Hogyan éri el a gépi tanulás akár a 95%-os ETA-pontosságot az európai fuvarozásban

A várható érkezési idő a fuvarlogisztika legfontosabb adata. Minden ráépülő döntés ettől függ: a dokkajtók kiosztása, a raktári munkaerő beosztása, a továbbszállítás tervezése, az ügyfél értesítésének időzítése és a fuvarozók teljesítményének értékelése. Ha az ETA téves, mindezek a döntések romlanak.

A közúti árufuvarozásban Európa-szerte évtizedeken át kezdetleges volt az ETA számítása: a hátralévő távolságot elosztották egy átlagsebességgel, hozzáadtak egy tartalékot a bizonytalanságra, és bíztak a szerencsében. Ez a megközelítés 55–70%-os pontosságot ad az európai folyosókon, ami azt jelenti, hogy a szállítmányok 30–45%-a a megjósolt időponthoz képest 30 perces ablakon kívül érkezik. Egy naponta 80 beérkező kamiont kezelő raktárnál ez 24–36 váratlan időpontban érkező járművet jelent, amelyek mindegyike felborítja a dokkbeosztást, tétlenségre kárhoztatja a targoncás csapatokat, és láncreakciószerű késéseket okoz az egész működésben.

A gépi tanulás alapjaiban változtatta meg ezt az egyenletet. Az európai utakon zajló több millió korábbi fuvarmozgás elemzésével a gépi tanulási modellek – köztük a mély neurális hálózatok és a gradiens-erősített együttes architektúrák – olyan mintázatokat ismernek fel, amelyeket egyetlen emberi tervező és egyetlen egyszerű képlet sem képes megragadni. Az eredmény: az olyan érett, európai adatokon tanított modelleken, mint amilyet a TrucksOnTheMap üzemeltet, az ETA-előrejelzések 30 perces ablakon belül akár 95%-os pontosságot is elérhetnek, és a valós idejű szállítmánykövetést jelentéskészítő eszközből előrejelző operatív intelligenciarendszerré alakítják.

Ez a cikk bemutatja, hogyan működik a gépi tanuláson alapuló ETA-előrejelzés az európai közúti árufuvarozásban, miért nehezebb Európát strukturálisan előre jelezni más piacoknál, és mit jelent valójában a 95%-os pontosság a logisztikai működés szempontjából.

Miért mondanak csődöt a hagyományos ETA-számítások Európában

A távolság/sebesség tévhit

A fuvarozásban a leggyakoribb ETA-módszer kínosan egyszerű:

ETA = jelenlegi idő + (hátralévő távolság / átlagsebesség)

Egy 75 km/h átlagsebességgel haladó, a célállomástól 450 km-re lévő kamion esetében a kiszámított ETA mostantól 6 óra. Ez a számítás annyi okból téves, hogy alig nevezhető becslésnek.

A változók, amelyeket a távolság/sebesség figyelmen kívül hagy

Egy kamionnak, amely pénteken 08:00-kor indul Varsóból egy rotterdami kiszállításhoz, gyökeresen más út jut, mint ugyanennek a kamionnak, ha kedden 06:00-kor indul. A pénteki indulás csúcsforgalomba ütközik az A2-esen Poznań környékén, hétvégéhez kötődő torlódást tapasztal a német határnál, péntek délutáni forgalommal szembesül a Ruhr-vidéken át, és a sofőr heti órái függvényében egy helyett akár két kötelező vezetési szünetet is igényelhet. A keddi indulás mindezt elkerüli. Ugyanaz a viszonylat, ugyanaz a távolság, más valóság.

A hagyományos ETA-számítások mindkét utat egyformán kezelik. A gépi tanulás nem.

Hogyan működik a gépi tanuláson alapuló ETA-előrejelzés

Az adatalap

A gépi tanuláson alapuló ETA-előrejelzés adatokkal kezdődik: hatalmas mennyiségű korábbi szállítmányadattal, amely az európai utakon közlekedő kamionok tényleges viselkedését kódolja:

Szállítmány-útvonaladatok: – GPS- és GLONASZ-koordináták 1–5 percenként több millió teljesített szállítmányra – Indulási idő, érkezési idő, minden megálló (tervezett és nem tervezett) – Viszonylatonkénti szállítási idők több ezer európai indulási-célállomás páron át

Úthálózati adatok: – Szakaszonkénti sebességprofilok a térképszolgáltatóktól – Valós idejű forgalmi adatfolyamok útügyi hatóságoktól és aggregátoroktól – Tervezett útépítések és infrastruktúra-lezárások – Fizetőkapu-áthaladási idők (ahol elérhető)

Kontextuális adatok: – Időjárási megfigyelések és előrejelzések az útvonal mentén – Naptáradatok: hét napja, országonkénti munkaszüneti napok, iskolai szünetek, vallási ünnepek – EU vezetésiidő-szabályozási paraméterei – Ismert átlagos határátkelési várakozási idők – Szezonális fuvarmintázatok (betakarítás, karácsony, nyári leállás)

Sofőr- és járműadatok: – Aktuális vezetésióra-állapot (ma, ezen a héten ledolgozott órák) – Járműtípus és sebességprofil (egy 40 tonnás nyerges szerelvény másként gyorsul és lassul, mint egy 7,5 tonnás szóló jármű)

A gépi tanulási modell architektúrája

A modern fuvar-ETA-rendszerek jellemzően együttes modelleket használnak, amelyek több előrejelzési megközelítést kombinálnak:

1. Korábbi viszonylati modellek

Minden gyakran használt viszonylathoz (pl. Rotterdam–München az A3/E35-ön át) a rendszer statisztikai modellt tart fenn a tényleges szállítási időkről több ezer korábbi út alapján. Ezek a modellek megragadják:

• A medián szállítási időt és szórását
• A hét napja szerinti eloszlást (pl. hétfői medián: 8 óra 15 perc; pénteki medián: 9 óra 40 perc)
• A napszak hatásait (06:00 vs. 14:00 indulás)
• A szezonális mintázatokat (a 4. negyedév jellemzően 12%-kal lassabb a csúcsforgalom miatt)

2. Valós idejű szakaszmodellek

Az útvonalat útszakaszokra bontják, mindegyik saját sebesség-előrejelzéssel. Ahogy a kamion halad, a gépi tanulási modell:

• Megfigyeli a tényleges sebességet a megtett szakaszokon
• Összevetés az előrejelzett sebességgel
• A fennmaradó szakaszok előrejelzéseit az észlelt eltérési mintázat alapján igazítja ki
• Az előttünk álló szakaszokra élő forgalmi adatokat épít be

Éppen ez a folyamatos újrakalibrálás az oka annak, hogy az ML-alapú ETA-k egyre pontosabbá válnak, ahogy a kamion közeledik a célállomáshoz. Az induláskor számított ETA 45 percen belül lehet pontos. A út harmadik órájában, valós megfigyelt adatok birtokában a pontosság már 15 percen belülre szűkül.

3. Vezetési idő szabályozási motor

Ez egy szabályalapú komponens (nem ML), amely az európai pontosság szempontjából kulcsfontosságú:

• Kiszámítja a sofőr fennmaradó, törvényesen vezethető idejét az aktuális óraállás alapján
• Előrejelzi, hogy hol és mikor kerül sor a kötelező 45 perces szünetekre
• Figyelembe veszi a napi vezetési korlátokat (9 óra, hetente kétszer 10 órára meghosszabbítható)
• Beszámítja a heti pihenőidő követelményeit a több napos szállításoknál

E komponens nélkül bármely ML-modell rendszeresen alulbecsüli a 4,5 óránál hosszabb utak menetidejét.

4. Eseményfelismerés és igazítás

A rendszer figyeli azokat a rendellenes eseményeket, amelyek érvénytelenné teszik az alap-előrejelzést:

• Nem tervezett megállás (műszaki hiba, baleset): Geofencing-szabályok segítségével felismeri az ismert pihenőhelyeken/üzemanyagtöltő állomásokon kívüli megállást, és a megállás jellemzői alapján megbecsüli a folytatás idejét
• Útvonaleltérés: Geofence-folyosó figyelésével felismeri a tervezett útvonaltól való eltérést, és újraszámítja az ETA-t az új útvonalon
• Határsor: Felismeri a határátkelőhöz való lassú közeledést, és alkalmazza a korábbi határidőzítési eloszlást
• Időjárás-romlás: A fennmaradó útvonalon a csapadék, a szél vagy a látási viszonyok alapján igazítja a sebesség-előrejelzéseket

Az előrejelzési folyamat a gyakorlatban

Íme, mi történik, amikor a TrucksOnTheMap ML-motorja ETA-t számít egy magyarországi Győrből a németországi regensburgi BMW-gyárba autóipari alkatrészeket szállító kamion számára:

Induláskor (Győr, hétfő 06:00): 1. A folyosómodell jól ismert korridorként azonosítja: 290 km, korábbi hétfői medián 4 óra 10 perc 2. Valós idejű forgalom-ellenőrzés: az M1 autópálya szabad, az A1/E75 Bécs felé normál forgalmat mutat, az ausztriai A3 szokásos 3. Időjárás: derült, nincs hatás 4. Sofőr státusza: pihent indulás, 9 óra vezetés áll rendelkezésre, ezen az úton nincs szükség szünetre 5. Kezdeti ETA: 10:12 (±25 perc megbízhatósági intervallum)

90 perc elteltével (a hegyeshalmi határtérség közelében): 1. A kamion 8 perccel a folyosómodell előrejelzése előtt halad (a szokásosnál gyérebb forgalom az M1-en) 2. A valós idejű forgalom az ausztriai A4-en Bécs felé 15 perces lassulást mutat Fischamend közelében 3. Igazítás: +15 perc a forgalomból, -8 perc a vártnál gyorsabb haladásból 4. Módosított ETA: 10:19 (±18 perc megbízhatósági intervallum: szűkebb, mert a megfigyelt adatok csökkentik a bizonytalanságot)

3 óra elteltével (Linz térsége, A1): 1. A kamion végig egyenletes sebességet tartott Ausztrián keresztül 2. A valós idejű forgalom az A3-on Passau felé normál viszonyokat mutat 3. A német A3 Passau után, Regensburg felé közeledve: szabad 4. Módosított ETA: 10:08 (±12 perc megbízhatósági intervallum)

Eredmény: A kamion 10:05-kor érkezik meg. A dokkajtót a 10:08-as előrejelzés alapján előre kijelölték. A targoncás csapat az érkezéstől számított 4 percen belül megkezdi a kirakodást.

Miért strukturálisan nehezebb Európában az előrejelzés

A szabályozási összetettség előrejelzési változókat teremt

Az EU vezetési idő szabályozása (561/2006/EK rendelet) olyan kötelező megszakításokat teremt, amelyek a lazább szabályokkal rendelkező piacokon nem léteznek. Minden ETA-modellnek számolnia kell az alábbiakkal:

• Hol ahol a sofőr kötelező 45 perces szünetét tölti (a kamionparkolóval rendelkező pihenőhelyek bizonyos folyosókon ritkák: a németországi kamionparkolóhiány miatt a sofőrök néha 30+ percet töltenek hely keresésével)
• Mikor kötelező törvényesen a szünet (ami attól függ, mikor kezdte a sofőr az aktuális vezetési idejét: ezeknek az adatoknak a fuvarozó tachográfjából vagy sofőralkalmazásából kell érkezniük)
• Vajon a sofőr megosztja-e a szünetet (az EU-szabályok lehetővé teszik a 45 perces szünet 15 + 30 perces felosztását)

Ha ezt egy 900 km-es, Rotterdamból Milánóba tartó úton elvétjük, az 90 perces ETA-hibát okozhat: ez a különbség aközött, hogy a raktár 17:00-as zárása előtt vagy után érkezünk meg.

A határátlépési hatások valósak és változékonyak

Egy Franciaországból Svájcba átkelő kamion vámeljárásokkal szembesül. Ugyanez a kamion Németországból Ausztriába átkelve nem (mindkettő EU/schengeni). De a Magyarországról Szerbiába átkelő kamion teljes vámvizsgálattal néz szembe. Az ML-modellnek tudnia kell:

• Mely határoknál van vámeljárás (EU-n kívüli, EU-Egyesült Királyság a Brexit után)
• Az aktuális sorhosszúságokat az adott átkelőhelyeken
• A napszaki mintázatokat minden egyes átkelőnél (Dover-Calais 06:00-kor vs. 14:00-kor)
• A szezonális mintázatokat (nyári üdülési forgalom az osztrák-német határon)

A földrajzi sokféleség eltérő sebességprofilokat teremt

Az európai úthálózat drámaian eltérő:

A kizárólag nyugat-európai autópályaadatokon betanított ML-modell súlyosan félrebecsüli a menetidőket a román mellékutakon vagy az alpesi folyosókon. Az olyan, kifejezetten európai platformok, mint a TrucksOnTheMap, az európai útviszonyok teljes spektrumát lefedő adatokon tanítják be modelljeiket.

Mit jelent valójában a 95%-os pontosság a működésben

Az ETA-pontosság matematikája

A 30 perces időablakon belüli 95%-os pontosság azt jelenti, hogy minden 100 szállítmányból 95 az előrejelzett időponthoz képest 30 percen belül érkezik meg. A fennmaradó 5 érkezés ezen az ablakon kívülre esik, jellemzően előre nem látható események (balesetek, hirtelen időjárás-változás, műszaki meghibásodás) miatt.

Vesse ezt össze a hagyományos módszerekkel:

A működési láncreakció

A 65%-os és a 95%-os ETA-pontosság közötti különbség minden logisztikai folyamaton végighullámzik:

Dokkidőpont-foglalás:

65%-os pontosság mellett a 20 dokkajtóval és napi 80 beérkező teherautóval rendelkező raktárnak túl kell méreteznie a dokk-időablakokat (1 órás helyett 2 órás idősávokra), hogy elnyelje az ETA ingadozását. A tényleges dokkkihasználtság: 55–65%.

95%-os pontosság mellett a dokk-időablakok 45–60 percre szűkülnek. Ugyanaz a 20 ajtó naponta 100+ teherautót tud kiszolgálni, mert a fordulóidő gyorsabb, a teherautók közötti üresjárat pedig 30–45 percről 5–15 percre csökken. A tényleges dokkkihasználtság: 80–90%. Pontosan ezért teljesítenek jobban a kézi idősávfoglalásnál azok a dokkidőpont-foglalási rendszerek, amelyek natívan dolgozzák fel az ML ETA-előrejelzéseket.

Állásidő (detention):

Az állásidő Európában teherautónként 50–100 EUR/órába kerül. 65%-os pontosság mellett a teherautók átlagosan 2,5–4 órát várakoznak az átvevő telephelyeken. 95%-os pontosság mellett az átlagos várakozás 30–75 percre csökken. Egy napi 80 teherautót fogadó raktár esetében ez naponta körülbelül 140–260 teherautó-óra várakozással kevesebbet jelent: napi 7 000–26 000 EUR megtakarítást az állásidőn.

Munkaerő-tervezés:

A raktárvezetők műszakokba osztják be a kirakodó csapatokat. Megbízhatatlan ETA-k mellett vagy: – túl sok embert állítanak munkába (felesleges munkaerőköltség), hogy biztosan legyen kapacitás, amikor a teherautók kiszámíthatatlanul érkeznek, vagy – túl keveset, és szűk keresztmetszettel néznek szembe, amikor több teherautó érkezik ugyanabban az időablakban.

95%-os pontosság mellett a munkaerő-beosztás a tényleges teherautó-érkezésekhez igazodik. A csapatok kihasználtsága 15–25%-kal javul.

Ügyfélélmény:

Az a feladó, aki azt mondhatja ügyfelének, hogy „a szállítmánya 14:00 és 14:30 között érkezik”, ahelyett, hogy „valamikor 12:00 és 16:00 között”, a tranzakciós kapcsolatot szolgáltatásban kiemelkedővé alakítja. Az olyan szektorokban, mint az autóipari JIT, a 30 perces és a 4 órás időablak közötti különbség a szerződés megtartása vagy elvesztése közötti különbséget jelenti.

Az adatlendkerék: hogyan javul a pontosság az idő múlásával

Az ML-alapú ETA-rendszerek összetett javulási hatást mutatnak:

1. fázis: kezdeti betanítás (indítás előtt)

A modell a platform fuvarozói hálózatának múltbeli adatain tanul. A TrucksOnTheMap esetében ez több évet, évszakot és piaci helyzetet átfogó, több millió európai közúti fuvar útvonalat jelent. Kezdeti pontosság a jól lefedett útvonalakon: 88–92%.

2. fázis: útvonalspecifikus tanulás (1–6. hónap)

Ahogy a platform feldolgozza egy adott ügyfél élő szállítmányait, a modell adatokat gyűjt az adott ügyfél tényleges útvonalairól, fuvarozóiról és működési mintázatairól. Az ügyfélspecifikus útvonalakon a pontosság 92–95%-ra javul.

3. fázis: fuvarozóspecifikus tanulás (3–12. hónap)

A modell megtanulja az egyes fuvarozók viselkedési mintáit: az A fuvarozó következetesen 30 perccel később indul Krakkóból, de az A4-esen átlag 5%-kal gyorsabban halad; a B fuvarozó mindig ugyanannál a Brno melletti pihenőhelynél áll meg, pontosan 50 percre. Ezek az emberi tervezők számára láthatatlan mikromintázatok a 95–97%-os tartomány felső széle felé emelik a pontosságot.

4. fázis: kivételmintázatok felismerése (6. hónaptól)

A modell elkezdi felismerni a visszatérő kivételeket: a Berlin közelében zajló A10-es útépítés hétköznap reggelente mindig 22 perccel toldja meg az időt; a Brenner-hágó megközelítése 40%-kal lelassul minden novemberben, az első havazáskor; a rotterdami kikötő térsége kiszámíthatóan bedugul hétfő reggelente, amikor a heti konténerforgalom megindul a szárazföld belseje felé.

Ezért adnak pontosabb ETA-t azok a platformok, amelyek több korábbi adattal rendelkeznek. Egy újonnan érkező az európai szállítmánykövetési piacon még az 1. fázisban tart, miközben a bejáratott európai platformok már a 3-4. fázisban működnek. Az adatokra épülő öngerjesztő folyamat valódi versenyelőnyt jelent.

Az érkezésiidő-előrejelzés mögötti technológiai háttér

Adatbeolvasási réteg

Feldolgozási réteg

A nyers adatok egy feldolgozási folyamatba kerülnek, amely:

1. Megtisztítja és egységesíti a helyadatokat (kezeli a GPS-eltérést, a jelhézagokat, az országonkénti időzóna-átváltásokat)
2. Térképre illeszti a GPS-koordinátákat konkrét útszakaszokra (a 48.1351, 11.5820 koordinátán lévő kamion az A9-es autópályán halad délnek München közelében, nem pedig a párhuzamos szervizúton)
3. Kiszámítja az aktuális állapotot minden aktív szállítmányra (hátralévő távolság, előttünk lévő útszakaszok, jelenlegi sebességtrend)
4. Lefuttatja az ML-együttest egy ETA-előrejelzés generálásához, megbízhatósági intervallummal
5. Összeveti az előrejelzést a tervvel és kivételriasztásokat indít, ha az eltérés meghaladja a beállított küszöbértékeket

A modell újratanítása

Az ML-modellek nem statikusak. Rendszeres ciklusban tanulnak újra:

• Naponta: Beépítik az előző nap lezárt szállítmányainak adatait, hogy frissítsék az adott útvonalra jellemző sebességeloszlásokat
• Hetente: Újratanítás a teljes friss adathalmazon, hogy megragadják a változó mintázatokat (új útépítések, szezonális eltolódások)
• Negyedévente: A modell teljes újraérvényesítése egy elkülönített adathalmazon, hogy a pontosság megmaradjon vagy javuljon

Az ML-alapú ETA bevezetése az Ön működésébe

Mire van szüksége az induláshoz

1. Egy ML-alapú ETA-képességgel rendelkező szállítmánykövetési platform: Nem minden szállítmánykövetési platform használ gépi tanulást. Egyesek továbbra is távolság/sebesség alapú számításokra támaszkodnak, forgalmi adatokkal kiegészítve. Kérdezze meg a szállítót: „Az Önök ETA-ja korábbi fuvaradatokon tanított gépi tanuláson alapul, vagy az aktuális pozícióból és forgalomból számítódik?” A válasz elválasztja a valódi ML-alapú ETA-t a marketingígéretektől.
2. Fuvarozói telematikai kapcsolat vagy a sofőralkalmazás elterjedtsége: Az ML-modellek működéséhez GPS-adatok kellenek. Minél több fuvarozó szolgáltat valós idejű helyadatot, annál nagyobb az ETA-lefedettsége. Az olyan platformok, mint a TrucksOnTheMap, amelyek ingyenes fuvarozói regisztrációt kínálnak mobilalkalmazáson keresztül, megoldják ezt a telematika nélküli fuvarozók számára.
3. Korábbi adatok: Ha egy egyszerű nyomkövető rendszerről vált, az új platform indulási pontossága az Ön konkrét útvonalain 85-90% körüli lesz. A pontosság 3-6 hónapon belül 93-97%-ra javul, ahogy a modell megtanulja a hálózata mintázatait.
4. Integráció a downstream rendszerekkel: Az ML-alapú érkezésiidő-előrejelzés akkor hozza a legtöbb hasznot, ha közvetlenül betáplálja a dokkidőpont-foglalást (dinamikus időablak-kiosztás), az ügyfél-értesítési rendszereket (automatikus ETA-frissítések) és a fuvarozói teljesítményelemzést (a tényleges és az előrejelzett megbízhatóság összevetése).

A pontosság várható alakulása

A megtérülés számítása

Egy 3 000 komplett kamionrakományt (FTL) havonta kezelő európai feladó esetében:

Az ML-alapú ETA megtérülése nem marginális. Hanem átalakító erejű.

A jövő: merre tart az ML-alapú ETA

Előíró ETA

A mai ML-rendszerek azt jelzik előre, mikor érkezik meg egy kamion. A következő generáció már intézkedéseket javasol majd az érkezési idő befolyásolására:

• „Ha a sofőr Passauban tartja a pihenőjét Salzburg helyett, az érkezési idő 22 perccel javul, és a kamion még eléri a 14:00-s dokkidőablakot.”
• „Az A93 helyett az A8-on haladva 12 km-rel hosszabb az út, de az aktuális torlódás miatt 35 perccel rövidebb.”
• „Ha most szól a fogadónak, hogy készítse elő a 7-es dokkot, 15 perccel rövidül a fordulási idő.”

Autonóm ETA

Ahogy az autonóm kamionok megjelennek az európai folyosókon (Einride, Daimler Truck, MAN TGX autonóm tesztprogramok az A9-en), az érkezésiidő-előrejelzés egyszerre lesz egyszerűbb (nincs vezetési pihenőidő, állandó sebesség) és összetettebb (hatósági engedélyezés, kijelölt sávok, vegyes forgalmi kölcsönhatások). Az ML-modelleknek kezelniük kell majd az autonóm és hagyományos járművekből álló vegyes flottákat.

Hálózati szintű optimalizálás

Az egyedi érkezési idők előrejelzése helyett a jövő rendszerei teljes hálózatok szintjén optimalizálnak majd: „A ma 12 raktárba érkező 340 kamion mellett íme az az optimális dokkkiosztás, munkaerő-beosztás és fuvarozó-értesítési sorrend, amely minimalizálja a hálózat teljes várakozási idejét.” Ezen a ponton válik az ML-alapú ETA előrejelző eszközből döntéstámogató motorrá – és itt nyújt alapot a hálózati szintű intelligenciához a TrucksOnTheMap egységes architektúrája, amely az érkezésiidő-előrejelzést, a dokkidőpont-foglalást és a kapacitáskezelést egyetlen adatrétegen egyesíti.

Az európai közúti árufuvarozás akkora összetettséget, annyi adatot és olyan erős gazdasági ösztönzőt teremt, hogy az ML-előrejelzési technológiát gyorsabban viszi előre, mint a világ bármely más fuvarozási piaca. Azok a platformok, amelyek ebbe a képességbe fektetnek – európai adatokon tanulnak, az európai szabályozást veszik figyelembe és az európai széttagoltságot oldják meg –, határozzák majd meg, hogyan mozog az áru a kontinensen a következő évtizedben.