KILOG

Projektziel

Ziel ist eine Steigerung der Effizienz und nachhaltigen Ressourcennutzung. Dabei werden terminalseitige Abläufe sowie schienenbasierte Operationen vorhergesagt, wodurch Engpässe minimiert werden sollen. Unter anderem liegt der Fokus auf der Reduzierung von Wartezeiten, Leerfahrten und Emissionen, wodurch ein leistungsfähigerer Hafenbetrieb entstehen soll.

Perspektivisch entsteht eine robuste, KI-gestützte Basis, die langfristig nachhaltige Kapazitätsauslastungen und -einsparungen generiert.

 

Projektgegenstand

KILOG baut auf fortschrittlichen KI-Prognosemodellen und Large Language Model (LLMs) auf, um Containerprozesse in Häfen umfassend zu optimieren. Das Vorhaben nutzt modernste Methoden zur Prognose ein- und ausgehender Containerströme über Schiff und Bahn, ergänzt um hochfrequente Daten. Diese werden mithilfe einer hybriden Lakehouse-Struktur verarbeitet, sodass vielfältige Datentypen integriert werden können.

Hierdurch lassen sich terminalseitige Prozesse gezielt Prognosen in die terminalseitige verfeinern, während sich der Ressourceneinsatz merklich reduziert.

KILOG erweitert klassische Zeitreihenmodelle um LLM-Komponenten für unstrukturierte Daten. Eine agile Vorgehensweise integriert Echtzeitinformationen in eine hybride Lakehouse-Architektur, sodass strukturierte und unstrukturierte Quellen gemeinsam ausgewertet werden können. Für Schiff, Bahn und Terminalbetrieb werden Prognoseansätze entwickelt, anhand historischer Daten trainiert und iterativ optimiert. LLMs verarbeiten Meldungen, wodurch Vorhersagen zum Containeraufkommen und zur Lagerauslastung noch präziser werden. Dynamische Anpassungen reagieren auf Planänderungen oder Verzögerungen. Nach ausgiebigen Tests erfolgt die Integration in bestehende Systeme. Schnittstellen speisen optimierten Prozesse, wodurch Engpässe früh erkennbar sind und die Hafenlogistik insgesamt nachhaltiger gestaltet wird. 

     

Aufgaben des CML

• Mitwirken bei der Entwicklung der Use Cases an den HHLA-Terminals
• Konzeption verschiedener Lösungsansätze für die erarbeiteten Use Cases
• Entwicklung verschiedener KI-Modelle zur Prognose von Containerbewegungen
• Entwicklung von LLM-basierten Ansätzen zur Aufbereitung unstrukturierter Daten
• Integration von Echtzeitdaten und dynamischen Anpassungsmechanismen in die Lösungsansätze
• Entwicklung von Mechanismen für selbstlernende KI-Modelle
• Mitwirken bei der Integration der Lösungsansätze in die bestehende Systemlandschaft der HHLA

 

Projektkonsortium

Das Konsortium besteht aus der HHLA AG (Koordinator) und dem Fraunhofer CML.

 

Förderrahmen

Das Projekt wird über zwei Jahre durch das Förderprogramm IHATEC II – Innovative Hafentechnologien II des Bundesministeriums für Digitales und Verkehr gefördert. Die Laufzeit des Projektes ist von 03/2025 bis 02/2027.

Projektvolumen: 1.116.423,40 € (davon 72% Förderanteil durch BMDV)