Einsatz neuronaler Netze zur Prognose von Schiffsbewegungen in der Nord- und Ostsee

Die Schiffsgrößenentwicklung der letzten Jahre, bei der die absolute Anzahl der Schiffsanläufe in den deutschen Seehäfen stagniert, die Bruttoraumzahl der Schiffe, die absoluten Gesamtumschlagsmengen sowie die Anzahl außergewöhnlich großer Fahrzeuge jedoch kontinuierlich wachsen, stellt die deutschen Häfen vor große Herausforderungen. Um diesem veränderten Verkehrsaufkommen vorausschauend begegnen zu können, wird am Fraunhofer CML ein Vorhersagemodell für die Seeverkehrslage in der deutschen Nord- und Ostsee entwickelt, um Schiffspositionen und insbesondere Ankunftszeiten in den Häfen präziser zu prognostizieren. Neben den Daten des AIS werden Wetter- und Umweltparameter wie Wind, Welle oder Strömung betrachtet, welche die Fahrzeiten der Schiffe entscheidend beeinflussen. Kernstück des entwickelten Vorhersagealgorithmus bilden zwei neuronale Feed-Forward-Netze: Basierend auf den aus den historischen Positionsdaten des AIS erstellter Trips wird innerhalb eines ersten neuronalen Netzes der Zusammenhang zwischen der Geschwindigkeit durchs Wasser (STW) als Zielvariable sowie einer Vielzahl erklärender Variablen modelliert. Die STW dient neben der Strömung als Input zur Modellierung der Geschwindigkeit über Grund, um abschließend mittels polynomialer Regression die Fahrzeit von einem definierten Start- zu einem Endpunkt und damit die Ankunftszeit zu prognostizieren. Innerhalb des GOR-Workshops wurden der forcierte Forschungsansatz sowie erste Ergebnisse der Modellanpassungen präsentiert.