Onderzoek en uitkomsten

Het zo nauwkeurig mogelijk kennen van de aankomsttijd van binnenkomende zeeschepen in het Rotterdamse havengebied maakt het mogelijk alle processen die volgen op de aankomst beter hierop af te stemmen. Op dit moment zijn ETA’s lang niet altijd bekend bij de verschillende ketenpartners of ze zijn te weinig nauwkeurig. Een goede ETA predictor is daarom zeer wenselijk. In dit onderzoek is gekeken of het haalbaar is om te komen tot een betrouwbare ETA-voorspeller.

Betrouwbare ETA’s en ETD’s vormen de basis voor data-gedreven port call optimization. Daarmee wordt voor anker gaan in principe voorkomen, passen schepen proactief hun vaarsnelheid aan op de geplande kade-afwikkeling en kunnen havens als Rotterdam vele malen efficiënter en duurzamer opereren.

De methode ontwikkeld door één van de partners heeft de betrouwbaarheid teruggebracht van 8 uur naar minder dan 1 uur, waardoor slotmanagement afspraken gemaakt kunnen worden. De overige 3 methoden scoren allen substantieel beter dan de ETA agent en ook beter dan de ETA van Marinetraffic. Het dashboard ondersteunt de 72-uursplanning, de 48-uurs planning en de 24-uursplanning van Vopak terminals.

Het project heeft drie concrete eindresultaten opgeleverd.

1. Vier data analytics methoden om aankomsttijd schepen te voorspellen.

2. De methoden zijn toegepast en gevalideerd op natte bulkschepen die naar Rotterdam varen om op Vopak terminal op te lossen.
3. Een werkende applicatie die automatisch gevoed wordt door drie AIS-modellen en real-time de ETAs van deze methoden in een dashboard afzet tegen de afgegeven ETA van de scheepsagent en de ETA berekend door Marinetraffic.

Kansen

• Betere planning – Een goede betrouwbare ETA predictor voor zeeschepen maakt een betere planning mogelijk van activiteiten die samenhangen met de binnenkomst van de zeeschepen, vanaf de aankomst bij Maascenter (belangrijk navigatiepunt buitengaats, waar bijvoorbeeld de loods aan boord komt) tot en met de aankomst bij en het verblijf aan de terminal-kade (betere aansluiting van diverse laad- en los-processen).
• Betere benutting assets – Onnodige wachttijden worden beperkt, de kadebezetting wordt geïntensiveerd en ook andere assets worden beter benut.
• Betere samenwerking bedrijven – Handelingsperspectief voor alle ketenpartners op basis van objectieve data. Betrokken bedrijven kunnen beter op elkaar inspelen, de samenwerking wordt geïntensiveerd.
• Transparantie – inzicht in de ETA voor alle partijen in de keten maakt een betere samenwerking mogelijk en verhoogt vertrouwen in het systeem en tussen de ketenpartners.

Uitdagingen

• Data beveiliging.
• Welke data van wie zijn nodig om te komen tot een goede ETA-voorspeller? Wat is de voorspellende waarde van de diverse data, en hoe geldt dit voor verschillende aankomstroutes?
• Nieuwe werkwijze: Om succes te genereren moeten werkwijzen veranderen. Denk aan: first come, first serve. Kan dit, bij een planning op basis van realistische ETA’s, losgelaten worden?

Partners

Erasmus Universiteit Rotterdam, Hermess, Intertransis, TKI-Dinalog, TNO, Vanad Group, VOPAK.

Vervolg

Het model kent nog een sterk verbeterpotentieel als het wordt uitgebreid met relevante contextdata (zoals loodsplanningen, intensiteit van het scheepvaartverkeer, en kadeplanningsdata). Hier ligt potentie voor zowel het Havenbedrijf, softwareontwikkelaars als onderzoekers om het model verder te ontwikkelen tot een goed werkende en complete tool.