Trotz der hohen Innovationsdynamik im Bereich der Smart-Technologies und ihrer entscheidenden Bedeutung für nachhaltige gesellschaftliche Transformationsprozesse in den Feldern regenerative Energie, Umwelt und demographischer Wandel, stehen viele dieser Innovationen vor erheblichen Unsicherheiten hinsichtlich ihres Erfolgs. Häufig scheitern sie bereits in der Einführungsphase – sei es durch unzureichende Marktkenntnisse, fehlende Technologiestandards oder mangelndes Vertrauen der Konsumenten in ihren direkten Nutzen. Die durch die EU geförderte interdisziplinäre Graduate School Navigating the Chaos of Innovation and Transformation (NACHOS) verfolgt das Ziel, die Voraussetzungen für das Gelingen, die Verbreitung und die Anpassung smarter Innovationen zu untersuchen, zu modellieren und zu optimieren. Das Teilprojekt des Lehrstuhls für Innovations- und Finanzmanagement widmet sich dabei der Analyse, wie das Entscheidungsverhalten sozialer Systeme die Bewertung von unsicherheitsbehafteten Investitionsentscheidungen beeinflusst und leitet Handlungsempfehlungen zur wertorientierten Steuerungen von unternehmerischen Innovationsprozessen ab.

Projekt im Forschungsportal ansehen

In today's dynamic business environment, companies are increasingly pressured to stand out not just in terms of profit margins but also through innovative workplace strategies. Consequently, optimizing operational processes while accommodating diverse preferences of employees and customers has become increasingly crucial.

Recognizing and addressing employee preferences, such as flexible working hours and tasks tailored to their skill level and abilities, not only enhances job satisfaction and productivity but also fosters a more harmonious work environment. Similarly, considering customer preferences, such as service within desired time windows, can significantly enhance service quality and overall satisfaction levels. Meeting these objectives requires sophisticated planning and decision-support tools.

This project explores innovative solutions to identify and integrate diverse preferences into workforce and route planning. Specifically, we will investigate the influence of incorporating employee preferences spanning i.e., task types, work areas, and equitable workload distribution, ensuring optimal resource allocation. These approaches will be explored across various sectors, including last-mile delivery and the complex field of home health care routing and scheduling.

Projekt im Forschungsportal ansehen

Ziel des Projektes ist die systematische Verbesserung von quantitativer Entscheidungsunterstützung in der urbanen Mobilität und Logistik. Erreicht wird dies durch eine Analyse methodischer Funktionalitäten für unterschiedliche Problemstellungen und dem Ableiten eines generellen Konzeptes zum Design von zukünftigen Methoden.Für Anwendungen der urbanen Mobilität und Logistik ist eine effektive, schnelle, und skalierbare operative Entscheidungsfindung notwendig. Oftmals werden Entscheidung unter unvollständiger Information getroffen, zum Beispiel bezüglich des Kundenbedarfs, der Verkehrssituation, oder auch der verfügbaren Ressourcen. Auf sich ändernde Informationen zu reagieren reicht oftmals nicht aus. Vorausschauende, antizipierende Entscheidungen sind notwendig. In Praxis und Wissenschaft wurden bereits einige antizipierende Methoden entwickelt, zumeist zugeschnitten auf konkrete Problemstellungen. Solche Methoden können zum Beispiel Daumenregeln folgen, Sampling-Verfahren einsetzen oder auch Techniken des Reinforcement Learning nutzen. Sie liefern oftmals effektive Entscheidungen für die individuellen Problemstellungen. Allerdings gibt es bisher kaum allgemeingültige Erkenntnisse wie Problemcharakteristika und Methodenperformance zusammenhängen. Dies ist das Ziel dieses Projektes.Das Projekt wird diese Zusammenhänge systematisch untersuchen. Hierzu werden Probleme aus drei unterschiedlichen Anwendungsbereichen betrachtet: die Kombination von Mobilitäts- und Transportleistungen, die Nutzung eines Netzwerkes von Paketstationen zum Transport innerhalb der Stadt, und die Lieferung mittels selbstständiger Fahrer*innen in der Gig Economy. Die Problemstellungen unterscheiden sich in mehreren Dimensionen, insbesondere in der Art der Unsicherheit. Zur Klassifizierung dieser Probleme werden Maße entwickelt, zum Beispiel zur Bestimmung der Problemkomplexität oder der Struktur und Stärke der Unsicherheit. Für jeden Problembereich wird eine Menge strukturell unterschiedlicher Methoden entwickelt. Diese liefern zum einen effektive Entscheidungen für die individuellen Probleme. Zum anderen erlauben sie eine systematische Analyse der Zusammenhänge zwischen Problemen und Methoden. Hierzu werden ebenfalls Maße entwickelt Methoden zu klassifizieren, zum Beispiel bezüglich der Geschwindigkeit oder der Interpretierbarkeit der Entscheidungsfindung. Die Experimente und Ergebnisse werden bezüglich der entwickelten Maße geplant und analysiert und gehen abschließend im konzeptuellen Rahmenwerk auf.Das Projekt ist auf sechs Jahre ausgelegt und wird an der TU München (TUM) durchgeführt werden. Während des Projektes werden drei Doktorand*innen jeweils vier Jahre an jeweils einem Anwendungsbereich forschen. Diese Forschung findet primär an der TUM statt und wird zusätzlich von Wissenschaftlern des Georgia Institute of Technology unterstützt.

Projekt im Forschungsportal ansehen

Eine Pandemie kann Städte innerhalb kürzester Zeit zum Stillstand bringen. Um diesem entgegenzuwirken, ist es immanent wichtig, Infektionscluster schnell zu identifizieren und eine weitere Ausbreitung zu Vermeiden. Ein neuer Ansatz, der während der COVID-19 Pandemie in Wien eingesetzt wurde, ist es, eine Flotte an mobilen Testerinnen und Testern einzusetzen. Dieses Projekt befasst sich mit dem operationalen Management solcher Flotten und deren Einfluss auf die Infektionsverbreitung. Das Projekt wird state-of-the-art Multiagenten-Simulationen nutzen, um die Ausbreitung der Infektionen zu simulieren. Die generierten Daten werden hinsichtlich zeitlicher und räumlicher Ausbreitung analysiert (descriptive analytics). Die Daten werden anschließend zu detaillierten Informationsmodellen aggregiert, die insbesondere die Korrelation im Testbedarf abbilden können (predictive analytics). Diese Informationsmodelle werden in das stochastisch dynamische Tourenplanungsproblem integriert und dieses wird mit quantitativen Lösungsverfahren gelöst, unter anderem mittels Reinforcement Learning (prescriptive analytics). Die ermittelten Lösungsstrategien werden anschließend wieder mit der Multiagenten-Simulation evaluiert. In Verlauf des Projektes werden die folgenden Kernfragen untersucht: (1) Wie können Daten über die Ausbreitung hochinfektiöser Krankheiten wie COVID-19 analysiert und modelliert werden? (2) Wie können wir effektive und vorausschauende Planung für die Test-Flotte erreichen, die die komplexe Testbedarf-Entwicklung berücksichtigen kann? (3) Wann und wie können mobile Test-Flotten das Ausbreitungsrisiko reduzieren? Das resultierende Planungsproblem zeichnet sich durch neue und besondere Komplexität im Informationsmodell (Testbedarf) sowie im Tourenplanungsproblem aus. Ein geeignetes Informationsmodell muss sowohl die räumliche und zeitliche Ausbreitung als auch die Korrelation abbilden können. Das stochastische und dynamische Tourenplanungsproblem ist neu und anspruchsvoll hinsichtlich der Entscheidungsgeschwindigkeit, der Flottengröße und der Vielzahl an zu berücksichtigenden Komponenten. Die Integration des an sich schon komplexen Informationsmodells erschwert die erfolgreiche Lösung zusätzlich. Eine Evaluation mittels etablierter Multiagenten-Simulation ist nahezu einmalig im Forschungsbereich der stochastisch dynamischen Tourenplanung. The Projekt wird von Jan Fabian Ehmke (JE, Universität Wien), Marlin Ulmer (MU, Technische Universität Braunschweig), und Niki Popper (NP, Technische Universität Wien) durchgeführt werden. JE wird das Projekt koordinieren und sich insbesondere der predictive analytics widmen. MU wird seine Expertise im Bereich prescriptive analytics für die dynamische Tourenplanung einbringen. NP wird seine etablierte Multiagenten-Simulation erweitern (descriptive analytics), um Daten zu generieren und die Erstellung des Informationsmodelles zu unterstützen. Diese ganzheitliche Betrachtung ist einzigartig im Forschungsfeld.

Projekt im Forschungsportal ansehen

We analyze planning and operations in restaurant meal-delivery, We consider the design of different delivery systems. We further optimize demand and fleet control in an integrated manner, and use machine learning for delivery time predictions.

Projekt im Forschungsportal ansehen

To compete with e-commerce giants such as Amazon, many local businesses start to offer fast same-day delivery, often within a few hours after an order was placed. Deliveries are conducted by local delivery fleets. However, the narrow delivery times and the geographical spread of pickup and delivery locations result in a lack of consolidation opportunities. This can be remedied by so-called micro hubs, which can serve as transhipment centres for parcels in urban delivery. Drivers can store parcels from adjacent shops for redistribution. They also can pick up parcels from different shops for joint delivery to customers in the same region. Thus, micro hubs can increase consolidation opportunities and may also enable the use of smaller, green, and clean vehicles for first and last mile delivery. Within this project, optimisation models incorporating consolidation centres in the pickup and delivery system of urban same day delivery are developed. Further, different solution approaches will be investigated to cope for the uncertainty in demand at time of planning.

Projekt im Forschungsportal ansehen

Local delivery platforms are collaborative undertakings where local stores offer instant-delivery to local customers ordering their products online. Offering such delivery services both reliably and cost-effectively is one of the main challenges for local delivery platforms as they face a complex, stochastic, dynamic pickup-and-delivery problem. Orders need to be consolidated to increase the efficiency of the delivery operations and thereby enable a high service guarantee towards the customer and stores. But, waiting for consolidation opportunities may jeopardize delivery service reliability in the future, and thus requires anticipating future demand. This project introduces a generic approach to balance the consolidation potential and delivery urgency of orders. Inspired by a motivating application in the city of Groningen, the Netherlands, numerical experiments show that this approach strongly increases perceived customer satisfaction while lowering the total travel time of the vehicles compared to various benchmark policies. It also reduces the percentage of late deliveries, and the extent of their lateness, to a minimum.

Projekt im Forschungsportal ansehen

Peer-to-peer transportation platforms dynamically match requests (e.g., a ride, a delivery) to independent suppliers who are not employed nor controlled by the platform. Thus, the platform cannot be certain that a supplier will accept an offered request. To mitigate this selection uncertainty, a platform can offer each supplier a menu of requests to choose from. However, such menus need to be created carefully because there is a trade-off between selection probability and duplicate selections. In addition to a complex decision space, supplier selection decisions are vast and have systematic implications, impacting the platform’s revenue, other suppliers’ experiences (in the form of duplicate selections) and the request waiting times. Thus, we present a stochastic optimization. Extensive computational results using the Chicago Region as a case study illustrate that our method outperforms a set of benchmark policies. Our method leads to more balanced assignments by sacrificing some easy wins towards better system performance over time and for all stakeholders involved, including increased revenue for the platform, and decreased match waiting times for suppliers and requests.

Projekt im Forschungsportal ansehen

Das Ziel des Projektes ist die Kombination der gemischt-ganzzahligen linearen Programmierung (MILP) und des Reinforcement Learning (RL), um eine effektive Entscheidungsunterstützung für stochastische dynamische Pickup-and-Delivery Probleme (SDPDPe) zu erreichen.SDPDPe spielen in der urbanen Logistik eine zunehmend wichtige Rolle. Sie beschreiben den oft zeitkritischen Transport von Personen oder Waren in der Stadt. Beispiele sind Kurierdienste, Onlineessenslieferung, Same-day Lieferdienste, oder Ridesharing. Für all diese Probleme müssen operative Entscheidungen über Fahrzeugzuordnung und Tourenplanung in Echtzeit getroffen werden. Solche Entscheidungen müssen den aktuellen Bedarf effizient erfüllen und die Fahrzeugflotte gleichzeitig flexibel für zukünftige Anfragen halten.Aus Modellsicht sind SDPDPe durch eine Folge von Entscheidungszuständen unter Unsicherheit gekennzeichnet, bei der der volle Wert einer Entscheidung sich erst später im Verlauf des Tages offenbart. Das Durchsuchen des kombinatorischen Entscheidungsraums nach effizienten Touren in jeden Zustand erfordert die Lösung eines komplexen MILPs. Diese Komplexität wird nun durch die Herausforderung verstärkt, dass eine Bewertung von Entscheidungen auf ihre Effektivität angesichts zukünftiger Unsicherheit notwendig ist - eine ideale Anwendung für RL. Beides ist von zentraler Bedeutung, um den operativen Anforderungen gerecht zu werden. Somit wäre eine direkte Kombination beider Methodenklassen notwendig. Diese steht allerdings aus unterschiedlichen Gründen noch aus und ist Ziel dieses Forschungsprojektes. Konkret schlagen wir vor das MILP durch RL zu manipulieren, um sowohl effiziente als auch effektive Entscheidungen zu erhalten. Die Manipulation kann die Zielfunktion oder die Nebenbedingungen verändern. So werden Anreiz- oder Strafbedingungen hinzugefügt, um bestimmte Entscheidungen zu erzwingen oder zu verbieten. Alternativ werden Nebenbedingungen angepasst, zum Beispiel, um Flotten-Ressourcen zu reservieren.Die Herausforderung ist, zu entscheiden, wo und wie die Manipulation stattfinden sollen. Je nach SDPDPe setzt sich die Zielfunktion unterschiedlich zusammen und haben Nebenbedingungen wie Zeitfenster oder Fahrzeugkapazitäten unterschiedliche Relevanz. Der erste Schritt des Projektes zielt somit auf die Identifikation relevanter Bereiche innerhalb des MIPs mittels (un)supervised learning. Sind die "interessanten" Bereiche identifiziert, besteht die zweite Herausforderung darin, die richtige Parametrisierung zu finden. Hier werden RL-Methoden eingesetzt, die die relevanten MIP-Komponenten zustandsabhängig manipulieren.

Projekt im Forschungsportal ansehen

There has been a paradigm-shift in urban logistic services in the last years; global interconnectedness, urbanization, ubiquitous information streams, and increased service-orientation raise the need for anticipatory real-time decision making. A striking example are logistic service providers: Service promises, like same-day or restaurant meal delivery, dial-a-ride, and emergency repair, force logistic service providers to anticipate future demand, adjust to real-time traffic information, or even incorporate unknown crowdsourced drivers to fulfill customer expectations. Data-driven, anticipatory approaches are required to overcome the challenges of such services. They promise to improve customer satisfaction through accurate predictions (e.g., via supervised learning), enhanced fleet control (e.g., via reinforcement learning), and identification of demand patterns and delivery scenarios (e.g., via unsupervised learning). Within this research project, we combine recent advances in machine learning with established methods from operations research to tackle present-day challenges in urban logistics.

Projekt im Forschungsportal ansehen

From the perspective of a firm providing on-location services, we address the problem of determining service time windows that must be communicated to customers at the time of request. We set service time windows under incomplete information on arrival times to customers. We show how to minimize expected time window width subject to a constraint on service level. We use analytical results of the problem to inspire a practice-ready heuristic for the more general case. Relative to the industry standard of communicating uniform time windows to all customers, and to other policies applied in practice, our method of quoting customer-specific time windows yields a substantial increase in customer convenience without sacrificing reliability of service.

Projekt im Forschungsportal ansehen

In this project, we study the problem of offering fair same-day delivery (SDD)-service to customers. The service area is partitioned into different regions. Over the course of a day, customers request for SDD service, and the timing of requests and delivery locations are not known in advance. The dispatcher dynamically assigns vehicles to make deliveries to accepted customers before their delivery deadline. In addition to overall service rate, we maximize the minimal regional service rate across all regions by means of reinforcement learning. Computational results demonstrate the effectiveness of our approach in alleviating unfairness both spatially and temporally in different customer geographies. We also show this effectiveness is valid with different depot locations, providing businesses with opportunity to achieve better fairness from any location. Further, we consider the impact of ignoring fairness in service

Projekt im Forschungsportal ansehen

We consider an urban instant delivery environment, e.g., meal delivery, in which customers place orders over the course of a day and are promised delivery within a short period of time after an order is placed. Deliveries are made using a fleet of vehicles, each completing one or more trips during the day. To avoid missing delivery time promises as much as possible, the provider manages demand by dynamically adjusting the size of the service area, i.e., the area in which orders can be delivered. The provider seeks to maximize the number of orders served while avoiding missed delivery time promises. We analyze several techniques to support the dynamic adjusting of the size of the service area which can be embedded in planning and execution tools that help the provider achieve its goal. Extensive computational experiments demonstrate the efficacy of the techniques and show that dynamic sizing of the service area can increase the number of orders served significantly without increasing the number of missed delivery time promises.

Projekt im Forschungsportal ansehen

Eco-labels are a way to benchmark transportation shipments with respect to their environmental impact. In contrast to an eco-labeling of consumer products, emissions in transportation depend on several operational factors like the mode of transportation (e.g., train or truck) or a vehicle’s current and potential future capacity utilization when new orders are added for consolidation. Thus, satisfying eco-labels and doing this cost-efficiently is a challenging task when dynamically routing orders in an intermodal network. In this project, we analyze how reinforcement learning techniques can be adapted to our problem and show their advantages and the impact of Eco-labels in a comprehensive study for intermodal transport via train and trucks in Europe.

Projekt im Forschungsportal ansehen

Der Onlinehandel wächst international in einem Rekordtempo. Ein wesentlicher zukünftiger Erfolgsfaktor des Onlinehandels sind schnelle Lieferzeiten; insbesondere Same-Day Belieferung (SDD). Allerdings ist SDD kostenintensiv, da die über den Tag eintreffenden Bestellungen in Kombination mit kurzen Lieferfristen wenig Raum für Konsolidierung bieten. Um SDD kosteneffizient anbieten zu können, ist eine methodische Unterstützung notwendig, die auf der operativen Ebene dynamische Liefertouren erstellt, fortschreibt, und bezüglich neuer Information aktualisiert. Zur effektiven Entscheidungsunterstützung muss sie sowohl kurzfristige als auch längerfristige zukünftige Entwicklungen an Fahrzeugbewegungen und Kundenbestellungen antizipieren. SDD-Probleme gehören somit zur Menge der stochastischen und dynamischen Tourenplanungs-Probleme. Diese Problemklasse ist relativ neu und generische Lösungsverfahren sind bisher kaum vorhanden.Auf Grund der hohen Komplexität dieser dynamischen Entscheidungsprobleme können exakte Verfahren nicht angewandt werden. Erste Arbeiten konzentrieren sich auf die approximative dynamische Programmierung (ADP). ADP-Verfahren nutzen Simulation innerhalb des dynamischen Entscheidungsmodelles, um die Auswirkungen einer Entscheidung abzuschätzen. ADP-Verfahren werden nach dem Zeitpunkt, wann die Simulation durchgeführt wird, unterschieden. Online ADP-Verfahren führen die Simulation in einem konkreten Entscheidungszustand durch. Offline ADP-Verfahren simulieren vor dem eigentlichen Start des Entscheidungsprozesses, speichern die Ergebnisse in aggregierter Form, und rufen diese in einem Entscheidungszustand ab. Online Verfahren können kurzfristige Entwicklungen in vollem Detail abbilden während offline Verfahren längerfristige Entwicklungen verlässlich auf aggregierten Niveau abschätzen können. Beide Aspekte sind in der SDD essentiell und keines der Verfahren kann die Erfordernisse vollständig erfüllen. Um sowohl kurzfristige Details als auch längerfristige Auswirkungen berücksichtigen zu können, ist eine Kombination notwendig. Ziel dieses Forschungsprojekt ist eine neue und generische Kombination von online und offline ADP-Verfahren vor, um ein wichtiges betriebswirtschaftliches Problem der SDD zu lösen. Das Verfahren ist so konzipiert, dass es eine zustandsabhängige Gewichtung der Simulationsergebnisse ermöglicht. Für eine neue SDD-Problemstellung werden spezifische quantitative Methoden sowie betriebswissenschaftliche Erkenntnisse zur SDD-Entscheidungsunterstützung generiert. Die vorgestellten Methoden sind hierbei jedoch nicht auf diese Problemstellung beschränkt sondern generisch und können auf eine Vielzahl von dynamischen Tourenplanungsproblemen übertragen werden. Sie sind somit ein wichtiger Schritt hin zu einem generellen Lösungsframework im Bereich der dynamischen Tourenplanung

Projekt im Forschungsportal ansehen

How to best deliver goods to consumers has been a logistics question since time immemorial. However, almost all traditional delivery models involved a form of company employees, whether employees of the company manufacturing the goods or whether employees of the company transporting the goods. With the growth of the gig economy, however, a new model not involving company employees has emerged: relying on crowdsourced delivery. Crowdsourced delivery involves enlisting individuals to deliver goods and interacting with these individuals using the internet. In crowdsourced delivery, the interaction with the individuals typically occurs through a platform. Importantly, the crowdsourced couriers are not employed by the platform, and this has fundamentally changed the planning and execution of the delivery of goods: the delivery capacity is no longer under (full) control of the company managing the delivery. We analyze the challenges this introduces, review how the research community has proposed to handle some of these challenges, and elaborate on the challenges that have not yet been addressed.

Projekt im Forschungsportal ansehen