Big Data und IoT
IoT & Industry 4.0 Trends & Innovationen

Big Data, IoT und die SEEBURGER AG

| | Leiter der Forschung, SEEBURGER AG
Big Data, IoT und die SEEBURGER AG

Go with the flow! – Oder, was haben Brötchen mit Big Data zu tun?

Daten werden in Massen generiert – auch an Orten, wo man es gar nicht vermutet. Die Kunst liegt darin, Mittel und Wege zu finden, diese unvorstellbar großen Mengen an Daten an einem Ort zu sammeln und sie anschließend von dort aus möglichst schnell verfügbar und für konkrete Zwecke nutzbar zu machen. Was passiert, wenn man viel diskutierte Technologien wie IoT (Internet of Things), KI (Künstliche Intelligenz), Big Data, APIs (Application Programming Interfaces) und Data Lakes in einem anschaulichen Szenario zusammenführt? Lesen Sie weiter!

Im Einzelhandel ist es bereits Gang und Gäbe: Um planen zu können, wie viel ofenfrischer Nachschub an Sesambrötchen oder Laugenstangen mehrmals täglich an die Brotverkaufsstellen geliefert werden muss, werden die Verkaufszahlen der letzten Stunden in Echtzeit von den Kassen an die Zentrale übermittelt. Noch spannender wäre es, wenn aus den aggregierten Daten der Vergangenheit automatisiert Prognosen für die Bedarfe in der direkten unmittelbaren Zukunft ermittelt werden könnten – um die Nachschubmenge optimal zu steuern. Dieselbe Herausforderung stellt sich bei jeglicher Art von Verbrauchs- oder Abgangsmengen – nicht nur im Einzelhandel: Beispiele sind etwa Materialflüsse innerhalb eines Unternehmens (intra-Company-Logistik), Containerdurchflüsse auf Umschlagsplätzen oder auch die Verkehrsflüsse, von denen logistische Prozesse direkt abhängig sind.

Genau das Beispiel „Verkehrsflüsse“ war grundlegender Treiber für ein Forschungsprojekt der SEEBURGER AG. Unter Einbeziehung von Verfahren der KI (Künstlicher Intelligenz) zur Erstellung automatisierter Prognosen auf Basis von aggregierten Massendaten wurde hierfür folgendes Szenario unter Einbindung der Business Integration Suite (BIS) und von Open Source Lösungen aufgesetzt:

Datenverkehr einmal ganz wörtlich genommen – Traffic as a Data Source

In diesem Forschungsprojekt ging es um Datenverkehr, APIs, Data Lakes und KI. Ziel war es, neue Erkenntnisse über IoT Use Cases (Verarbeitung von Sensor-Massen-Daten) zu gewinnen und KI-Ansätze zu eruieren.

Data Driven B2B Traffic - Von der Straße in den BIS und ...
Data Driven B2B Traffic – Von der Straße in den BIS und …

Zu Beginn des Projektes stellte sich eine ganz grundlegende Frage: Woher bekommt man die benötigten riesigen Datenmengen in Echtzeit? Fündig wurden die Forscher buchstäblich auf der Straße – beim Bundesministerium für Verkehr und digitale Infrastruktur, BVMI. Dort werden Echtzeitdaten über Verkehrsflüsse auf bundesdeutschen Autobahnen zur Verfügung gestellt, die je Bundesland gebucht und abgerufen werden können. Die Daten werden über Sensoren entlang der Autobahnen erfasst und in Pools von den Verkehrszentralen aggregiert. Gemessen werden z. B. Verkehrsgeschwindigkeit und Verkehrsfluss für jede Fahrspur und für jeden Fahrzeugtyp.

Traffic as Data Source - Sensoren erzeugen Streams mit Messages (IoT)
Traffic as Data Source – Sensoren erzeugen Streams mit Messages (IoT)

Für ihr Forschungsprojekt buchte die Forschungsabteilung der SEEBURGER AG die Echtzeitdaten der Bundesländer Hessen und Nordrhein-Westfalen beim Mobilitäts-Daten-Marktplatz und hat jederzeit Zugriff auf die aggregierten Werte der letzten Minute.   Diese werden von der SEEBURGER Business Integration Suite (BIS) regelmäßig über die API des Marktplatzes abgeholt.

Um diese Daten vereinheitlicht analysieren und aufbereiten zu können, müssen sie zunächst einmal irgendwie in einen Data Lake fließen, wo sie gesammelt werden und Zugriff auf einen kontinuierlich wachsenden Datenpool an Echtzeitdaten, der mittlerweile mehrere Monate umfasst, gewähren. Möchte man diese Daten nun für Big Data Tools nutzbar machen, können sie in entsprechende Formate konvertiert und an weitere Systeme übertragen werden.

Auf diese Weise können beispielsweise alle Arten von Streaming Dashboards erstellt werden, die die Echtzeitbewegungen perfekt wiedergeben. Doch es geht noch weiter. Mit diesem Datenstrom kann man eine ganze Menge mehr anstellen – Stichwort:

Machine Learning und KI

Füttert man diesen Datenstrom über mehrere Monate zu Trainingszwecken in ein System wie Tensorflow, was wiederum über die SEEBURGER BIS möglich ist, können diese Systeme die Daten zu Verkehrsgeschwindigkeit und Verkehrsfluss für jede Fahrspur und für jeden Fahrzeugtyp vorhersagen. Für Vorhersagen zum durchschnittlichen Verkehrsfluss in 30 bzw. 60 Minuten wurden bereits sehr gute Ergebnisse erzielt, wie man in untenstehender Darstellung gut erkennen kann. Hierfür wurde über die blaue Zickzacklinie, die den tatsächlich gemessenen Verkehrsfluss darstellt, eine schwarze Linie als Overlay gelegt, die die Prognose für die nächsten 30 bzw. 60 Minuten darstellt.

Vorhersage Durchschnittsgeschwindigkeit mit Tensorflow - Modell für zukünftige Werte in 30 Minuten
Vorhersage Durchschnittsgeschwindigkeit mit Tensorflow – Modell für zukünftige Werte in 30 Minuten
Vorhersage Durchschnittsgeschwindigkeit mit Tensorflow - Modell für zukünftige Werte in 60 Minuten
Vorhersage Durchschnittsgeschwindigkeit mit Tensorflow – Modell für zukünftige Werte in 60 Minuten

Den ganzen Use Case finden Sie in unserem Webcast.

Der Blick in die Zukunft

Diese Art der Vorhersage kann man vielseitig einsetzen. Von Stauprognosen über Routenplanung bis hin zur möglichen Erkenntnis, dass der ein oder andere Autobahnabschnitt erweitert werden müsste, hier sind keine Grenzen gesetzt.

Wir bei SEEBURGER machen uns im Weiteren darüber Gedanken, wie solche Informationen für SEEBURGER Kunden bereitgestellt werden können. Das operative Tagesgeschäft vieler unserer Kunden ist stark von äußeren Gegebenheiten wie Verkehrsflüssen abhängig. Diese Abhängigkeiten werden immer kritischer, je mehr das operative Tagesgeschäft durch Störungen wie beispielsweise Staus gefährdet ist. Prognosedaten über Verkehrsflüsse, wie hier beschrieben, könnten helfen, diese Störungen abzufedern.

Das also passiert, wenn Technologien wie IoT (Internet of Things), KI (Künstliche Intelligenz), Big Data, APIs (Application Programming Interfaces) und Data Lakes in einem Use Case zusammengeführt werden. Grundvoraussetzung ist, dass die sowieso vorhandenen Daten integriert und damit weiterverwendbar gemacht werden.

 

Haben Sie Fragen oder Anmerkungen?

Wir freuen uns hier über Ihre Nachricht.

Teilen Sie diesen Beitrag, wählen Sie Ihre Plattform!

Ein Beitrag von:

Dr. Johannes Strassner ist Leiter der Forschung und verantwortlich für die anwendungsorientierte Forschung zur Innovation der SEEBURGER Business Integration Technologien und Lösungen. Sein aktueller Schwerpunkt liegt auf Maschinellem Lernen, Big Data, API, Blockchain und IoT. Johannes Strassner promovierte an der Universität Koblenz-Landau für seine Arbeit über 'Parametrisierbare Menschmodelle für Dialogumgebungen'. Nach Forschungsaktivitäten am Massachusetts Institute of Technology und der Fraunhofer-Gesellschaft kam er 2011 zu SEEBURGER.