientierung an Online-Daten (Echtzeit-Daten), wie sie gegenwärtig herangezogen werden, was somit als Stand der Technik anzusehen ist, führt nicht zu einem Lerneffekt. Trotzdem können solche Online-Daten (Echtzeit-Daten) in das erfindungsgemäße System und Verfahren integriert werden und zu einer noch weiteren Verbesserung beitragen. So gibt der erfindungsgemäße Aspekt von System und Verfahren gibt Wahrscheinlichkeiten an und geben die online-Daten die Realität an. Damit kann z. B. auch berücksichtigt werden, dass ein Stau tatsächlich an einer Stelle ist, obwohl für diese Stelle nur eine geringe Stauwahrscheinlichkeit ermittelt wurde.
Es folgen nun allgemeine Betrachtungen und Erläuterungen zum Verfahren und System zur Optimierung von Beförderungsaufgaben insgesamt sowie zu einzelnen Aspekten, soweit förderlich für das Verständnis, unter Bezugnahme auf Tourenplanungsproblemstellungen bei Speditionen.
Lkw-Speditionen sind in Deutschland im wesentlichen mit Tourenplanungssystemen ausge- stattet. Diese basieren fast alle auf Savings- Algorithmen, im allgemeinen auf verschiedenen Stufen. Beispielsweise erfolgt dies folgendermaßen: Zuerst erfolgt eine Verteilung der Kunden auf LKWs. Dann erfolgt eine Optimierung der Gesamtlage. Danach erfolgt ein teilweises Abspalten von Nebenbedingungen, und zwar theoretisch nach dem Prinzip: "Devide and loose" (erst Kunden auf LKW und dann Tour planen). Damit ergibt sich eine Abweichung von Gesamtoptimum von z. B. fünf Prozent je nach Komplexität der Tourenplanung.
Durch die Erfindung erfolgt ein Ersetzen durch oder Ergänzen mit neue(n) Algorithmen. Insbesondere erhält man grundsätzlich eine Verbesserung der bisherigen Tourenplanung durch nachgeschaltete "Bouncing"-Verfahren. Zusätzliche Verbesserung bringt die Berücksichtigung der Wahrscheinlichkeitsverteilungen erst im "Bouncing", d.h. Savings-Lösung. In anderen
Worten bedeutet dies, man nehme Wahrscheinlichkeiten dazu, mache das Bouncing und erhalte erfindungsgemäße Endlösung.
Nun folgen erklärende Beschreibungen von Ausführungsbeispielen im Rahmen von Opti- mierungs verfahren: Wie bereits vorher erläutert wurde, werden vorzugsweise die Wahrscheinlichkeitsverteilungen zeitabhängig berücksichtigt. Diese Zeitabhängigkeit gilt dann natürlich auch für die Mittelwerte. Damit kann man ein vereinfachtes Verfahren erhalten: Statt gesamter Wahrscheinlichkeitsverteilungen werden nur Fehlerbalken verwendet/berücksichtigt, wie z. B. beim Simulated Annealing oder analog bei anderen Verfahren. Eine beispielhafte erläuternde mathematische Darstellung davon als Repräsentation einer Tour ist in der Fig. 8 gezeigt. Wesentliche Fortschritte gegenüber reinem Simulated Annealing ist, dass die Zeitabhängigkeit und die Fehlerbalken berücksichtigt werden.
Die wesentliche Vereinfachung dieser Vorgehensweise besteht in dem zusätzlichen Term in der Kostenfunktion von Fehlerbalken; die Risikoabschätzung erfolgt jetzt durch den Fehlerbalken der Gesamtverteilung und nicht durch VaR, ist aber unter der Annahme einer Gaußver- teilung äquivalent. Wie bereits vorher erläutert wurde, sind die Wahrscheinlichkeitsverteilungen zeitabhängig, damit natürlich auch die Mittelwerte und die Feh- lerbalken. Somit bestehen Proportionalitätsfaktoren je zwischen bisherigen Kostenfunktionen Ko und Anteil Fehlerbalken F.
Wie erwähnt, erfolgt die Risikobewertung jetzt nicht mit Value-at-Risk, sondern Fehlerbalken. Dies wird durch die Grafik der Fig. 9 verdeutlicht. Der Ansatz ist bei einer Gaußverteilung richtig und analog beispielsweise der Markowitz-Theorie für
Aktienportfolios. Aus Proportionalitätsfaktoren γ (gamma) ergibt sich eine Risikofreundlichkeit etc. analog Markowitz. Demnach gilt für Aktien: Bei starken Abweichungen von Gauß- Verteilung nicht mehr mit Fehlerbalken rechnen, sondern Mitnahme der gesamten Wahrscheinlichkeitsverteilung (Standardverfahren); d.h. nicht mehr nur Aufsummieren der Fehler- balken, sondern Faltung der Wahrscheinlichkeiten (zeitaufwendiger). Dies wird durch die Darstellungen der Fig. 10 verdeutlicht: Statt Fehlerbalken nun Gesamtverteilung und daraus Berechnung von VaR. Dies ergibt wiederum die Gesamtverteilung, wie der Darstellung in der Fig. 11 zu entnehmen ist. Somit wird der Risiko- Anteil in der Gesamtkostenfunktion als Value-at-Risk berechnet.
Es folgt eine Erläuterung des Bouncing- Verfahrens.
Es sei die Startkonfiguration: einige % vom Optimum, d.h. die Savings-Lösung, wie in der bestehenden weit verbreiteten Tourenplanung eingesetzt, ist sehr gut geeignet. Ansatzweise er- folgt nun ein Aufwärmen bei Maximum der spezifischen Wärme in Simulated Annealing oder Threshold etc. Unter Bezugnahme auf die erläuternde Fig. 12 steht T für die virtuellen Tem- peraturen in Simulated Annealing oder Threshold, wie es bei physikalischen Optimierungsverfahren üblich ist.
Simulationsmethoden in der Physik
Nach einem Aufwärmen auf Tf wird dann ein relativ schnelles Abkühlen zu T gegen 0 mehrfach wiederholt, d. h. ein Bouncing durchgeführt. Das mehrfache Wiederholen (Bouncing) erfolgt, bis das gewünschtes Resultat erzielt ist.
Eine Unterart vom Bouncing- Verfahren ist das so genannte Bombshell- Verfahren. Statt
Bouncing z. B. auf einer gesamten Landkarte durchzuführen, werden "Bombentrichter" festgelegt: Nur was darin ist, wird gebounced. D. h., dass z. B. ein Random-Generator Random- Koordinaten und jeweils einen Radius um jeden solchen Koordinatenpunkt erzeugt, d. h. so genannte "Bombentrichter". Nur die innerhalb dieser Radien liegenden Teilstücke der Tour werden mit dem Bouncing- Verfahren optimiert. Anders ausgedrückt erfolgt eine Veränderungen der Tour in Optimierungsverfahren nur innerhalb dieser Radien, und somit dann ein Bouncing, wie angegeben, nur innerhalb des Trichters. Es werden immer wieder neue Trichter von Random-Generator erzeugt, bis das gewünschtes Resultat erzielt ist, insbesondere bis keine weiteren Verbesserungen erhalten werden (können).
Ein weiteres geeignetes Optimierungsverfahren ist das Search Space Smoothing.
Bezug wird nun genommen auf ein verbessertes Search Space Smoothing, wie es in der Literatur beschrieben ist, wobei man aber statt einem Greedy- Algorithmus zur lokalen Relaxation ein Threshold- Verfahren mit einem kleinem Threshold oder Simulated Annealing mit sehr tiefen Temperaturen verwendet. Greedy ist Simulated Annealing mit T = 0 (nur Verbesserungen). Somit kann eine Erstellung einer Tour mit Search Space Smoothing mit Threshold erfolgen. Die Einführung eines kleinen Thresholds bzw. der sehr tiefen Temperaturen führt zu erheblichen Verbesserungen der Tourenplanung. Diese Neuerung, d. h. die Verwendung von Threshold bzw. Tieftemperatur Simulated Annealing führt zu besten Resultate bei der Tourenplanung. Dieses Verfahren kann auch für das Bouncing eingesetzt werden. Dabei wird der Smoothing Parameter analog zur Temperatur verändert, d. h. Nachschalten wie oben in Bouncing des verbesserten Search Space Smoothing, und somit analoges Vorgehen wie beim Bouncing, nur unter Veränderung der Smoothing-Parameter: Immer größere Veränderung, analog Bouncing; Kombination mit Bombshell- Verfahren bedeutet, nur die Trichter zu verändern. Ein wesentlicher Aspekt der vorstehend behandelten Ausführungsbeispiele und der Erfindung in diesem Rahmen ist das Einbeziehen der Fehlerbalken bzw. der Wahrscheinlichkeitsverteilung und/oder der Zeitabhängigkeit in Optimierungsverfahren. Weitere vorteilhafte und bevorzugte Ausgestaltungen betreffen Bouncing, Bombshell, verbessertes Search Space Smoothing.
Nun erfolgt eine Befassung mit Ausgestaltungen der Erfindung im Rahmen von Produktionslinien. Grundsätzlich ist eine mathemathische Abbildung von Beförderungsaufgaben in Produktionslinien auf Tourenplanungsprobleme möglich, d.h. ein analoges Vorgehen. Algorithmen können eingesetzt werden, wie es im hZzusammenhang mit der Tourenplanung beschrie- ben wurde, wobei sich auch Verbesserung bisheriger Resultate durch Bouncing und Wahrscheinlichkeiten sowie ggf. Zeitabhängigkeit ergeben (z. B. Schichtwechsel, mentale/physische Zustände der Mitarbeiter durch Volksfestzeit, regionale und saisonale Lebensbedingungen, ...) etc.
Für ein Ausführungsbeispiel wird die Reihenfolge von Fahrzeugen auf einem Montageband herangezogen. Es erfolgt ein Einbau verschiedenster Bauteile an verschiedenen Stationen, wie die schematische Darstellung der Fig. 13 verdeutlicht. Z. B. wird an der Einbaustelle i ein Rückspiegel Typ j montiert. Für die mittlere Einbauzeit wird ein Federbalken oder eine Wahrscheinlichkeitsverteilung erhalten, d. h. man bekommt Wahrscheinlichkeitsverteilungen für alle Einbaustellen und Einbautypen: Verteilung für jeden einzelnen Typen; Typ für jedes
Fahrzeug vorgegeben. Zu einem gegebenem Zeitpunkt sind gewisse Fahrzeuge auf dem Band an gewissen Stellen. Dabei besteht eine Wahrscheinlichkeit, bis zeitlich ein letztes Bauteil eingebaut ist. Dann erfolgt eine Weitbewegung des Bandes, und es ergeben sich neue Situationen. Dazu gehören wiederum Wahrscheinlichkeitsverteilung, bis das letzte Bauteil eingebaut ist. Daraus ergeben sich Gesamtkostenfunktionen. Die Gesamtwahrscheinlichkeit für den Einbau aller Teile in vorgegebener Reihenfolge der Fahrzeuge ist in der Fig. 14 schematisch zur Verdeutlichung dargestellt, d.h. die mittlere Gesamteinbauzeit mit Risiko. Dieses Risiko folgt von Value-at-Risk- Verteilungen, bzw. aus den Fehlerbalken, wie oben für LKWs beschrieben wurde, wiederum mit Einbeziehung des Faktors γ (gamma).
Übliche Veränderungen der Konfiguration (Reihenfolge) können auf bekannten Verfahren (Simulated Annealing, etc., aber auch genetische Algorithmen) basieren.
Erfindungsgemäß ist auch hierbei die Einführung der Wahrscheinlichkeiten und insbesondere der zeitabhängigen Wahrscheinlichkeiten von Vorteil. Daraus ergibt sich eine weitere vorteilhafte Gestaltungsmöglichkeit beim Betrieb von Produktionsbändern: Es erfolgt nicht erst dann eine Weiterbewegung des Bandes um eine Station, wenn die längste Montagezeit an einer Sta- tion abgelaufen ist, und ist die Funktion nicht derart, dass das Band diskontinuierlich entsprechend der längsten Zeit getaktet weiter bewegt wird, sondern das Montage- oder Produktionsband läuft mit einer geeigneten mittleren Geschwindigkeit kontinuierlich.
Durch Einführung von Bouncing- Verfahren im Rahmen der Erfindung stellt auch das Search Space Smoothing eine weitere Verbesserung bei den schon erstellten / beschriebenen Lösungen dar, und zwar auch bei etwas andersartigen Verfahren, so dass es sich dabei um einen grundsätzlichen Aspekt der Erfindung mit auch eigenständiger erfinderischer Bedeutung handelt. Dasselbe gilt für die verfahrensmäßige Verwendung wie vorrichtungsmäßige Umsetzung des Bouncing- Verfahrens grundsätzlich bei bestehenden, wie auch immer gearteten Optimierungsverfahren.
Die Erfindung ist anhand der Ausführungsbeispiele in der Beschreibung und in den Zeichnungen lediglich exemplarisch dargestellt und nicht darauf beschränkt, sondern umfasst alle Va- riationen, Modifikationen, Substitutionen und Kombinationen, die der Fachmann den vorliegenden Unterlagen insbesondere im Rahmen der Ansprüche und der allgemeinen Darstellungen in der Einleitung dieser Beschreibung sowie der Beschreibung der Ausführungsbeispiele und deren Darstellungen in der Zeichnung entnehmen und mit seinem fachmännischen Wissen sowie dem Stand der Technik insbesondere unter Einbeziehung der vollständigen Offen- barungsgehalte der am Anfang dieser Beschreibung angegebenen älteren Anmeldungen kombinieren kann. Insbesondere sind alle einzelnen Merkmale und Ausgestaltungsmöglichkeiten der Erfindung und ihrer Ausführungsbeispiele kombinierbar.

Claims

Ansprüche
1. Verfahren zur Optimierung von Beförderungsaufgaben, wobei wenigstens ein ortsabhängig gegebener Beförderungsparameter erfasst wird, dadurch gekennzeichnet, dass für den wenigstens einen ortsabhängig gegebenen Beförderungsparameter Wahrscheinlichkeiten ermittelt werden, die der Optimierung der Beförderungsaufgabe zu Grunde gelegt werden.
2. Verfahren zur Optimierung von Beförderungsaufgaben nach Anspruch 1, dadurch ge- kennzeichnet, dass zusätzlich zu den ermittelten Wahrscheinlichkeiten der Beförderungsparameter der Optimierung der Beförderungsaufgabe zu Grunde gelegt wird.
3. Verfahren zur Optimierung von Beförderungsaufgaben nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Wahrscheinlichkeiten des wenigstens einen ortsabhängig gege- benen Beförderungsparameters der Beförderungsaufgabe in Form eines Fehlerbalkens zu Grunde gelegt werden.
4. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Wahrscheinlichkeiten oder ggf. Fehlerbal- ken unter Einbeziehung des wenigstens einen ortsabhängig gegebenen Beförderungsparameters kontinuierlich aktualisiert oder verbessert werden.
5. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine zeitliche Variation oder Abhängigkeit des wenigstens einen ortsabhängig gegebenen Beförderungsparameters erfasst wird, und dass dafür zeitabhängige Wahrscheinlichkeiten ermittelt werden, die statt des wenigstens einen orts- und zeitabhängigen gegebenen Beförderungsparameters oder zusätzlich zu dem wenigstens einen orts- und zeitabhängigen gegebenen Beförderungsparameter der Beförderungsaufgabe zu Grunde gelegt werden.
6. Verfahren zur Optimierung von Beforderungsaufgaben nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass aus mehreren Wahrscheinlichkeiten eine Wahrscheinlichkeitsverteilung ermittelt wird, die statt des orts- und insbesondere zeitabhängigen gegebenen Beförderungsparameters oder zusätzlich zu dem orts- und insbesondere zeitabhängigen gegebenen Beförderungsparameter der Beförderungsaufgabe zu Grunde gelegt wird.
7. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass als der wenigstens eine ortsabhängig gegebene Beförderungsparameter die ortsabhängige Beförderungszeit erfasst wird.
8. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die ermittelten Wahrscheinlichkeiten oder ggf. die ermittelte Wahrscheinlichkeitsverteilung zur Tourenoptimierung zu Grunde gelegt werden.
9. Verfahren zur Optimierung von Beförderungsaufgaben nach Anspruch 8, dadurch gekennzeichnet, dass zeitabhängige Wahrscheinlichkeiten für die Fahrzeiten herangezogen werden, die ständig den aktuellen Verkehrssituationen angepasst werden.
10. Verfahren zur Optimierung von Beförderungsaufgaben nach Anspruch 9, dadurch ge- kennzeichnet, dass die Anpassung der zeitabhängigen Wahrscheinlichkeiten an die aktuelle Verkehrssituation über satellitengestützte Systeme erfolgt.
11. Verfahren zur Optimierung von Beförderungsaufgaben nach Anspruch 9 oder 10, dadurch gekennzeichnet, dass die Anpassung der zeitabhängigen Wahrscheinlichkeiten an die ak- tuelle Verkehrssituation einen Dämpfungsfaktor enthält, der chaotisches Verhalten verhindert.
12. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der Ansprüche 9 bis 11, dadurch gekennzeichnet, dass satellitengestützte Daten von Streckenmautsystemen verwendet werden.
13. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der Ansprüche 9 bis 12, dadurch gekennzeichnet, dass auch ungenaue verrauschte GPS-Daten zur Erstellung der zeitabhängigen Wahrscheinlichkeiten verwendet werden.
14. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der Ansprüche 9 bis 13, dadurch gekennzeichnet, dass zur Optimierung eine Kostenfunktion um einen Risiko- term erweitert wird, der die zeitabhängigen Wahrscheinlichkeitsverteilungen für die Fahrzeiten reflektiert.
15. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der Ansprüche 9 bis 14, dadurch gekennzeichnet, dass zur Optimierung die Wahrscheinlichkeitsverteilungen für die Gesamtfahrzeiten bez. Gesamtkosten berechnet werden.
16. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass zur Optimierung die Momente der zeitabhängigen Wahrscheinlichkeiten für Taktzeiten von Produktionsprozessen herangezogen werden.
17. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Optimierung physikalische, stochastische, genetische Algorithmen und/oder der Savings- Algorithmus herangezogen werden/wird.
18. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine analoge Optimierung mit Wah- rscheinlichkeitsverteilungen herangezogen wird.
19. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass statt deterministischer Daten Wahrscheinlichkeitsverteilungen verwendet werden.
20. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Optimierung ein Bouncing- Verfahren verwendet wird.
21. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Optimierung Simulated Annealing, Threshold Accepting, Great Deluge (Sintflut), genetische Algorithmen, Savings- Algorithmen mit oder ohne nachgeschaltetem Bouncing verwendet werden.
22. Verfahren zur Optimierung von Beförderungsaufgaben nach Anspruch 20 oder 21 , dadurch gekennzeichnet, dass zur Optimierung ein Bombshell-Verfahren verwendet wird.
23. Verfahren zur Optimierung von Beförderungsaufgaben nach Anspruch 22, dadurch gekennzeichnet, dass im Rahmen des Bombshell- Verfahrens mit einem Random-Generator Random-Koordinaten erzeugt werden, dass ein Radius um jeden Koordinatenpunkt festgelegt oder ermittelt oder erzeugt wird, insbesondere von dem Random-Generator erzeugt wird, und dass nur die innerhalb dieser Radien liegende Teilstücke des Beförderungsweges oder ggf. der Tour werden mit dem Bouncing- Verfahren optimiert werden.
24. Verfahren zur Optimierung von Beförderungsaufgaben nach Anspruch 23, dadurch gekennzeichnet, dass von dem Random-Generator immer wieder neue Random- Koordinaten und/oder Radien um Random-Koordinaten erzeugt werden.
25. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Risikoabschätzung enthalten ist.
26. Verfahren zur Optimierung von Beförderungsaufgaben nach Anspruch 25, dadurch gekennzeichnet, dass die Risikoabschätzung nach dem "Value-at-Risk" -Verfahren erfolgt.
27. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Optimierung Search Space Smoothing Verfahren mit oder ohne Threshold und/oder Tieftemperatur Simulated Annealing Verfahren verwendet werden.
28. Verfahren zur Optimierung von Beförderungsaufgaben nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass bei Verwendung von Threshold Accepting oder eines Threshold- Verfahrens ein kleiner Threshold verwendet wird.
29. System zur Optimierung von Beförderungsaufgaben, wobei Erfassungseinrichtungen zum Erfassen wenigstens eines ortsabhängig gegebenen Beförderungsparameters und Informa- tionseinrichtungen vorgesehen sind, die ausgelegt sind, Anwender unter Einbeziehung des wenigstens einen ortsabhängig gegebenen Beförderungsparameters über eine Optimierungsmöglichkeit der Beförderungsaufgabe zu informieren, dadurch gekennzeichnet, dass Kalkulationseinrichtungen vorgesehen sind, die ausgelegt sind, für den wenigstens einen ortsabhängig gegebenen Beförderungsparameter Wahrscheinlichkeiten zu ermitteln, und dass die Informationseinrichtungen ausgelegt sind, Anwender unter Einbeziehung der Wahrscheinlichkeiten über eine Optimierungsmöglichkeit der Beförderungsaufgabe zu informieren.
30. System zur Optimierung von Beförderungsaufgaben nach Anspruch 29, dadurch gekenn- zeichnet, dass Einrichtungen zur Durchführung des Verfahrens zur Optimierung von Beförderungsaufgaben nach einem der Ansprüche 2 bis 28 enthalten und bestimmungsgemäß betreibbar sind.
EP05715088A 2004-03-10 2005-03-10 Verfahren und systeme zur optimierung von beförderungsaufgaben Withdrawn EP1741052A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102004011604A DE102004011604A1 (de) 2004-03-10 2004-03-10 Verfahren zur optimalen Auslastung eines Verkehrsnetzes
PCT/DE2005/000426 WO2005088493A1 (de) 2004-03-10 2005-03-10 Verfahren und systeme zur optimierung von beförderungsaufgaben

Publications (1)

Publication Number Publication Date
EP1741052A1 true EP1741052A1 (de) 2007-01-10

Family

ID=34895122

Family Applications (1)

Application Number Title Priority Date Filing Date
EP05715088A Withdrawn EP1741052A1 (de) 2004-03-10 2005-03-10 Verfahren und systeme zur optimierung von beförderungsaufgaben

Country Status (3)

Country Link
EP (1) EP1741052A1 (de)
DE (1) DE102004011604A1 (de)
WO (1) WO2005088493A1 (de)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9740823B2 (en) 2007-08-16 2017-08-22 Earl Edward Breazeale, JR. Healthcare tracking
DE102007058092A1 (de) * 2007-12-03 2009-06-04 Robert Bosch Gmbh Verfahren zum Betrieb eines Informationssystems und ein Informationssystem
DE102007058093B4 (de) * 2007-12-03 2019-05-16 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln einer Routenempfehlung aus einer Mehrzahl von Wegstrecken
WO2009116105A2 (en) * 2008-03-21 2009-09-24 Gianfranco Antonini A traffic assignment method for multimodal transportation networks
CN111144808A (zh) * 2019-12-20 2020-05-12 贵州黔岸科技有限公司 用于建筑材料运输的任务统计管理系统及方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6209026B1 (en) * 1997-03-07 2001-03-27 Bin Ran Central processing and combined central and local processing of personalized real-time traveler information over internet/intranet
WO2001069488A1 (en) * 2000-03-10 2001-09-20 Jones Charles P Vehicle scheduling system
AU2000269500A1 (en) * 2000-08-31 2002-03-13 Cosite.Com, Inc. Centralized system and method for optimally routing and tracking articles
US6650948B1 (en) * 2000-11-28 2003-11-18 Applied Generics Limited Traffic flow monitoring
EP1221666A1 (de) * 2001-01-05 2002-07-10 BRITISH TELECOMMUNICATIONS public limited company Verfahren zum Auswerten eines Verhaltens
US6587780B2 (en) * 2001-04-09 2003-07-01 Koninklijke Philips Electronics N.V. System and method for disseminating traffic information
US20030225668A1 (en) * 2002-03-01 2003-12-04 Mitsubishi Denki Kabushiki Kaisha System and method of acquiring traffic data
JP3883892B2 (ja) * 2002-03-26 2007-02-21 アルパイン株式会社 交通情報配信方法及び車載用ナビゲーション装置
FR2843474A1 (fr) * 2002-11-29 2004-02-13 France Telecom Procede, equipement et systeme de production d'informations de trafic routier ainsi que systeme de navigation routiere et equipement de navigation routiere

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2005088493A1 *

Also Published As

Publication number Publication date
DE102004011604A1 (de) 2005-09-29
WO2005088493A1 (de) 2005-09-22

Similar Documents

Publication Publication Date Title
DE112011103424B4 (de) System und Verfahren zum Auswählen von Routen
EP1026649B1 (de) Verfahren und Vorrichtung zur Bereitstellung von Verkehrsinformation
DE19650844C2 (de) Verfahren zur Ermittlung von Fahrtroutendaten
EP3044547B1 (de) Vorrichtung und verfahren zur mobilitätssteuerung
EP1614996B1 (de) Verfahren und Routenplanungssystem zur dynamischen Routenplanung
DE202013012418U1 (de) Reiseplanung im öffentlichen Personenverkehr
DE102019132735A1 (de) Opportunistisches betanken für autonome fahrzeuge
DE102012212065A1 (de) Verfahren zum Betreiben eines Fahrerassistenzsystems für ein Fahrzeug und Fahrerassistenzsystem für ein Fahrzeug
EP1741052A1 (de) Verfahren und systeme zur optimierung von beförderungsaufgaben
DE202015103648U1 (de) Verarbeitungssystem zur Transportanalyse
DE102012215447A1 (de) Zentralisierte Routenbestimmung
DE102019130494A1 (de) Verfahren und vorrichtung zum adaptiven einsatz von temporären verkehrsregelungsmassnahmen und navigationsreaktion
DE19636379C1 (de) Verfahren zur Steuerung des Transport- und Reiseverkehrs
DE102017008667A1 (de) Verfahren zur dynamischen Routenplanung
DE102015205482A1 (de) Vorrichtung, Verfahren und Computerprogramm zum Erstellen einer zeitlichen Abfolge von Aktivitäten eines Nutzers
WO2015149884A1 (de) Verfahren und computerprogrammprodukt zur analyse von flugpassagier-ticket-massendatenbeständen
DE102018009790A1 (de) Verfahren zur dynamischen Routenplanung
DE102018203994A1 (de) System und Verfahren zum dezentralen Durchführen von Transaktionen
DE102012220254A1 (de) Verfahren zum Vermitteln eines Dienstes
DE102018212968A1 (de) Bestimmen mindestens eines Fahrplans für mindestens ein Verkehrsmittel aus einer Mehrzahl von Verkehrsmitteln
DE10055000A1 (de) Verkehrsdichtenabschätzung
DE102018210020A1 (de) Verfahren zur Steuerung eines Verkehrsflusses
DE102018217610A1 (de) Verfahren zur Luftqualitätsoptimierung, Steuerung, Fahrzeug und System zur Durchführung des Verfahrens
DE102020106699A1 (de) Systeme und verfahren zur evaluierung von fahranfragen gebiet der offenbarung
DE102018216042A1 (de) Verfahren und vorrichtung zum automatisierten fahren eines fahrzeugs, und fahrzeug

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20061010

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LI LT LU MC NL PL PT RO SE SI SK TR

DAX Request for extension of the european patent (deleted)
17Q First examination report despatched

Effective date: 20080221

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20081001