Jak strojové učení dosahuje až 95% přesnosti predikce ETA v evropské přepravě

Software odhadovaný čas příjezdu je v nákladní logistice tím naprosto nejdůležitějším údajem. Odvíjí se od něj vše, co následuje: přidělování nakládacích ramp, plánování směn skladníků, návazná distribuce, načasování informování zákazníků i hodnocení výkonu dopravců. Pokud je ETA chybná, degraduje s ní každé z těchto rozhodnutí.

Výpočet ETA v evropské silniční přepravě byl po desetiletí primitivní: zbývající vzdálenost se vydělila průměrnou rychlostí, přidala se rezerva na nejistotu a doufalo se. Tento přístup dosahuje na evropských koridorech přesnosti 55–70 %, což znamená, že 30–45 % zásilek dorazí mimo třicetiminutové okno okolo predikovaného času. U skladu, který denně odbaví 80 příjezdů, to představuje 24–36 kamionů, jež dorazí v nečekanou dobu – každý z nich rozhází plán ramp, nechá vysokozdvižné vozíky a jejich obsluhu čekat naprázdno a zpoždění se pak řetězí celým provozem.

Strojové učení tuto rovnici zásadně změnilo. Analýzou milionů historických přeprav napříč evropskými silnicemi odhalují modely strojového učení – včetně hlubokých neuronových sítí a architektur typu gradient boosting – vzorce, jež žádný plánovač ani žádný jednoduchý vzorec zachytit nedokáže. Výsledek: u vyzrálých, na evropských datech natrénovaných modelů, jaké provozuje TrucksOnTheMap, může přesnost predikce ETA dosáhnout až 95 % v rámci třicetiminutového okna a proměnit tak sledováním v reálném čase z reportovacího nástroje v systém prediktivní provozní inteligence.

Tento článek vysvětluje, jak funguje predikce ETA založená na strojovém učení v evropské silniční přepravě, proč se Evropa předpovídá strukturálně obtížněji než jiné trhy a co 95% přesnost pro logistické provozy skutečně znamená.

Proč tradiční výpočty ETA v Evropě selhávají

Omyl vzdálenosti dělené rychlostí

Nejrozšířenější metoda výpočtu ETA v přepravě je až trapně jednoduchá:

ETA = aktuální čas + (zbývající vzdálenost / průměrná rychlost)

U kamionu, který je 450 km od cíle a jede průměrnou rychlostí 75 km/h, vyjde ETA na 6 hodin od tohoto okamžiku. Tento výpočet je z tolika důvodů chybný, že si sotva zaslouží označení odhad.

Proměnné, které vzdálenost dělená rychlostí ignoruje

Kamion vyjíždějící z Varšavy v pátek v 08:00 s dodáním do Rotterdamu čeká zásadně odlišná cesta než tentýž kamion vyjíždějící v úterý v 06:00. Páteční odjezd narazí na dopravní špičku na A2 u Poznaně, potká víkendovou kolonu na německých hranicích, projede pátečním odpoledním provozem Porúřím a podle týdenního fondu řidiče si možná vyžádá dvě povinné přestávky místo jedné. Úterní odjezd se tomu všemu vyhne. Stejná trasa, stejná vzdálenost, jiná realita.

Tradiční výpočty ETA obě cesty považují za totožné. Strojové učení nikoli.

Jak funguje predikce ETA pomocí strojového učení

Datový základ

Predikce ETA založená na strojovém učení začíná daty – obrovským množstvím historických údajů o zásilkách, jež zachycují skutečné chování kamionů na evropských silnicích:

Data o trajektoriích zásilek: – souřadnice GPS a GLONASS každou 1 až 5 minut u milionů dokončených zásilek – čas výjezdu, čas příjezdu, všechny zastávky (plánované i neplánované) – doby přepravy specifické pro jednotlivé trasy napříč tisíci evropskými relacemi odkud–kam

Data o silniční síti: – rychlostní profily po jednotlivých úsecích od poskytovatelů mapových podkladů – dopravní data v reálném čase od správců komunikací a agregátorů – plánované uzavírky a omezení na infrastruktuře – časy průjezdu mýtnými branami (kde jsou k dispozici)

Kontextová data: – aktuální počasí a předpovědi podél trasy – kalendářní data: den v týdnu, státní svátky podle zemí, prázdniny, církevní svátky – parametry evropských předpisů o době řízení – známé průměrné čekací doby na hraničních přechodech – sezónní vzorce přeprav (sklizeň, Vánoce, letní odstávka)

Data o řidiči a vozidle: – aktuální stav fondu řízení (odjeté hodiny dnes, tento týden) – typ vozidla a jeho rychlostní profil (40tunová návěsová souprava zrychluje a brzdí jinak než 7,5tunové vozidlo se skříní)

Architektura modelu strojového učení

Moderní systémy predikce ETA v přepravě obvykle využívají ansámblové modely, které kombinují více přístupů k predikci:

1. Historické modely tras

Pro každou frekventovanou trasu (např. Rotterdam–Mnichov po A3/E35) udržuje systém statistický model skutečných dob přepravy vycházející z tisíců historických jízd. Tyto modely zachycují:

• medián a rozptyl doby přepravy
• rozložení podle dne v týdnu (např. pondělní medián: 8 h 15 min; páteční medián: 9 h 40 min)
• vliv denní doby (odjezd v 06:00 vs. ve 14:00)
• sezónní vzorce (4. čtvrtletí bývá o 12 % pomalejší kvůli špičkovým objemům přeprav)

2. Modely úseků v reálném čase

Trasa se rozloží na jednotlivé silniční úseky, z nichž každý má vlastní predikci rychlosti. Jak kamion postupuje, model strojového učení:

• sleduje skutečnou rychlost na projetých úsecích
• porovnává ji s predikovanou rychlostí
• Přizpůsobuje predikce zbývajících úseků podle zjištěného vzorce odchylek
• Zahrnuje aktuální dopravní data pro nadcházející úseky

Právě díky této průběžné rekalibraci jsou predikce ETA založené na strojovém učení tím přesnější, čím blíže je kamion cíli. ETA vypočtená při odjezdu může mít přesnost v rámci 45 minut. Po třech hodinách jízdy se skutečně naměřenými daty se přesnost zúží na 15 minut.

3. Modul pro regulaci doby řízení

Jde o komponentu založenou na pravidlech (nikoli na strojovém učení), která je pro přesnost v Evropě zásadní:

• Vypočítává zbývající zákonnou dobu řízení řidiče podle aktuálního stavu
• Předpovídá, kde a kdy nastanou povinné 45minutové přestávky
• Zohledňuje denní limity řízení (9 h, dvakrát týdně prodloužitelné na 10 h)
• Zohledňuje požadavky na týdenní odpočinek u vícedenních přeprav

Bez této komponenty jakýkoli model strojového učení systematicky podceňuje dobu přepravy u jízd delších než 4,5 hodiny.

4. Detekce událostí a jejich zohlednění

Systém sleduje neobvyklé události, které narušují základní predikci:

• Neplánovaná zastávka (porucha, nehoda): pomocí pravidel geofencingu rozpozná zastávku mimo známé odpočívadla a čerpací stanice a podle charakteru zastávky odhadne čas pokračování v jízdě
• Odchylka od trasy: pomocí sledování geofencingového koridoru rozpozná opuštění plánované trasy a přepočítá ETA pro novou trasu
• Fronta na hranici: rozpozná pomalé přibližování k hraničnímu přechodu a použije historické rozložení zdržení na hranicích
• Zhoršení počasí: upraví predikce rychlosti podle srážek, větru nebo viditelnosti na zbývající trase

Predikční pipeline v praxi

Zde je popis toho, co se stane, když modul strojového učení TrucksOnTheMap vypočítá ETA pro kamion převážející automobilové komponenty z maďarského Győru do závodu BMW v německém Regensburgu:

Při odjezdu (Győr, pondělí 6:00): 1. Model trasy ji identifikuje jako dobře známý koridor: 290 km, historický medián pondělní jízdy 4 h 10 min 2. Kontrola dopravy v reálném čase: dálnice M1 volná, A1/E75 směr Vídeň s běžným provozem, A3 v Rakousku standardní 3. Počasí: jasno, bez vlivu 4. Stav řidiče: čerstvý začátek, k dispozici 9 h řízení, v rámci této jízdy není nutná přestávka 5. Počáteční ETA: 10:12 (interval spolehlivosti ±25 min)

Po 90 minutách (poblíž hraniční oblasti Hegyeshalom): 1. Kamion je 8 minut napřed oproti predikci modelu trasy (na M1 je slabší provoz než obvykle) 2. Doprava v reálném čase na rakouské A4 směr Vídeň ukazuje 15minutové zpomalení u Fischamendu 3. Úprava: +15 min z důvodu dopravy, −8 min díky rychlejšímu postupu, než se čekalo 4. Upravená ETA: 10:19 (interval spolehlivosti ±18 min: užší, protože naměřená data snižují nejistotu)

Po 3 hodinách (oblast Lince, A1): 1. Kamion udržoval napříč Rakouskem stálou rychlost 2. Doprava v reálném čase na A3 směr Pasov ukazuje běžné podmínky 3. Německá A3 za Pasovem s příjezdem do Regensburgu: volná 4. Upravená ETA: 10:08 (interval spolehlivosti ±12 min)

Výsledek: Kamion přijíždí v 10:05. Vrata doku byla přiřazena předem na základě predikce 10:08. Tým s vysokozdvižnými vozíky začíná vykládku do 4 minut od příjezdu.

Proč je Evropa strukturálně obtížnější na predikci

Regulatorní složitost vytváří predikční proměnné

Předpisy EU o době řízení (nařízení ES 561/2006) vytvářejí povinná přerušení, která v regionech s volnějšími pravidly neexistují. Každý model ETA musí zohlednit:

• Kde že si řidič vybere povinnou 45minutovou přestávku (odpočívadla s parkováním pro kamiony jsou na některých koridorech vzácná: kvůli nedostatku parkovacích míst pro kamiony v Německu řidiči někdy stráví hledáním místa 30 i více minut)
• Kdy je přestávka zákonně vyžadována (což závisí na tom, kdy řidič zahájil aktuální jízdu: tato data musí pocházet z tachografu dopravce nebo z aplikace řidiče)
• Zda si řidič přestávku rozdělí (pravidla EU umožňují rozdělit 45minutovou přestávku na sekvenci 15 min + 30 min)

Pokud tohle na trase dlouhé 900 km z Rotterdamu do Milána odhadnete špatně, může vzniknout chyba ETA v délce 90 minut: rozdíl mezi příjezdem před uzavřením skladu v 17:00 a příjezdem po něm.

Přeshraniční vlivy jsou reálné a proměnlivé

Kamion přejíždějící z Francie do Švýcarska čelí celním procedurám. Tentýž kamion přejíždějící z Německa do Rakouska nikoli (obě jsou v EU/Schengenu). Kamion přejíždějící z Maďarska do Srbska ale čelí plné celní kontrole. Model strojového učení musí vědět:

• Na kterých hranicích probíhají celní procedury (vnější hranice EU, EU–Spojené království po brexitu)
• Aktuální délky front na konkrétních přechodech
• Vzorce podle denní doby na každém přechodu (Dover–Calais v 6:00 oproti 14:00)
• Sezónní vzorce (dovolenkový provoz v létě na rakousko-německé hranici)

Geografická rozmanitost vytváří odlišné rychlostní profily

Evropská silniční infrastruktura se výrazně liší:

Model strojového učení natrénovaný jen na datech ze západoevropských dálnic bude na rumunských silnicích druhé třídy nebo v alpských koridorech předpovídat časy přepravy zcela mimo realitu. Platformy specializované na Evropu, jako je TrucksOnTheMap, trénují své modely na datech pokrývajících celé spektrum evropských podmínek na silnicích.

Co ve skutečnosti znamená 95% přesnost pro provoz

Matematika přesnosti ETA

95% přesnost v okně 30 minut znamená, že ze 100 zásilek jich 95 dorazí do 30 minut od předpovězeného času. Zbývajících 5 příjezdů spadá mimo toto okno, obvykle kvůli nepředvídatelným událostem (nehody, náhlá změna počasí, technická porucha).

Porovnejte to s tradičními metodami:

Provozní řetězová reakce

Rozdíl mezi 65% a 95% přesností ETA se promítne do celého logistického provozu:

Rezervace časových oken:

Při 65% přesnosti musí sklad s 20 nakládacími rampami a 80 příjezdy nákladních vozů denně přidělovat časová okna s rezervou (dvouhodinové sloty místo jednohodinových), aby pohltil kolísání ETA. Efektivní využití ramp: 55–65 %.

Při 95% přesnosti se okna zkracují na 45–60 minut. Stejných 20 ramp zvládne obsloužit více než 100 vozů denně, protože odbavení je rychlejší a prostoje mezi vozy klesají z 30–45 minut na 5–15 minut. Efektivní využití ramp: 80–90 %. Přesně proto systémy pro rezervaci časových oken, které nativně pracují s predikcemi ETA ze strojového učení, překonávají ruční rezervaci slotů.

Zdržné:

Zdržné stojí v Evropě 50–100 EUR za hodinu a vůz. Při 65% přesnosti čekají vozy v přijímacích místech v průměru 2,5–4 hodiny. Při 95% přesnosti klesá průměrné čekání na 30–75 minut. U skladu, který přijímá 80 vozů denně, jde o snížení přibližně o 140–260 hodin čekání denně: úspora na zdržném 7 000–26 000 EUR za den.

Plánování pracovních sil:

Vedoucí skladu rozvrhují vykládkové čety do směn. S nespolehlivými ETA mají dvě možnosti: – naddimenzovat počet lidí (plýtvání mzdovými náklady), aby měli pokrytí, když vozy přijíždějí nepředvídatelně, nebo – poddimenzovat je a čelit úzkým místům, když ve stejném okně dorazí několik vozů najednou.

Při 95% přesnosti se rozvrhování lidí sladí se skutečnými příjezdy vozů. Vytížení čet se zlepší o 15–25 %.

Zákaznická zkušenost:

Odesílatel, který svému zákazníkovi řekne „vaše dodávka dorazí mezi 14:00 a 14:30“ místo „někdy mezi 12:00 a 16:00“, mění transakční vztah ve vztah odlišený úrovní služby. V odvětvích jako automotive JIT je rozdíl mezi třicetiminutovým a čtyřhodinovým oknem rozdílem mezi udržením a ztrátou zakázky.

Datový setrvačník: jak se přesnost časem zlepšuje

Systémy ETA založené na strojovém učení vykazují efekt kumulativního zlepšování:

Fáze 1: Prvotní trénink (před spuštěním)

Model se trénuje na historických datech ze sítě dopravců dané platformy. U TrucksOnTheMap to znamená miliony trajektorií silniční nákladní přepravy po Evropě napříč několika lety, ročními obdobími a tržními podmínkami. Počáteční přesnost na dobře pokrytých trasách: 88–92 %.

Fáze 2: Učení specifické pro trasu (měsíce 1–6)

Jak platforma zpracovává živé zásilky konkrétního zákazníka, model shromažďuje data o jeho skutečných trasách, dopravcích a provozních vzorcích. Přesnost na trasách daného zákazníka roste na 92–95 %.

Fáze 3: Učení specifické pro dopravce (měsíce 3–12)

Model se učí vzorce chování jednotlivých dopravců: dopravce A vyjíždí z Krakova soustavně o 30 minut později, ale na A4 jede o 5 % rychleji než průměr; dopravce B vždy zastaví ve stejné odpočívce u Brna přesně na 50 minut. Tyto mikrovzorce, pro lidské plánovače neviditelné, posouvají přesnost k horní hranici rozpětí 95–97 %.

Fáze 4: Rozpoznávání vzorců výjimek (měsíce 6+)

Model začíná odhalovat opakující se vzorce výjimek: stavba na A10 u Berlína přidává ve všední dny ráno vždy 22 minut; nájezd na Brennerský průsmyk se při prvním listopadovém sněžení zpomalí o 40 %; oblast rotterdamského přístavu se pravidelně ucpává v pondělí ráno, když se týdenní kontejnerová doprava rozjíždí do vnitrozemí.

Právě proto poskytují platformy s větším objemem historických dat lepší ETA. Nový hráč na evropském trhu sledování zásilek začíná ve fázi 1, zatímco zavedené evropské platformy fungují ve fázi 3–4. Datový setrvačník je skutečnou konkurenční výhodou, kterou nelze snadno dohnat.

Technologie, na které stojí predikce ETA

Vrstva sběru dat

Vrstva zpracování

Surová data vstupují do zpracovatelského řetězce, který:

1. čistí a normalizuje data o poloze (řeší kolísání GPS signálu, výpadky signálu i převody časových pásem mezi zeměmi)
2. přiřazuje k mapě souřadnice GPS ke konkrétním úsekům silnic (kamion na souřadnicích 48.1351, 11.5820 se nachází na dálnici A9 ve směru na jih u Mnichova, nikoli na souběžné servisní komunikaci)
3. vypočítává aktuální stav každé aktivní zásilky (zbývající vzdálenost, úseky před vozidlem, aktuální trend rychlosti)
4. spouští ansámbl modelů strojového učení a generuje predikci ETA s intervalem spolehlivosti
5. porovnává predikci s plánem a spouští upozornění na výjimky, pokud odchylka překročí nastavené prahové hodnoty

Přetrénování modelů

Modely strojového učení nejsou statické. Přetrénovávají se v pravidelných cyklech:

• Denně: zapracovávají data z předchozího dne dokončených zásilek a aktualizují rozložení rychlostí na jednotlivých linkách
• Týdně: přetrénování na celém nedávném datovém souboru zachycuje vyvíjející se vzorce (nové práce na silnici, sezónní změny)
• Čtvrtletně: kompletní revalidace modelu vůči kontrolnímu datovému souboru zajistí, že přesnost zůstává zachována nebo se zlepšuje

Zavedení ETA založené na strojovém učení do Vašeho provozu

Co potřebujete pro začátek

1. Platforma pro sledování zásilek s podporou ETA pomocí strojového učení: ne všechny platformy pro sledování zásilek využívají strojové učení. Některé stále počítají ETA jen z vzdálenosti a rychlosti s doplněním o dopravu. Dodavatele se zeptejte: „Vychází Vaše ETA ze strojového učení natrénovaného na historických datech o přepravě, nebo se počítá z aktuální polohy a dopravní situace?“ Odpověď oddělí skutečnou ETA založenou na strojovém učení od marketingových tvrzení.
2. Napojení na telematiku dopravců nebo rozšíření aplikace pro řidiče: modely strojového učení ke svému fungování potřebují data GPS. Čím více dopravců poskytuje polohu v reálném čase, tím vyšší je pokrytí ETA. Platformy jako TrucksOnTheMap, které nabízejí bezplatné zapojení dopravců přes mobilní aplikaci, tento problém řeší i u dopravců bez telematiky.
3. Historická data: pokud přecházíte ze základního systému sledování, nová platforma dosáhne na Vašich konkrétních linkách počáteční přesnosti 85–90 %. Během 3 až 6 měsíců přesnost stoupne na 93–97 %, jak se model naučí vzorce Vaší sítě.
4. Integrace s navazujícími systémy: ETA založená na strojovém učení přináší maximální hodnotu, když se přímo propojí s rezervací časových oken (dynamické přidělování slotů), systémy pro informování zákazníků (automatické aktualizace ETA) a analýzou výkonnosti dopravců (měření skutečné spolehlivosti oproti predikované).

Očekávaný vývoj přesnosti v čase

Výpočet návratnosti

Pro evropského odesílatele, který zajišťuje 3 000 FTL zásilek měsíčně:

Návratnost investice do ML predikce ETA není okrajová. Je zásadní.

Budoucnost: Kam ML predikce ETA směřuje

Preskriptivní ETA

Současné ML systémy předpovídají, kdy kamion dorazí. Další generace navrhne kroky, jak dobu příjezdu změnit:

• „Pokud si řidič dá přestávku v Pasově místo v Salcburku, ETA se zlepší o 22 minut a stihne doK v 14:00.“
• „Trasa přes A8 místo A93 přidá 12 km, ale díky aktuální dopravní situaci ušetří 35 minut.“
• „Když příjemce upozorníme hned, aby připravil dok 7, zkrátí se odbavení o 15 minut.“

Autonomní ETA

S příchodem autonomních kamionů na evropské koridory (pilotní projekty Einride, Daimler Truck, MAN TGX autonomous na A9) se predikce ETA stává současně jednodušší (bez přestávek na řízení, konstantní rychlost) i složitější (regulatorní schvalování, vyhrazené jízdní pruhy, interakce ve smíšeném provozu). ML modely si budou muset poradit se smíšenými vozovými parky autonomních i konvenčních vozidel.

Optimalizace na úrovni sítě

Namísto předpovědi jednotlivých ETA budou budoucí systémy optimalizovat napříč celými sítěmi: „Při 340 příchozích kamionech ve 12 skladech pro dnešní den je zde optimální přidělení doků, rozvrh práce a posloupnost notifikací dopravcům, které minimalizují celkové zdržné v síti.“ Právě tady se ML predikce ETA mění z nástroje pro předpověď na rozhodovací systém – a právě zde poskytuje jednotná architektura TrucksOnTheMap, spojující predikci ETA s rezervací časových oken a řízením kapacit na jediné datové vrstvě, základ pro inteligenci na úrovni sítě.

Evropská silniční nákladní doprava vytváří dostatek složitosti, dostatek dat i dostatek ekonomických pobídek, aby posouvala technologie ML predikce kupředu rychleji než kterýkoli jiný dopravní trh na světě. Platformy, které do této schopnosti investují – tedy trénují na evropských datech, zohledňují evropské předpisy a řeší evropskou roztříštěnost – určí, jak se náklad bude po kontinentu pohybovat v příští dekádě.