Machine learning voor multimodale vrachtketenmodellering: casestudy van NEAC's Mode Chain Builder System

Kunstmatige intelligentie (AI) is een hoeksteen geworden van innovatie in alle sectoren, en de kern van AI is machine learning. Machine learning stelt systemen in staat om van data te leren en zich in de loop der tijd aan te passen. In onderzoek naar goederenvervoer biedt machine learning mogelijkheden om uitdagingen aan te pakken waar traditionele modellen mee worstelen, vooral wanneer de data gefragmenteerd of onvolledig is.

Recentelijk worden big data-analyse en machine learning steeds meer toegepast in goederenonderzoek, met toepassingen variërend van vraagvoorspelling tot voorspelling van vervoerswijzekeuze en optimalisatie van routetoewijzing. Onderzoeken tonen consistent aan dat machine learning traditionele methoden overtreft in voorspellende nauwkeurigheid. Toch blijft één gebied grotendeels onontgonnen: het toepassen van machine learning om goederenstromen over complete multimodale transportketennetwerken te schatten. Deze kloof is aanzienlijk, omdat huidige methoden vaak worstelen met een hoge dimensionaliteit, gefragmenteerde datasets en het gebrek aan waargenomen data op ketenniveau.

Voor haar scriptie onderzocht onze stagiaire Eka Wulandari hoe machine learning het NEAC-systeem kan verbeteren bij het voorspellen van de Europese goederenstromen. Het onderzoek introduceert een adaptief multimodaal model voor goederenketens dat:

• Praktische vereisten voor havenselectie en vrachtafhandeling integreert in de constructie van de keten, met behulp van een graafzoekalgoritme (Breadth-First Search met linkeliminatie).
• Het Expectation-Maximisation (EM)-algoritme toepast, een niet-gesuperviseerde machine learning-methode, om de verdeling van vraagaandelen te schatten wanneer individuele gegevens op padniveau niet beschikbaar zijn.

 

Toegepast op goederenbewegingen tussen Nederland en België genereerde het model sets van geldige multimodale ketenalternatieven. Door machine learning te implementeren — met name het Expectation-Maximisation (EM)-algoritme — was het mogelijk om de verdeling van vraagaandelen over deze alternatieven te voorspellen en afwijkingen tussen voorspelde stromen en waargenomen gegevens van Eurostat succesvol te minimaliseren. Twee datasets, transportstromen en havenactiviteitsstatistieken, werden als referentiepunten gebruikt. Het model reduceerde consistent de algehele afwijking tot convergentie, wat aangeeft dat het raamwerk de best mogelijke prestaties bereikte gezien de beschikbare invoergegevens en inherente afwegingen. Dit toont aan dat de combinatie van grafiekgebaseerde padconstructie met ongeleid leren een praktische, datagestuurde aanpak biedt voor multimodale goederenvervoersmodellering.

 

Belangrijke bijdragen van dit onderzoek zijn:

• Een gevalideerd model voor de constructie van de modale keten, volledig afgestemd op gegevens over infrastructuurbeschikbaarheid.
• Een iteratief model voor de schatting van de vraagaandelen dat voorspellingen verfijnt met behulp van geaggregeerde Eurostat-gegevens.
• Een demonstratie van hoe machine learning de kloof kan overbruggen tussen gefragmenteerde datasets en realistische multimodale modellering van goederenketens.

Door deze innovaties te integreren, kan de Mode Chain Builder een nauwkeurigere en flexibelere tool worden ter ondersteuning van besluitvorming voor beleidsmakers en planners die goederenstromen willen begrijpen en transportbeleid willen evalueren.

De volledige (Engelstalige) scriptie is hier te vinden.