Jak uczenie maszynowe pozwala osiągnąć nawet 95% dokładności ETA w transporcie na terenie Europy

Rynek prognozowany czas dostawy to najważniejsza informacja w logistyce transportu. Zależy od niej cała reszta procesu: przydział doków, planowanie pracy magazynu, organizacja dalszej dystrybucji, moment powiadomienia klienta oraz ocena skuteczności przewoźnika. Gdy ETA jest błędne, każda z tych decyzji traci na jakości.

Przez dziesięciolecia wyliczanie ETA w europejskim transporcie drogowym opierało się na prymitywnej metodzie: dzielono pozostały dystans przez średnią prędkość, doliczano zapas na niepewność i liczono na szczęście. Takie podejście daje 55–70% trafności na europejskich korytarzach, co oznacza, że 30–45% ładunków dociera poza 30-minutowym oknem względem przewidywanego czasu. Dla magazynu obsługującego 80 pojazdów przyjeżdżających dziennie to 24–36 ciężarówek pojawiających się w nieoczekiwanych porach, z których każda zaburza harmonogram doków, unieruchamia zespoły wózków widłowych i wywołuje lawinę opóźnień w całej operacji.

Uczenie maszynowe całkowicie zmieniło to równanie. Analizując miliony historycznych przewozów na europejskich drogach, modele ML — w tym głębokie sieci neuronowe i architektury zespołowe typu gradient boosting — wychwytują wzorce, których nie uchwyci żaden planista ani prosty wzór. Efekt: w dojrzałych modelach trenowanych na europejskich danych, takich jak ten wykorzystywany przez TrucksOnTheMap, prognozy ETA osiągają nawet 95% trafności w oknie 30-minutowym, przekształcając monitoringu dostępnej ładowności w czasie rzeczywistym z narzędzia raportowego w predykcyjny system inteligencji operacyjnej.

W tym artykule wyjaśniamy, jak działa prognozowanie ETA oparte na uczeniu maszynowym w europejskim transporcie drogowym, dlaczego Europa jest strukturalnie trudniejsza do przewidzenia niż inne rynki oraz co 95% trafności faktycznie oznacza dla operacji logistycznych.

Dlaczego tradycyjne wyliczanie ETA zawodzi w Europie

Pułapka wzoru dystans przez prędkość

Najczęściej stosowana metoda ETA w transporcie jest zawstydzająco prosta:

ETA = aktualny czas + (pozostały dystans / średnia prędkość)

Dla ciężarówki znajdującej się 450 km od celu, jadącej ze średnią prędkością 75 km/h, wyliczone ETA wynosi 6 godzin od teraz. To wyliczenie jest błędne z tak wielu powodów, że trudno je w ogóle nazwać szacunkiem.

Zmienne, które wzór dystans/prędkość pomija

Ciężarówka wyjeżdżająca z Warszawy o 08:00 w piątek z dostawą do Rotterdamu ma przed sobą zupełnie inną podróż niż ta sama ciężarówka wyruszająca we wtorek o 06:00. Piątkowy wyjazd trafia w szczyt ruchu na A2 pod Poznaniem, napotyka weekendowe zatory na granicy niemieckiej, mierzy się z piątkowym popołudniowym ruchem w Zagłębiu Ruhry i może wymagać dwóch obowiązkowych przerw zamiast jednej, w zależności od tygodniowego czasu pracy kierowcy. Wtorkowy wyjazd omija to wszystko. Ta sama trasa, ten sam dystans, inna rzeczywistość.

Tradycyjne wyliczenia ETA traktują oba przejazdy identycznie. Uczenie maszynowe — nie.

Jak działa prognozowanie ETA oparte na uczeniu maszynowym

Fundament danych

Prognozowanie ETA oparte na ML zaczyna się od danych — ogromnych ilości historycznych danych o przewozach, które odzwierciedlają rzeczywiste zachowanie ciężarówek na europejskich drogach:

Dane o trajektoriach przewozów: – współrzędne GPS i GLONASS co 1–5 minut dla milionów zrealizowanych przewozów – czas rozpoczęcia, czas zakończenia, wszystkie postoje (planowane i nieplanowane) – czasy przejazdu specyficzne dla poszczególnych tras na tysiącach europejskich par nadania–dostawy

Dane o sieci drogowej: – profile prędkości odcinek po odcinku od dostawców map – strumienie danych o ruchu w czasie rzeczywistym od zarządców dróg i agregatorów – zaplanowane roboty drogowe i zamknięcia infrastruktury – czasy przejazdu przez punkty poboru myta (tam, gdzie są dostępne)

Dane kontekstowe: – obserwacje i prognozy pogody wzdłuż trasy – dane kalendarzowe: dzień tygodnia, święta państwowe w poszczególnych krajach, ferie szkolne, święta religijne – parametry unijnych przepisów o czasie prowadzenia – znane średnie czasy oczekiwania na przejściach granicznych – sezonowe wzorce transportu (żniwa, święta Bożego Narodzenia, letnia przerwa)

Dane o kierowcy i pojeździe: – aktualny stan czasu prowadzenia (godziny przejechane dziś, w tym tygodniu) – typ pojazdu i profil prędkości (40-tonowy pojazd członowy przyspiesza i zwalnia inaczej niż 7,5-tonowy pojazd sztywny)

Architektura modelu ML

Nowoczesne systemy prognozowania ETA w transporcie zwykle korzystają z modeli zespołowych łączących wiele podejść predykcyjnych:

1. Modele historyczne tras

Dla każdej często pokonywanej trasy (np. Rotterdam–Monachium przez A3/E35) system utrzymuje statystyczny model rzeczywistych czasów przejazdu oparty na tysiącach historycznych przejazdów. Modele te ujmują:

• Medianę czasu przejazdu i jego zmienność
• Rozkład według dni tygodnia (np. mediana poniedziałku: 8 h 15 min; mediana piątku: 9 h 40 min)
• Wpływ pory dnia (wyjazd o 06:00 a o 14:00)
• Wzorce sezonowe (IV kwartał zwykle 12% wolniejszy z powodu szczytu wolumenów transportowych)

2. Modele odcinków w czasie rzeczywistym

Trasa jest rozkładana na odcinki drogowe, z których każdy ma własną prognozę prędkości. W miarę jak ciężarówka pokonuje trasę, model ML:

• Obserwuje rzeczywistą prędkość na pokonanych odcinkach
• Porównuje ją z prognozowaną prędkością
• Koryguje prognozy dla pozostałych odcinków na podstawie zaobserwowanego wzorca odchyleń
• Uwzględnia dane o ruchu drogowym w czasie rzeczywistym dla nadchodzących odcinków

Właśnie dzięki tej ciągłej rekalibracji prognozy ETA oparte na uczeniu maszynowym stają się dokładniejsze w miarę zbliżania się pojazdu do celu. ETA wyliczona w chwili wyjazdu może być trafna z dokładnością do 45 minut. Trzy godziny później, po zebraniu rzeczywistych danych, margines błędu zawęża się do 15 minut.

3. Moduł uwzględniający czas pracy kierowcy

To komponent oparty na regułach (a nie na uczeniu maszynowym), kluczowy dla dokładności w warunkach europejskich:

• Oblicza pozostały kierowcy legalny czas jazdy na podstawie aktualnego stanu zegara
• Prognozuje, gdzie i kiedy wystąpią obowiązkowe 45-minutowe przerwy
• Uwzględnia dzienne limity jazdy (9 godz., z możliwością wydłużenia do 10 godz. dwa razy w tygodniu)
• Bierze pod uwagę wymogi odpoczynku tygodniowego przy przewozach wielodniowych

Bez tego komponentu każdy model uczenia maszynowego będzie systematycznie zaniżał czas przejazdu dla tras dłuższych niż 4,5 godziny.

4. Wykrywanie zdarzeń i korekta

System monitoruje zdarzenia nietypowe, które unieważniają prognozę bazową:

• Nieplanowany postój (awaria, zdarzenie drogowe): wykrywa postój poza znanymi miejscami odpoczynku i stacjami paliw przy użyciu reguł geofencingu, szacuje czas wznowienia jazdy na podstawie charakteru postoju
• Zjazd z trasy: wykrywa odejście od zaplanowanej trasy dzięki monitorowaniu korytarza geofence, przelicza ETA na nowej trasie
• Kolejka na granicy: wykrywa powolne zbliżanie się do przejścia granicznego i stosuje historyczny rozkład opóźnień granicznych
• Pogorszenie warunków pogodowych: koryguje prognozy prędkości na podstawie opadów, wiatru lub widoczności na pozostałym odcinku trasy

Proces prognozowania w praktyce

Oto co dzieje się, gdy silnik uczenia maszynowego TrucksOnTheMap wylicza ETA dla pojazdu wiozącego komponenty motoryzacyjne z Győr na Węgrzech do zakładu BMW w Ratyzbonie w Niemczech:

W chwili wyjazdu (Győr, poniedziałek, 06:00): 1. Model relacji rozpoznaje ją jako dobrze znany korytarz: 290 km, historyczna poniedziałkowa mediana 4 godz. 10 min 2. Kontrola ruchu w czasie rzeczywistym: autostrada M1 przejezdna, A1/E75 w kierunku Wiednia z normalnym natężeniem, A3 w Austrii bez zakłóceń 3. Pogoda: bezchmurnie, bez wpływu 4. Stan kierowcy: świeży start, 9 godz. jazdy do dyspozycji, przerwa niepotrzebna na tej trasie 5. Wstępna ETA: 10:12 (przedział ufności ±25 min)

Po 90 minutach (okolice przejścia Hegyeshalom): 1. Pojazd jedzie 8 minut przed prognozą modelu relacji (lżejszy niż zwykle ruch na M1) 2. Ruch w czasie rzeczywistym na austriackiej A4 w kierunku Wiednia wykazuje 15-minutowe spowolnienie w okolicy Fischamend 3. Korekta: +15 min z powodu ruchu, -8 min dzięki szybszemu od oczekiwanego przejazdowi 4. Skorygowana ETA: 10:19 (przedział ufności ±18 min: węższy, ponieważ zaobserwowane dane zmniejszają niepewność)

Po 3 godzinach (okolice Linzu, A1): 1. Pojazd utrzymywał stałą prędkość przez całą Austrię 2. Ruch w czasie rzeczywistym na A3 w kierunku Passau wykazuje normalne warunki 3. Niemiecki odcinek A3 za Passau, zbliżanie się do Ratyzbony: przejezdny 4. Skorygowana ETA: 10:08 (przedział ufności ±12 min)

Wynik: Pojazd dociera o 10:05. Brama rozładunkowa została przydzielona z wyprzedzeniem na podstawie prognozy 10:08. Zespół z wózkami widłowymi rozpoczyna rozładunek w ciągu 4 minut od przyjazdu.

Dlaczego Europa jest strukturalnie trudniejsza do prognozowania

Złożoność regulacyjna tworzy zmienne prognostyczne

Unijne przepisy o czasie pracy kierowcy (rozporządzenie WE 561/2006) narzucają obowiązkowe przerwy, których nie ma na rynkach o bardziej liberalnych regulacjach. Każdy model ETA musi uwzględniać:

• Gdzie kierowca odbędzie obowiązkową 45-minutową przerwę (miejsc odpoczynku z parkingiem dla ciężarówek brakuje na niektórych korytarzach: przez niedobór parkingów w Niemczech kierowcy potrafią spędzić ponad 30 minut na poszukiwaniu miejsca)
• Kiedy przerwa jest wymagana prawnie (co zależy od momentu rozpoczęcia bieżącej sesji jazdy: dane muszą pochodzić z tachografu przewoźnika lub aplikacji dla kierowcy)
• Czy kierowca podzieli przerwę (przepisy UE dopuszczają podział 45-minutowej przerwy na sekwencję 15 min + 30 min)

Pomyłka w tym zakresie na trasie 900 km z Rotterdamu do Mediolanu może skutkować błędem ETA rzędu 90 minut: to różnica między dotarciem przed zamknięciem magazynu o 17:00 a przyjazdem już po.

Efekty transgraniczne są realne i zmienne

Pojazd przekraczający granicę z Francji do Szwajcarii musi przejść procedury celne. Ten sam pojazd jadący z Niemiec do Austrii już nie (oba kraje w UE/strefie Schengen). Ale pojazd jadący z Węgier do Serbii czeka pełna kontrola celna. Model uczenia maszynowego musi wiedzieć:

• Na których granicach obowiązują procedury celne (granice zewnętrzne UE, granica UE–Wielka Brytania po brexicie)
• Aktualne długości kolejek na konkretnych przejściach
• Wzorce zależne od pory dnia na każdym przejściu (Dover–Calais o 06:00 vs 14:00)
• Wzorce sezonowe (wakacyjny ruch na granicy austriacko-niemieckiej)

Zróżnicowanie geograficzne tworzy odrębne profile prędkości

Europejska infrastruktura drogowa jest ogromnie zróżnicowana:

Model uczenia maszynowego wytrenowany wyłącznie na danych z zachodnioeuropejskich autostrad będzie rażąco błędnie prognozował czasy przejazdu na rumuńskich drogach niższej kategorii czy w korytarzach alpejskich. Platformy wyspecjalizowane w rynku europejskim, takie jak TrucksOnTheMap, trenują swoje modele na danych obejmujących pełne spektrum europejskich warunków drogowych.

Co dokładnie oznacza 95% dokładności w praktyce operacyjnej

Matematyka dokładności ETA

Dokładność na poziomie 95% w oknie 30 minut oznacza, że na każde 100 przesyłek 95 dociera w ciągu 30 minut od prognozowanego czasu. Pozostałych 5 dostaw wypada poza tym oknem, zwykle na skutek zdarzeń niemożliwych do przewidzenia (wypadki, nagłe załamanie pogody, awarie mechaniczne).

Porównajmy to z metodami tradycyjnymi:

Kaskada skutków operacyjnych

Różnica między dokładnością ETA na poziomie 65% a 95% odbija się echem w każdym obszarze działalności logistycznej:

Awizacja dostaw:

Przy dokładności 65% magazyn z 20 bramami rozładunkowymi i 80 pojazdami przyjmowanymi dziennie musi nadmiarowo rezerwować okna czasowe (sloty 2-godzinne zamiast 1-godzinnych), aby zamortyzować zmienność ETA. Efektywne wykorzystanie ramp: 55-65%.

Przy dokładności 95% okna czasowe zawężają się do 45-60 minut. Te same 20 bram jest w stanie obsłużyć ponad 100 pojazdów dziennie, ponieważ obrót jest szybszy, a czas przestoju między pojazdami spada z 30-45 minut do 5-15 minut. Efektywne wykorzystanie ramp: 80-90%. To właśnie dlatego systemy awizacji dostaw, które natywnie korzystają z prognoz ETA opartych na uczeniu maszynowym, przewyższają ręczną awizację.

Czas przestojów:

Przestoje kosztują w Europie 50-100 EUR za godzinę na pojazd. Przy dokładności 65% pojazdy czekają w miejscach odbioru średnio 2,5-4 godziny. Przy dokładności 95% średni czas oczekiwania spada do 30-75 minut. Dla magazynu przyjmującego 80 pojazdów dziennie oznacza to skrócenie oczekiwania o około 140-260 godzin pracy pojazdu dziennie: 7 000-26 000 EUR dziennych oszczędności na postojowym.

Planowanie zasobów ludzkich:

Kierownicy magazynów układają grafiki ekip rozładunkowych w systemie zmianowym. Przy niepewnych ETA mają dwie możliwości: – nadmierne obsadzenie zmian (marnotrawstwo kosztów pracy), by zapewnić obsługę, gdy pojazdy przyjeżdżają w nieprzewidywalnych porach, albo – niedostateczne obsadzenie i wąskie gardła, gdy kilka pojazdów zjawia się w tym samym oknie.

Przy dokładności 95% grafik pracy jest dopasowany do rzeczywistych przyjazdów pojazdów. Wykorzystanie ekip poprawia się o 15-25%.

Doświadczenie klienta:

Załadowca, który może powiedzieć swojemu klientowi „dostawa dotrze między 14:00 a 14:30” zamiast „gdzieś między 12:00 a 16:00”, przekształca relację czysto transakcyjną w relację wyróżniającą się jakością obsługi. W branżach takich jak motoryzacja JIT różnica między oknem 30-minutowym a 4-godzinnym decyduje o utrzymaniu bądź utracie kontraktu.

Koło zamachowe danych: jak dokładność rośnie z czasem

Systemy ETA oparte na uczeniu maszynowym wykazują efekt kumulatywnej poprawy:

Faza 1: Trening początkowy (przed uruchomieniem)

Model trenuje się na danych historycznych z sieci przewoźników platformy. W przypadku TrucksOnTheMap oznacza to miliony trajektorii europejskiego transportu drogowego z wielu lat, sezonów i warunków rynkowych. Początkowa dokładność na dobrze pokrytych trasach: 88-92%.

Faza 2: Uczenie się specyfiki tras (miesiące 1-6)

W miarę jak platforma przetwarza bieżące przesyłki konkretnego klienta, model gromadzi dane o rzeczywistych trasach, przewoźnikach i schematach operacyjnych tego klienta. Dokładność na trasach charakterystycznych dla danego klienta rośnie do 92-95%.

Faza 3: Uczenie się specyfiki przewoźników (miesiące 3-12)

Model uczy się indywidualnych wzorców zachowań poszczególnych przewoźników: Przewoźnik A regularnie wyrusza z Krakowa 30 minut później, ale jedzie o 5% szybciej od średniej na A4; Przewoźnik B zawsze zatrzymuje się na tym samym miejscu obsługi podróżnych pod Brnem na dokładnie 50 minut. Te mikrowzorce, niewidoczne dla planistów, podnoszą dokładność ku górnej granicy przedziału 95-97%.

Faza 4: Rozpoznawanie wzorców zdarzeń wyjątkowych (miesiąc 6 i dalej)

Model zaczyna wychwytywać powtarzające się schematy zdarzeń wyjątkowych: roboty drogowe na A10 pod Berlinem zawsze dodają 22 minuty w poranki dni roboczych; dojazd do przełęczy Brenner zwalnia o 40% przy pierwszych opadach śniegu każdego listopada; okolice portu w Rotterdamie w przewidywalny sposób korkują się w poniedziałkowe poranki, gdy tygodniowy ruch kontenerowy zaczyna przemieszczać się w głąb lądu.

To właśnie dlatego platformy dysponujące większą ilością danych historycznych dostarczają lepszych ETA. Nowy gracz na rynku Europejski rynek monitoringu transportu rozpoczyna Fazę 1, podczas gdy uznane platformy europejskie działają już w Fazie 3-4. Efekt kuli śnieżnej w danych stanowi realną przewagę konkurencyjną nie do przeskoczenia.

Technologia stojąca za prognozowaniem ETA

Warstwa gromadzenia danych

Warstwa przetwarzania

Surowe dane trafiają do potoku przetwarzania, który:

1. Oczyszcza i normalizuje dane o lokalizacji (obsługując dryf GPS, luki w sygnale, konwersje stref czasowych między krajami)
2. Dopasowuje do mapy współrzędne GPS względem konkretnych odcinków dróg (pojazd o współrzędnych 48.1351, 11.5820 znajduje się na autostradzie A9 w kierunku południowym w pobliżu Monachium, a nie na równoległej drodze serwisowej)
3. Oblicza bieżący stan każdego aktywnego transportu (pozostały dystans, odcinki drogi przed pojazdem, aktualny trend prędkości)
4. Uruchamia zespół modeli ML w celu wygenerowania prognozy ETA wraz z przedziałem ufności
5. Porównuje prognozę z planem i wyzwala alerty o odchyleniach, gdy odchylenie przekracza skonfigurowane progi

Ponowne uczenie modeli

Modele ML nie są statyczne. Uczą się ponownie w regularnym cyklu:

• Codziennie: uwzględnienie danych z zakończonych transportów z poprzedniego dnia w celu aktualizacji rozkładów prędkości na poszczególnych trasach
• Co tydzień: ponowne uczenie na pełnym, aktualnym zbiorze danych w celu uchwycenia zmieniających się wzorców (nowe roboty drogowe, zmiany sezonowe)
• Co kwartał: pełna rewalidacja modelu na wydzielonym zbiorze danych, aby zapewnić utrzymanie lub poprawę dokładności

Wdrożenie prognozowania ETA opartego na ML w Państwa operacjach

Co jest potrzebne, aby zacząć

1. Platforma monitoringu transportu z funkcją ETA opartą na ML: nie wszystkie platformy monitoringu wykorzystują uczenie maszynowe. Niektóre wciąż opierają się na obliczeniach dystansu i prędkości z nakładką danych o ruchu. Warto zapytać dostawcę: „Czy Państwa ETA opiera się na uczeniu maszynowym wytrenowanym na historycznych danych transportowych, czy jest wyliczane z bieżącej pozycji i ruchu drogowego?”. Odpowiedź odróżnia prawdziwe ETA oparte na ML od haseł marketingowych.
2. Łączność z telematyką przewoźników lub wdrożenie aplikacji dla kierowcy: modele ML potrzebują danych GPS, aby działać. Im więcej przewoźników udostępnia dane o lokalizacji w czasie rzeczywistym, tym większy zasięg prognozowania ETA. Platformy takie jak TrucksOnTheMap, które oferują bezpłatne wdrożenie przewoźników przez aplikację mobilną, rozwiązują ten problem w przypadku przewoźników bez telematyki.
3. Dane historyczne: jeśli przechodzą Państwo z podstawowego systemu monitoringu, nowa platforma na Państwa konkretnych trasach osiągnie na starcie dokładność rzędu 85-90%. Dokładność wzrasta do 93-97% w ciągu 3-6 miesięcy, w miarę jak model poznaje wzorce Państwa sieci.
4. Integracja z systemami po stronie odbiorczej: prognozowanie ETA oparte na ML daje maksymalną wartość, gdy zasila bezpośrednio awizację dostaw (dynamiczne przydzielanie slotów), systemy powiadamiania klientów (automatyczne aktualizacje ETA) oraz analitykę wyników przewoźników (pomiar rzeczywistej niezawodności względem prognozowanej).

Oczekiwany harmonogram poprawy dokładności

Obliczenie ROI

Dla europejskiego załadowcy obsługującego 3 000 ładunków FTL miesięcznie:

Argument ROI za ETA opartym na ML nie jest marginalny. Jest przełomowy.

Przyszłość: dokąd zmierza ETA oparte na ML

Preskryptywne ETA

Obecne systemy ML przewidują, kiedy pojazd dotrze na miejsce. Kolejna generacja będzie podpowiadać działania zmieniające moment przyjazdu:

• „Jeśli kierowca zrobi przerwę w Passau zamiast w Salzburgu, ETA poprawi się o 22 minuty i zmieści się w oknie dokowym o 14:00”
• „Trasa przez A8 zamiast A93 wydłuża drogę o 12 km, ale dzięki bieżącym korkom oszczędza 35 minut”
• „Powiadomienie odbiorcy już teraz, aby przygotował dok 7, skróci obrót o 15 minut”

Autonomiczne ETA

W miarę jak pojazdy autonomiczne wjeżdżają na europejskie korytarze (piloty Einride, Daimler Truck, autonomiczny MAN TGX na A9), prognozowanie ETA staje się jednocześnie prostsze (brak przerw w czasie jazdy, stała prędkość) i bardziej złożone (zatwierdzenia regulacyjne, wyznaczone pasy, interakcje w ruchu mieszanym). Modele ML będą musiały obsługiwać floty łączące pojazdy autonomiczne i konwencjonalne.

Optymalizacja na poziomie sieci

Zamiast przewidywać pojedyncze ETA, przyszłe systemy będą optymalizować w skali całych sieci: „Mając dziś 340 pojazdów przyjeżdżających do 12 magazynów, oto optymalny przydział doków, harmonogram pracy i kolejność powiadamiania przewoźników, które minimalizują łączny czas przestojów w sieci”. To właśnie tutaj ETA oparte na ML przekształca się z narzędzia prognostycznego w silnik decyzyjny — i tu ujednolicona architektura TrucksOnTheMap, łącząca prognozowanie ETA z awizacją dostaw i zarządzaniem przepustowością na jednej warstwie danych, stanowi fundament inteligencji na poziomie sieci.

Europejski transport drogowy generuje na tyle dużą złożoność, na tyle wiele danych i na tyle silne bodźce ekonomiczne, że rozwija technologię prognozowania ML szybciej niż jakikolwiek inny rynek transportowy na świecie. Platformy, które inwestują w te możliwości — ucząc modele na europejskich danych, uwzględniając europejskie regulacje i rozwiązując europejskie rozproszenie — będą wyznaczać sposób przemieszczania ładunków po kontynencie przez najbliższą dekadę.