HHLA: Maschinelles Lernen für Containerterminals im Einsatz

Die Hamburger Hafen und Logistik AG setzt seit Kurzem maschinelles Lernen zur Steigerung der Produktivität ein.

Die HHLA will ihre Produktivität mit maschinellem Lernen erhöhen. Im Bild der Bahnhof für Kombinierte Verkehre (KTH) auf dem HHLA Container Terminal Altenwerder in Hamburg. Foto: HHLA/Thies Rätzke
Die HHLA will ihre Produktivität mit maschinellem Lernen erhöhen. Im Bild der Bahnhof für Kombinierte Verkehre (KTH) auf dem HHLA Container Terminal Altenwerder in Hamburg. Foto: HHLA/Thies Rätzke
Daniela Kohnen

Die HHLA hat nach eigenen Angaben Lösungen entwickelt, um für ihre Hamburger Containerterminals maschinelles Lernen (ML) zu nutzen. Es diene dazu, die Verweildauer eines Containers auf dem Terminal vorherzusagen. Die ersten beiden Projekte seien jetzt erfolgreich in die IT-Landschaft der Container Terminals Altenwerder (CTA) und Burchardkai (CTB) integriert worden und würden angewendet, hieß es aus dem Logistikunternehmen. Angela Titzrath, Vorstandsvorsitzende der HHLA:

„Die fortschreitende Digitalisierung verändert die Logistikbranche und damit unser Geschäft im Hafen. Lösungen für maschinelles Lernen bieten uns dabei viele Möglichkeiten, um die Produktivität und Kapazitätsraten der Terminals zu steigern.“

Laut der HHLA-Chefin werde man weitere Felder für die Anwendung von ML identifizieren. Die Produktivität der automatisierten Blocklager werde auf dem CTA durch eine ML-basierte Vorhersage gesteigert. Ziel sei es, den Zeitpunkt der Abholung eines Containers genau zu prognostizieren.

Bereits jetzt zeige sich laut HHLA ein deutlich positiver Effekt für beide Terminals, weil die Container entsprechend ihrer voraussichtlichen Abholung eingelagert würden und dann weniger häufig bewegt werden müssten.

Muss eine Stahlbox während ihrer Verweildauer im Lager (Dwell Time) nicht unnötig umgestapelt werden, führt dies zu einer Optimierung der Prozesse. Bei der Einlagerung der Container ist deren Abholzeit oft noch unbekannt. Deshalb berechnet künftig der Computer die wahrscheinliche Container-Verweildauer. Er nutzt dazu einen Algorithmus, der auf historischen Daten basiert, sich aber kontinuierlich selbst durch modernste Machine-Learning-Methoden optimiert.

Eine ähnliche Lösung komme auf dem CTB zur Anwendung, wo neben automatisierten auch konventionelle Containerlager genutzt würden. Auch dort unterstützt ML die Terminalsteuerung durch die Zuweisung optimierter Container-Stellplätze, so das Logistikunternehmen. Neben der Verweildauer kann mit Hilfe des Algorithmus auch die Art der Auslieferung berechnet werden. Durch maschinelles Lernen kann genauer vorhergesagt werden, ob ein Container auf den Lkw, die Bahn oder ein Schiff verladen werden soll, als dies bisher aus den gemeldeten Daten hervorgeht.

Printer Friendly, PDF & Email
Symboldbild Transportjobs

Mehr als 750 aktuelle Jobangebote aus der Transportbranche, vom Lkw-Fahrer über Fuhrparkmanager bis zu Disposition, Teamleitung und vieles mehr mit individueller Suchfunktion und Kartenansicht bieten wir Ihnen ab sofort in unserem Job-Bereich: Ihr nächster Schritt auf der Karriereleiter?

Alle Transport-Jobs anzeigen »