Ziel des Projektes ist die systematische Verbesserung von quantitativer Entscheidungsunterstützung in der urbanen Mobilität und Logistik. Erreicht wird dies durch eine Analyse methodischer Funktionalitäten für unterschiedliche Problemstellungen und dem Ableiten eines generellen Konzeptes zum Design von zukünftigen Methoden.Für Anwendungen der urbanen Mobilität und Logistik ist eine effektive, schnelle, und skalierbare operative Entscheidungsfindung notwendig. Oftmals werden Entscheidung unter unvollständiger Information getroffen, zum Beispiel bezüglich des Kundenbedarfs, der Verkehrssituation, oder auch der verfügbaren Ressourcen. Auf sich ändernde Informationen zu reagieren reicht oftmals nicht aus. Vorausschauende, antizipierende Entscheidungen sind notwendig. In Praxis und Wissenschaft wurden bereits einige antizipierende Methoden entwickelt, zumeist zugeschnitten auf konkrete Problemstellungen. Solche Methoden können zum Beispiel Daumenregeln folgen, Sampling-Verfahren einsetzen oder auch Techniken des Reinforcement Learning nutzen. Sie liefern oftmals effektive Entscheidungen für die individuellen Problemstellungen. Allerdings gibt es bisher kaum allgemeingültige Erkenntnisse wie Problemcharakteristika und Methodenperformance zusammenhängen. Dies ist das Ziel dieses Projektes.Das Projekt wird diese Zusammenhänge systematisch untersuchen. Hierzu werden Probleme aus drei unterschiedlichen Anwendungsbereichen betrachtet: die Kombination von Mobilitäts- und Transportleistungen, die Nutzung eines Netzwerkes von Paketstationen zum Transport innerhalb der Stadt, und die Lieferung mittels selbstständiger Fahrer*innen in der Gig Economy. Die Problemstellungen unterscheiden sich in mehreren Dimensionen, insbesondere in der Art der Unsicherheit. Zur Klassifizierung dieser Probleme werden Maße entwickelt, zum Beispiel zur Bestimmung der Problemkomplexität oder der Struktur und Stärke der Unsicherheit. Für jeden Problembereich wird eine Menge strukturell unterschiedlicher Methoden entwickelt. Diese liefern zum einen effektive Entscheidungen für die individuellen Probleme. Zum anderen erlauben sie eine systematische Analyse der Zusammenhänge zwischen Problemen und Methoden. Hierzu werden ebenfalls Maße entwickelt Methoden zu klassifizieren, zum Beispiel bezüglich der Geschwindigkeit oder der Interpretierbarkeit der Entscheidungsfindung. Die Experimente und Ergebnisse werden bezüglich der entwickelten Maße geplant und analysiert und gehen abschließend im konzeptuellen Rahmenwerk auf.

Projekt im Forschungsportal ansehen

Um mit E-Commerce-Giganten wie Amazon zu konkurrieren, bieten viele lokale Unternehmen eine schnelle Lieferung am selben Tag an, oft innerhalb weniger Stunden nach der Bestellung. Die Lieferungen werden von lokalen Lieferflotten durchgeführt. Die kurzen Lieferzeiten und die geografische Verteilung der Abhol- und Lieferorte führen jedoch zu einem Mangel an Konsolidierungsmöglichkeiten. Abhilfe können so genannte Mikro-Hubs schaffen, die als Umschlagplätze für Pakete in der städtischen Zustellung dienen können. Die Fahrer können Pakete aus benachbarten Geschäften zur Weiterverteilung einlagern. Sie können auch Pakete von verschiedenen Geschäften abholen, um sie gemeinsam an Kunden in derselben Region zu liefern. So können Mikro-Hubs die Konsolidierungsmöglichkeiten erhöhen und auch den Einsatz kleinerer, umweltfreundlicher und sauberer Fahrzeuge für die Zustellung auf der ersten und letzten Meile ermöglichen. Im Rahmen dieses Projekts werden Optimierungsmodelle entwickelt, die Konsolidierungszentren in das Abhol- und Zustellsystem der städtischen taggleichen Zustellung einbeziehen. Außerdem werden verschiedene Lösungsansätze untersucht, um der Unsicherheit der Nachfrage zum Zeitpunkt der Planung Rechnung zu tragen.
Dieser Text wurde mit DeepL übersetzt

Projekt im Forschungsportal ansehen