Lastspitzen bei der LKW-Abfertigung an logistischen Knoten führen zu ungewünschten Wartezeiten für Spediteure, erhöhtem Verkehrsaufkommen und gesteigerter Umweltbelastung. Gleichzeitig sind die zugrundeliegenden Lastwechsel eine große Herausforderung für die Ressourcenplanung der Knoten selbst.
In dieser Arbeit untersuchen wir den konkreten Fall von maritimen Leercontainerdepots. Wir konzentrieren uns auf die Vorhersage von Containerbewegungen zur Abschätzung des Arbeitsaufkommens basierend auf historischen Daten. Durch die Bereitstellung der berechneten Prognoseinformation wird eine verbesserte Einsatzplanung und damit Effizienzsteigerung bei beteiligten Transportunternehmen sowie den Knoten selbst angestrebt. Hierfür verwenden wir künstliche neuronale Netze und vergleichen die erzielten Ergebnisse mit Standardverfahren.
Am Beispiel von vier maritimen Containerdepots verschiedener Größe im norddeutschen Raum stellen wir die Ergebnisse unserer Experimente mit Realdaten vor. Wir beobachten, dass unter Verwendung geeigneter Konfigurationen der Methoden eine zufriedenstellende Prognose erstellt werden kann. Trotz der merklichen Verbesserung im Vergleich zu ARIMA-Modellen verbleibt ungenutztes Potential in der Einbindung zusätzlicher Einflussfaktoren sowie einer extensiven vorhergehenden Datenanalyse.