SPECTRUM – APPLIED RESEARCH 90 / UdZ 02.24 Ein tiefes Verständnis der gegenwärtigen technologischen Möglichkeiten und Herausforderungen im multimodalen Transportwesen, das die nahtlose Kombination verschiedener Verkehrsträger wie Lkw, Bahn, Schiff und Flugzeug umfasst, ist entscheidend für die erfolgreiche Umsetzung des EU-Projekts ‚ReMuNet‘. Die strategische Planung des multimodalen Transports, die bisher nur begrenzt erforscht wurde, erfordert innovative Ansätze, um die zunehmende Komplexität zu bewältigen. Zwar existieren Modelle zur Kostenminimierung durch integrierte Dienstpläne und zur parallelen Optimierung von Transport und Lagerung, doch umfassende Modelle, die alle Aspekte des multimodalen Transports abdecken, fehlen bislang. Mit ‚ReMuNet‘ greift das Projektteam deutlich über den aktuellen Stand der Technik hinaus, indem es diese Lücke schließt und einen ganzheitlichen Ansatz für verschiedene Transportmodi entwickelt. Zusätzliche Variablen werden integriert und Probleme im Verständnis und der Definition werden ausgeräumt, um die steigende Komplexität zu bewältigen und eine gemeinsame Sprache für die wissenschaftliche und wirtschaftliche Gemeinschaft zu schaffen. In der Routenplanung wird häufig der Dijkstra-Algorithmus eingesetzt, um optimale Wege zu bestimmen2. Neuere Algorithmen wie CRP und der „Transfer Patterns Algorithm“ kommen bei Diensten wie Bing Maps und Google Maps zum Einsatz3. Ein globales, multimodales System gibt es jedoch noch nicht4. Im Projekt ‚ReMuNet‘ werden diese Algorithmen durch die Integration von Störungsvariablen weiterentwickelt. Zusätzlich zur Herausforderung, einen Routing-Algorithmus für multimodale Logistik zu erstellen, werden verschiedene Algorithmen hinsichtlich ihrer Fähigkeit, auf Störungen zu reagieren, verglichen. Ziel ist es, eine Plattform zu schaffen, die alternative Routen vorschlägt, wenn Störungen auftreten. Bezüglich der Erkennung zukünftiger disruptiver Ereignisse werden dynamische Klimamodelle verwendet, die hochauflösende Informationen über Klima- und Wetterdaten liefern. Im Projekt ‚ReMuNet‘ werden diese fortschrittlichen Klimadaten genutzt, um Vorhersagen über die Auswirkungen von Störereignissen zu treffen. Durch den Einsatz von maschinellem Lernen werden effiziente und nachhaltige Alternativrouten geplant, um durch Störungen verursachte Engpässe zu vermeiden. Der Algorithmus passt sich laufend an neue Szenarien und Ereignisse an und nutzt aktuelle Klimadaten, um regionale Risiken besser bewerten zu können. Transportmarktplätze und Frachtplattformen sind wesentliche Elemente der Logistikbranche, wobei der Marktführer täglich bis zu einer Million Angebote verarbeitet5. Nichtsdestotrotz A deep understanding of the current technological opportunities and challenges in multimodal transport, which refers to the seamless integration of different transportation modes, such as truck, rail, ship and air, is crucial for the successful implementation of the EU project ‘ReMuNet’. The strategic planning of multimodal transport, which has only been researched to a limited extent so far, demands innovative approaches to address its increasing complexity. While models exist for minimizing costs through integrated duty rosters and for simultaneously optimizing transport and storage, comprehensive models that cover all aspects of multimodal transport are still lacking. With ReMuNet, the project team aims to surpass the current state of the art by bridging this gap and developing a holistic approach that integrates different modes of transport. By incorporating additional variables and resolving problems related to understanding and definitions, the project seeks to manage the increasing complexity and create a common language for the scientific and business communities. In route planning, the Dijkstra algorithm is widely used to identify optimal routes. More recent algorithms such as CRP and the ‘Transfer Patterns Algorithm’ are employed by services such as Bing Maps and Google Maps. However, a global, multimodal system has yet to be developed. Within the ReMuNet project, these algorithms are being advanced by integrating interference variables. In addition to the challenge of designing a routing algorithm for multimodal logistics, various algorithms are being evaluated for their capacity to respond to disruptions. The aim is to create a platform capable of suggesting alternative routes in the event of disruptions. To detect future disruptive events, dynamic climate models are employed to provide high-resolution information on climate and weather data. In the ReMuNet project, this advanced climate data is utilized to predict the impact of disruptive events. Machine learning is applied to plan efficient and sustainable alternative routes, avoiding bottlenecks caused by disruptions. The algorithm continuously adapts to new scenarios and events and uses current climate data to better assess regional risks. Transport marketplaces and freight platforms play a pivotal role in the logistics industry, with the market leader handling up to one million offers per day. 2 s. Glaeser 2020, S. 266 3 s. Bast et al. 2016, S. 64 4 s. ebda, a. a. O. 2 see Glaeser 2020, p. 266 3 see Bast et al. 2016, p. 64 4 see Bast et al. 2016, p. 64
RkJQdWJsaXNoZXIy NzcyMw==