Einen Container vorhersagen, damit Lastwagen nicht mehr zu leeren fahren
Vorhersagen, wie schnell sich ein Abfallcontainer füllt, damit Sammelfahrzeuge nicht mehr zu Behältern fahren, die gar nicht voll sind.
KOCOs bisherige Prognose war eine adaptive lineare Regression: die Füllrate zwischen zwei Leerungen mitteln und fortschreiben. Das funktioniert, sieht aber immer nur Daten von Sammeltagen, eine Handvoll Punkte pro Woche. Das Unternehmen wollte wissen, ob achtzehn Monate spärlicher Wägungen etwas Besseres tragen können.
Forschungsingenieur. Als ich dazustiess, gab es Vorarbeiten; ich habe den grössten Teil davon neu gemacht, die Evaluation entworfen und die Ergebnisse vor dem Kunden vertreten.
Der Export wird auf einen einzigen Chip, eine Sammelstelle und eine Abfallart heruntergefiltert. Die Modelle gelten pro Container, nicht global.
Jede Leerung wird zu einem linearen Segment: das hinzugekommene Gewicht durch die verstrichenen Tage teilen und zwischen den Messungen interpolieren, um eine Reihe in kg/Tag zu erhalten.
Den Logarithmus der Zielgrösse nehmen, damit eine einzelne riesige Wägung nicht dominiert, das letzte Stück als Testmenge zurückhalten und jede Modellfamilie anpassen.
Jedes Modell gegen das Bestandssystem antreten lassen, einmal über alle interpolierten Punkte und einmal nur über echte Sammeltage.
Eine dockerisierte Trainings- und Inferenzstrecke, gesteuert über eine Konfigurationsdatei, dazu ein separates Analyse-Toolkit.
Eine gemeinsame fit/predict-Schnittstelle für statistische und neuronale Modelle, damit der Vergleich vergleichbar bleibt
Liest den Excel-Export, den der Kunde tatsächlich schickt, unverändert
Trug die RNN-, LSTM- und Transformer-Experimente, die am Ende verloren
Jeder Regler steckt in der Konfiguration statt im Code, sodass ein erneutes Training keine Entwicklerin braucht
Training und Inferenz als unabhängig schaltbare Dienste
Ein zweites Ergebnis: Saisonalität, Messintervalle und Trends je Abfallart, filterbar
Nur Sammeltage, die Zahl, auf die ein Disponent tatsächlich reagiert. Mittlerer absoluter Fehler und mittlerer absoluter prozentualer Fehler, auf dem Container, auf den die ausgelieferte Konfiguration zeigt.
| KOCOs lineares Modell | Prophet | FFT | RNN | LSTM | Transformer | |
|---|---|---|---|---|---|---|
| Mittlerer absoluter Fehler | 75,0 kg | 48,04 kg (best) | 60,69 kg | 92,37 kg | 61,39 kg | 150,31 kg |
| Mittlerer absoluter Fehler in % | 40,42% | 20,8% (best) | 30,16% | 36,7% | 27,68% | 57,93% |
| Wurzel des mittleren quadratischen Fehlers | 94,93 kg | 65,43 kg (best) | 75,31 kg | 112,57 kg | 76,93 kg | 164,45 kg |
statt · Die feinere stündliche Auflösung, ursprünglich mit dem Kunden vereinbart
Bei stündlicher Auflösung war rund 98% der Reihe durch Interpolation erfunden, und nichts im Feld belegte, dass sich ein Behälter innerhalb eines Tages linear füllt. Der Wechsel auf Tage machte das Modell nicht klüger: er hob den ehrlichen Anteil der Daten von 2% auf 26%. Die gröbere Option zu wählen ist das, was die Zahlen belastbar gemacht hat.
statt · Ein einziger Train/Test-Wert, wie ihn jede Standardschleife liefert
Über alle Punkte zu bewerten misst die Übereinstimmung mit einer Interpolation, die wir selbst erfunden haben. Ein Modell kann gut aussehen, weil es eine Gerade gut nachzeichnet. Über Sammeltage zu bewerten misst das, worauf der Disponent reagiert. Erst beides zusammen hat den Unterschied sichtbar gemacht.
statt · RNN, LSTM und Transformer härter treiben, mit mehr Kapazität und einer echten Hyperparametersuche
Sie kosteten im Training und im Betrieb dasselbe und lieferten weniger. Bei ein paar hundert Tagespunkten pro Container gibt es für ein grosses Netz nichts zu finden, und die Struktur, die tatsächlich da ist, ein Jahreszyklus und ein Wochenrhythmus, ist genau das, wofür eine additive Zerlegung und eine Fourier-Transformation gebaut sind.
statt · Die Notebooks übergeben, das Ergebnis des ersten Jahres
Ein Modell, das nur seine Autorin neu trainieren kann, ist kein Ergebnis, sondern eine Beratungsabhängigkeit. Konfigurationsgesteuertes Training und Inferenz als getrennte Dienste heissen, dass sie monatlich ohne uns neu trainieren können.
KOCO Solutions verkauft Software für die Abfallsammlung, und ihre bisherige Prognose war eine adaptive lineare Regression: die Füllrate zwischen zwei Leerungen mitteln und fortschreiben. Das funktioniert, sieht aber immer nur Daten von Sammeltagen, eine Handvoll Punkte pro Woche.
Das erste Problem war nicht die Modellierung, sondern die Form der Daten. Die an den Sammelstellen erfassten Gewichte mussten zu einer durchgehenden Reihe werden, bevor ein Zeitreihenmodell überhaupt ansetzen kann. Also haben wir die Messungen in eine Kette linearer Regressionen überführt und dazwischen interpoliert, um eine Füllrate in kg/Tag zu erhalten. Begonnen hatten wir mit kg/Stunde und es verworfen: dort waren nur 2,15% der Punkte echte Messungen gegenüber 25,6% bei Tagesauflösung, und es gab keinen Feldbeleg dafür, dass die Befüllung innerhalb eines Tages linear verläuft. Die gröbere Auflösung zu wählen war die Entscheidung, die die Zahlen belastbar gemacht hat.
Danach haben wir fünf Modellfamilien (Prophet, FFT, RNN, LSTM, Transformer) gegen das bestehende System gestellt, alle nach demselben zweiteiligen Protokoll: ein Wert über alle interpolierten Punkte, einer nur über echte Sammeltage. Der erste misst, ob die Kurve stimmt, der zweite, ob sie an dem Tag nützt, an dem ein Disponent entscheidet.
Die tiefen Modelle verloren. RNNs, LSTMs und Transformer landeten auf oder leicht unter KOCOs linearer Basis, bei vergleichbarem Aufwand für Training und Betrieb. Prophet und FFT gewannen, Prophet deutlich: 48,04 kg mittlerer absoluter Fehler gegenüber 75,0 kg beim Bestandssystem, und 19,80% MAPE gegenüber 40,42%. Der Rest der Empfehlungen kam aus der explorativen Analyse, nicht aus dem Bauchgefühl: Ausreisser richteten echten Schaden an, also kamen Log-Transformation und eine Trennung der Container nach Grösse dazu.
Ausgeliefert wurde etwas, das sie ohne uns betreiben können: eine dockerisierte Trainings- und Inferenzstrecke, über TOML konfiguriert, dazu ein modulares Analyse-Toolkit für Saisonalität, Messintervalle und Trends je Abfallart. Auch die operativen Fragen, an denen eine Einführung hängt, haben wir beantwortet. Rund vier Monate Historie bei ein bis drei Messungen pro Woche genügen fürs Training, und für einen neuen Container an einem bestehenden Standort trifft ein Modell eines gleichartigen Nachbarn auf ±5%.
Beide Partner bewerteten das Projekt im Schlussbericht an Innosuisse mit 1 von 4, sehr erfolgreich.