Neuer Transformer liefert präzisere Schiffszeiten für zukünftige Segmente
Genauere Vorhersagen der Segmente einer Schiffsreise sind entscheidend, um maritime Fahrpläne zuverlässiger zu gestalten und Hafenabläufe langfristig zu optimieren. Traditionelle ETA‑Modelle konzentrieren sich jedoch meist auf den unmittelbar nächsten Hafen und nutzen Echtzeit‑AIS‑Daten, die für zukünftige Segmente nicht verfügbar sind.
Die vorliegende Studie wandelt die Vorhersage der Ankunftszeit an zukünftigen Häfen in ein segmentweises Zeitreihenproblem um. Dabei wird ein Transformer‑Modell entwickelt, das historische Segmente, Indikatoren für die Auslastung des Zielhafens und statische Schiffsdaten kombiniert.
Durch eine kausal maskierte Aufmerksamkeitsmechanik erfasst das Modell langfristige zeitliche Abhängigkeiten, während ein Multi‑Task‑Learning‑Head gleichzeitig die Segmente und den Hafenzustand vorhersagt. Gemeinsame latente Signale reduzieren die Unsicherheit erheblich.
Die Evaluation auf einem weltweiten Datensatz aus dem Jahr 2021 zeigt, dass das neue Modell gegenüber einer breiten Basis an Konkurrenzmodellen konstant bessere Ergebnisse liefert. Im Vergleich zu sequentiellen Baselines sinkt der mittlere absolute Fehler um 4,85 % und der mittlere absolute Prozentfehler um 4,95 %. Gegen Gradient‑Boosting‑Maschinen reduziert sich der MAE um 9,39 % und der MAPE um beeindruckende 52,97 %. Fallstudien für große Zielhäfen verdeutlichen die überlegene Genauigkeit des Ansatzes.