Datengetriebene Jetfuel-Prognose: Erfolgreiche Fallstudie am Flughafen Kopenhagen

Eine präzise Vorhersage des Jetfuel-Bedarfs ist für die Optimierung der Lieferketten in der Luftfahrtbranche unverzichtbar. Besonders Treibstoffhändler benötigen genaue Schätzungen, um Engpässe oder Überbestände zu vermeiden. Trotz dieser Notwendigkeit gibt es bislang nur wenige Untersuchungen, die maschinelles Lernen zur Prognose einsetzen; stattdessen greifen viele Fachleute auf deterministische oder Expertenmodelle zurück.

In dieser Studie wurden datengetriebene Ansätze anhand umfangreicher Daten eines führenden dänischen Treibstoffvertriebs analysiert. Der Fokus lag auf der Vorhersage für die nächsten 30 Tage, da dieser Zeitraum für die Beschaffungsstrategie entscheidend ist. Dabei wurden klassische Zeitreihenmodelle, Prophet, LSTM‑Sequenz‑zu‑Sequenz‑Netzwerke sowie hybride Modelle miteinander verglichen.

Ein zentrales Element der Untersuchung war die Berücksichtigung von drei unterschiedlichen Datensätzen. Durch die Integration zusätzlicher Variablen konnten die Modelle ihre Genauigkeit deutlich steigern. Die Ergebnisse zeigen, dass datengetriebene Verfahren die Prognoseleistung gegenüber traditionellen Methoden übertreffen.

Die Fallstudie demonstriert, wie moderne Machine‑Learning‑Techniken die Planung von Treibstoffbestellungen verbessern können. Sie liefert wertvolle Erkenntnisse für Praktiker, die ihre Beschaffungsprozesse effizienter gestalten wollen, und unterstreicht den Nutzen einer datenbasierten Entscheidungsgrundlage in der Luftfahrtlogistik.