Ein Entsorgungsunternehmen möchte die Routen seiner Fahrzeuge für die Entleerung öffentlicher Entsorgungsbehälter optimieren. Derzeit werden die Kapazitäten der Fahrzeuge nicht voll ausgenutzt. Ein Routenplaner soll auf Basis des Füllstandes der Entsorgungsbehälter optimale Routen berechnen. Im Ergebnis soll die benötige Fahrzeugflotte für die Entleerung der Behälter reduziert werden.
Die Routenplanung basiert bisher auf der Erfahrung der Fahrer und wird durch diese selbst bestimmt. Daher werden die Kapazitäten des Fahrzeuges nur selten voll ausgenutzt. Erschwerend kommt hinzu, dass der Füllstand alleine keine zuverlässige Planung erlaubt. Es gibt immer wieder zeitliche und regionale Besonderheiten, die eine Anpassung der Routen erfordern. Beispiele sind:
Für eine fortlaufende Erfassung des Füllstandes werden die Abfallbehälter mit einem IoT Device ausgestattet, das mittels Ultraschallsensor fortlaufend den Füllstand via Mobilfunk an einen Server übermittelt.
Der Routenplaner wurde auf Basis von Java und Quarkus entwickelt, ein Cloud-native Framework. Die Sensordaten werden durch eine Optimierungsengine in eine bedarfsgerechte, optimale Route überführt.
Zur Steigerung der Vorhersagekraft kommt ein neuronales Netz zum Einsatz. Das System ist selbstlernend und verbessert die Qualität der berechneten Routen fortlaufend. Die Effizienz der Behälterleerung konnte deutlich erhöht werden. Das Unternehmen kann jedes siebte Fahrzeug einsparen.
Sie sind mit ähnlichen Herausforderungen konfrontiert?