Die Bestandsverwaltung („Inventory Management“) ist in der Luftfahrt von entscheidender Bedeutung, um sicherzustellen, dass wichtige Vorräte, einschließlich Catering, Komfortartikel für Passagiere und Notfallausrüstung, für einen reibungslosen Betrieb verfügbar sind. Missmanagement kann zu Verzögerungen, höheren Kosten und betrieblichen Ineffizienzen führen. Maschinelles Lernen (ML) bietet das Potenzial, historische Daten zu analysieren, den Bestandsbedarf vorherzusagen und Wiederauffüllungsprozesse zu rationalisieren, was letztendlich die Durchlaufzeiten verbessert und Abfall reduziert.
Ziele:
- Entwickeln Sie ein ML-basiertes Rahmenwerk zur Prognose des Bestandsbedarfs, zur Optimierung von Wiederauffüllungsplänen und zur Minimierung von Verzögerungen im Flugbetrieb.
- Identifizieren Sie Schlüsselfaktoren, die die Lagernutzungsmuster beeinflussen.
- Testen und validieren Sie Vorhersagemodelle anhand realer oder synthetischer Luftfahrtinventardaten.
- Bereitstellung umsetzbarer Erkenntnisse, um Kosten zu senken und die Verfügbarkeit kritischer Artikel sicherzustellen.
Forschungsfragen:
- Wie können ML-Modelle den Bestandsbedarf für Catering, Komfort und Notfallversorgung auf der Grundlage von Flug- und Passagierdaten vorhersagen?
- Welche Funktionen (z. B. Passagierzahl, Flugdauer) wirken sich erheblich auf die Inventarnutzung aus?
Aufgaben:
- Datenerfassung: Erfassen Sie historische Bestandsnutzungsdaten, Flugpläne und Passagierdaten. Nutzen Sie offene Datensätze oder erstellen Sie synthetische Daten, die Bestandstrends in der Luftfahrt widerspiegeln.
- Datenvorverarbeitung: Daten bereinigen und vorverarbeiten (Behandlung fehlender Werte, Normalisierung von Funktionen). Führen Sie eine explorative Datenanalyse (EDA) durch, um Trends und Korrelationen zu identifizieren.
- Feature Engineering: Identifizieren Sie einflussreiche Merkmale wie Flugdauer, Saisonalität, Passagierzahl und regionale Präferenzen. Entwickeln Sie abgeleitete Funktionen, wie den Durchschnittsverbrauch pro Passagier.
- Modellentwicklung: Wenden Sie überwachte ML-Modelle an, wie zum Beispiel: Regressionsmodelle (für Mengenprognosen) und Klassifizierungsmodelle (um kritische Lagerengpässe zu erkennen). Vergleichen Sie es mit unbeaufsichtigtem Lernen zur Anomalieerkennung.
- Testen: Verwenden Sie historische Daten für das Modelltraining und aktuelle Daten für die Validierung.
- Bewertungsmetriken: Genauigkeit und Präzision von Vorhersagen. Reduzierung von Über-/Unterbeständen. Zeitersparnis bei Wiederauffüllungsprozessen.
Weitere Informationen bei:
Dr. Thomas Feuerle, t.feuerle@tu-braunschweig.de
Parth Purohit, parth-yogeshbhai.purohit@tu-braunschweig.de