Probleemschets
De groei van de scheepvaart op Vlaamse waterwegen is goed voor de economie én voor het milieu maar brengt ook uitdagingen met zich mee, zoals saturatie. Bovendien wordt de planning op vlak van infrastructuur en personeel complexer. De bevoegde autoriteiten ontwikkelden daarom systemen die de planning helpen te optimaliseren. Deze maken echter – in tegenstelling tot routeplanning voor wagens – geen gebruik van machine learning. Ze gebruiken statistische gemiddeldes om aankomsttijden aan de kade te voorspellen, waardoor grote afwijkingen kunnen optreden tussen de voorspelde en de actuele aankomsttijd. Deze afwijkingen kunnen voor economische verliezen zorgen.
Centrale onderzoeksvraag
Hoe kunnen we aankomsttijden van binnenschepen nauwkeuriger voorspellen, door een model op te stellen waarin rekening gehouden wordt met meerdere parameters?
Onderzoeksmethode
We gebruiken machine learning om verbanden te vinden tussen historische scheepsbewegingen (AIS-data) enerzijds en vooropgestelde parameters anderzijds. Op basis daarvan werken we een algoritme uit, dat de aankomsttijd voorspelt. Die aankomsttijd vergelijken we enerzijds met de voorspelling van een routeplanner zonder AI (VisuRIS) en anderzijds met de reële aankomsttijd, door na de aankomst van het schip de AIS-data van het afgelegde traject te analyseren.
Verwachte output
De nagestreefde output van het onderzoeksproject is een specifiek algoritme (bijvoorbeeld een Bayesiaans netwerk) voor routeplanning van schepen, dat meer accurate voorspellingen toelaat dan de bestaande routeplanner van de Vlaamse overheid (VisuRIS), die geen AI gebruikt.