Datenvisualisierung der Schiffsbewegungen im Hamburger Hafen
Wie das Hamburg Vessel Coordination Center mit Data Analytics neue Erkenntnisse zu Schiffsbewegungen im Hamburger Hafen erhält
30.000 bis 40.000 unterschiedliche Schiffe und 400 Meldungen pro Sekunde gehen weltweit über das AIS-System zum Tracken von Schiffen ein. Für das Hamburg Vessel Coordination Center (HVCC) haben wir einen Ausschnitt der AIS Daten für die Schiffsbewegungen im Hamburger Hafen genauer analysiert und visualisiert. Gemeinsam mit dem HVCC entwickelten wir einen Proof of Concept, der durch die Visualisierung der Daten neue Potenziale für eine bessere Koordination der Schiffe aufzeigte.
Das Hamburg Vessel Coordination Center (HVCC) ist die zentrale Koordinationsstelle für den Schiffsverkehr im Hamburger Hafen. Sie kontrolliert die Bewegungen der Container- und Binnenschiffe und gibt Instruktionen für die Weiterfahrt. Das HVCC wollte sich ein besseres Bild des Verkehrs im Hamburger Hafen verschaffen und herausfinden, wie sich die Bewegungen optimieren lassen. Als Datenspezialisten analysierten wir den Status Quo, entwickelten ein cloudbasiertes Data-Analytics-Konzept von der Datenaufbereitung bis zur -analyse und visualisierten die Ergebnisse in Looker-Dashboards.
Schiffsdaten in Google Cloud
Grundlage für unseren Proof of Concept waren die verfügbaren Echtzeit-Daten. Der Vorteil im Schiffsverkehr: Das sogenannte AIS-System (Automatic Identification System) ist verpflichtend und schickt in regelmäßigen Abständen Daten zur Position Geschwindigkeit, Richtung und Kennung der Schiffe. Doch ein genauer Blick auf die Datenlage stellte uns vor einige Herausforderungen:
- Die verfügbaren Daten waren lückenhaft oder qualitativ ungenügend.
- Einige wenige Schiffe sind von der AIS-Pflicht ausgenommen.
- Das HVCC besaß keine durchgängigen historischen Daten.
Im ersten Schritt entwickelten wir daraufhin eine ganzheitliche Vorgehensweise zur Datenbeschaffung und -aufbereitung sowie eine geeignete Datenbankstruktur zur Speicherung. Wir speicherten den Datenstrom der AIS-Community und bauten uns eine Datenbank mit historischen Daten auf. Zusätzlich steigerten wir den Umfang und die Qualität der Streaming-Daten: Empfehlungen für eine bessere Datensammlung schlossen Lücken in den AIS-Daten und kleinere Schiffe sollten mit GPS-Sendern ausgestattet werden.
Um diesen Pool an Daten zugänglich für Visualisierungen und Analysen zu machen, entwickelten wir eine vereinheitlichte Datenbank in Form eines BigQuery Data Warehouse. Über entsprechende APIs können kundenseitige Anwendungen auf die gespeicherten Daten zugreifen.
Monitoring mit individuellen Dashboards
Für die optimale Koordination des Schiffsverkehrs im Hamburger Hafen stellten sich dem HVCC wiederkehrend dieselben Fragen:
- Wie lange halten sich Schiffe im Hafen auf?
- Wo halten sich die Schiffe im Hafen auf?
- Lassen sich eindeutige Orte (z. B. Terminals) identifizieren?
- Welche Stationen fahren die Schiffe in welcher Reihenfolge an?
- Lassen sich Wartezeiten vor dem Anlauf identifizieren?
- Gibt es Auffälligkeiten bei der Geschwindigkeit?
Um nicht nur ein besseres Bild über den Verkehr im Hafen zu bekommen, sondern auch die Planung und Beladung der Schiffe optimieren zu können, wünschte sich das HVCC eine leicht zugängliche Lösung. Auf Basis von Looker entwickelten wir als Proof of Concept mehrere Dashboards, die die Schiffsbewegungen auf interaktiven Karten zeigen. Die Dashboards ermöglichen sowohl die Visualisierung der historischen Daten als auch das Monitoring des aktuellen Schiffsverkehrs in Echtzeit.
So hat das HVCC einerseits Zugriff auf alle bisher aggregierten Schiffsdaten und kann diese intuitiv im Zeitverlauf auf einer Karte erkunden. Auch das Monitoring der Schiffe ist nun einfacher. Eine Echtzeit-Ansicht gibt einen Blick auf die aktuelle Lage im Hamburger Hafen und detaillierte Informationen zu allen Schiffen. Darüber hinaus lassen sich in einem weiteren Dashboard die Einzugsgebiete bis zur Nordsee kontrollieren.
Optimierungspotenzial dank Machine Learning
Steht erst einmal das Fundament aus Datensammlung, -aufbereitung und -visualisierung in Google Cloud, sind Echtzeit-Monitoring und historische Analysen ein Leichtes. Folgt man der Data Journey weiter, lässt sich ein Prototyp wie der des HVCC problemlos durch Googles Machine-Learning-Technologien erweitern. Erst so werden datenbasierte Prognosen und Handlungsempfehlungen möglich.
Im Fall des Hamburger Schiffsverkehrs könnte man beispielsweise die Ankunftszeit von einzelnen Schiffen prognostizieren und die zukünftige Verkehrsdichte vorhersagen, basierend auf verschiedenen Faktoren:
- Fahrpläne
- historische Fahrtverläufe
- Umweltdaten (Wetter, Pegelstände)
- aktuelle Geschwindigkeiten
Derartige Prognosen bergen enormes Optimierungspotenzial. Das HVCC könnte beispielsweise die Koordination der Binnenschiffe verbessern, indem es Durchfahrts- und Abfertigungszeiten optimiert und effektiver auf Fahrplanabweichungen reagieren kann. Auch beim Einsatz von Ressourcen gäbe es Möglichkeiten zur Optimierung: Durch eine verbesserte Planbarkeit könnten Wartezeiten sowie Bereitschafts- und Betriebskosten gesenkt werden.
