Maschinelles Lernen auf Straßengraphen – Ein Framework zur Fahrtzeitprognose Autonomer Lieferfahrzeuge
- Zusatzfeld:
Moderne Supply Chains erfordern große Präzision und sind einem hohen Grad an Unsicherheit ausgesetzt. Zuverlässige Fahrzeitvorhersagen für Lieferfahrzeuge helfen dabei diese Unsicherheit zu reduzieren indem Sie die Planungssicherheit erhöhen und eine Grundlage für die Entscheidungsfindung liefern.
In dieser Arbeit wird ein Framework zur Fahrzeitprognose für das Forschungsprojekt Lieferbot-E entwickelt, welches sich mit einer dezentralen Innenstadtlogistik durch autonome Lieferfahrzeuge beschäftigt. Motiviert durch einen Mangel an Realdaten wurde ein synthetischer Datensatz generiert auf welchem die vorgestellten Modelle trainiert werden können.
Durch dieses Vorgehen können Daten- und Architekturbezogene Herausforderung noch vor dem Sammeln von Realdaten identifiziert und behoben werden.
Im Rahmen des Vortrags werden folgende Forschungsfragen beantwortet:
1. Wie können Fahrzeiten für das LieferBot-E Projekt vorhergesagt werden?
2. Wie können synthetische Daten mit Hilfe einer Simulation generiert werden?
3. Welche Herausforderungen und Schlüsse lassen sich von der Simulation in die Realität übertragen?
4. Wie muss ein modulares Framework für graphenbasierte Vorhersagen aufgebaut sein?