DC FieldValueLanguage
dc.contributor.advisorSchulte, Stefan-
dc.contributor.authorKonlechner, Rafael-
dc.date.accessioned2020-06-28T07:10:20Z-
dc.date.issued2018-
dc.date.submitted2018-06-
dc.identifier.citation<div class="csl-bib-body"> <div class="csl-entry">Konlechner, R. (2018). <i>Using the Internet of things and real-time data for optimizing freight streams in transportation networks</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-114235</div> </div>-
dc.identifier.urihttps://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-114235-
dc.identifier.urihttp://hdl.handle.net/20.500.12708/3360-
dc.description.abstractDie effiziente Abwicklung von Teilladungstransporten stellt wegen kurzfristiger Änderungen im Transportbedarf für die strategische Fahrplanberechnung eine Herausforderung dar, die zu schlecht ausgelasteten Transportfahrzeugen und zu vielen ökonomisch und ökologisch problematischen Leerkilometern führt. In dieser Arbeit stellen wir eine technische Lösung zur Erfassung von Echtzeitdaten in Logistiknetzwerken vor, mit deren Hilfe gewisse Entscheidungen der Transportplanung und Fahrplanerstellung vom strategischen in den operationalen Horizont rücken, um die Effizienz von Teilladungstransporten zu erhöhen. Im Detail präsentieren wir eine Systemarchitektur, die es erlaubt Daten aus heterogenen Datenquellen wie etwa Internet of Things (IoT) Sensoren und Datenservices zu einem detailreichen, aktuellen Abbild der physischen Realität zusammenzuführen, um auf Basis dieses Abbildes mit Methoden aus dem Operations Research dynamische Fahrpläne abzuleiten, die besser auf Bedarfsfluktuationen reagieren können. Mit Dynamic Transshipment with Time Constraints in a Finite Planning Horizon und Vehicle Assignment definieren wir formal zwei mathematische Optimierungsmodelle, deren sequentielle Ausführung der dynamischen Berechnung von Fahrplänen dient und die Beschränkungen auf Lieferzeiten, Transportkapazitäten und Umschlagsvolumina berücksichtigen. In einer Auswertung mit operativen Daten eines österreichischen Logistikunternehmens zeigen wir die deutlichen Effizienzsteigerungen eines dynamisch errechneten Fahrplans, im Vergleich zu statischen Fahrplänen. Unsere Ergebnisse zeigen eine Verringerung der Gesamtzahl an gefahrenen Kilometern um durchschnittlich 15.2% und eine Erhöhung der Fahrzeugauslastung um 2.8 Prozentpunkte. Durch die Einführung eines Systems zur Behandlung von zu Verspätung führenden Ausnahmezuständen etwa Fahrzeuggebrechen oder Verkehrsverzögerungen zeigen wir zudem die Robustheit des Systems gegenüber ebensolchen Zwischenfällen.de
dc.description.abstractLTL (Less than Truckload) shipping has an efficiency problem, due to inflexible schedules and the inability to address short-term changes in demand. We propose a technical solution for improving the efficiency of LTL shipping by automating aspects of operational decision-making using rich, real-time information. In particular, we propose a framework for collecting heterogeneous data from Internet of Things (IoT) sensors and data services in the context of logistics networks to maintain a rich state of the environment as a basis for routing and scheduling decisions. We use this information for optimizing freight streams by applying standard Operations Research methods to the problem. In particular, we introduce a methodology for computing dynamic vehicle schedules based on dynamic demand in a level of detail that allows schedules to be planned and adapted in an autonomous decision process in day-to-day operations. To that end, we formally define Dynamic Transshipment with Time Constraints in a Finite Planning Horizon and Vehicle Allocation, two mathematical optimization problems that build a schedule based on dynamic demand, considering constraints on delivery times, capacities of vehicles, loading terminals and hubs. Finally, we demonstrate the performance of our approach with evaluations based on operational data from an Austrian logistics company. In these evaluations, we are able to reduce the total amount of driven kilometers by 15.2% and improve vehicle utilization by 2.8 percentage points. By introducing and testing a mechanism for incident handling, we also demonstrate the robustness of our framework against unforeseen delays, such as vehicle breakdowns or traffic congestions.en
dc.format88 Seiten-
dc.languageEnglish-
dc.language.isoen-
dc.subjectInternet of Thingsen
dc.subjectAutonomous Logisticsen
dc.subjectLogistics Monitoringen
dc.subjectMathematical Optimizationen
dc.titleUsing the Internet of things and real-time data for optimizing freight streams in transportation networksen
dc.typeThesisen
dc.typeHochschulschriftde
dc.publisher.placeWien-
tuw.thesisinformationTechnische Universität Wien-
tuw.publication.orgunitE184 - Institut für Informationssysteme-
dc.type.qualificationlevelDiploma-
dc.identifier.libraryidAC15064991-
dc.description.numberOfPages88-
dc.identifier.urnurn:nbn:at:at-ubtuw:1-114235-
dc.thesistypeDiplomarbeitde
dc.thesistypeDiploma Thesisen
tuw.advisor.orcid0000-0001-6828-9945-
item.fulltextwith Fulltext-
item.cerifentitytypePublications-
item.cerifentitytypePublications-
item.openaccessfulltextOpen Access-
item.languageiso639-1en-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.grantfulltextopen-
item.openairetypeThesis-
item.openairetypeHochschulschrift-
Appears in Collections:Thesis

Files in this item:


Page view(s)

48
checked on Nov 28, 2021

Download(s)

83
checked on Nov 28, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.