Medienportal


 

 

SIMBA: Kooperative Forschungsprojekte der Business Analytics Group

22.11.2022

Innerhalb des Projektes mit dem Akronym SIMBA (Simulation-Based Analytics) setzen sich Wissenschafter*innen der Fakultät für Wirtschaftswissenschaften sowie anderen deutschsprachigen Universitäten mit Simulationen auseinander, um datengestützte und intelligente Entscheidungsfindung unter Einbeziehung von Kausal- und Experteninformationen zu ermöglichen. Die generierten Simulationen von sozioökonomischen und sozioökologischen Beziehungen und Systemen liefern den Wissenschafter*innen synthetische Daten. Diese Daten werden in Informationsmodelle gegossen, wodurch komplexe Zusammenhänge kompakt und übersichtlich beschrieben werden können. Die daraus gewonnenen Informationen und Ergebnisse werden in vorausschauenden Entscheidungsmodellen berücksichtigt und ermöglichen eine intelligente Entscheidungsfindung. In einer Feedbackschleife können die Auswirkungen der implementierten Entscheidungen wiederum mit einem Simulationsmodell dargestellt und bewertet werden. Dies gewährt eine anhaltende Verfeinerung des gesamten Prozesses bis der Kompromiss zwischen ökonomischen und ökologischen Zielen hinreichend erforscht ist.

Aus einer informellen Zusammenarbeit zwischen der Business Analytics Group der Universität Wien (UV, Jan Ehmke) und der Data Science Unit und Computational Statistics Unit der TU Wien (TUV, Niki Popper) haben sich drei Forschungsprojekte mit einem Fördervolumen von ca. 2 Millionen Euro entwickelt, die bis Mitte 2025 laufen werden. Neben dem Forschungsprojekt "Dynamic Tester Routing" gibt es auch noch die Forschungsprojekte "Green TrAIn Plan" (April 2022 - Mai 2025) und "VIPES" (Oktober 2022 - Mai 2025), welche sich einerseits den ökologischen Aspekten und andererseits der Effizienzsteigerung sowie Zuverlässigkeit des Schienenverkehrs widmen.

Im November ist das Forschungsprojekt „Dynamic Tester Routing“ unter Förderung des Austrian Science Funds gestartet, welches bis April 2025 laufen wird. Angestoßen durch die COVID-19 Pandemie soll untersucht werden, wie knappe Ressourcen in einem dynamischen Umfeld durch Planung effektiv eingesetzt werden können. Unter Rückgriff auf moderne Methoden und Werkzeuge aus der agentenbasierten Simulation, der Datenanalyse sowie der dynamischen Fahrzeugführung wird der Einsatz mobiler Testerflotten für COVID-19-Fälle evaluiert. Die Analyse folgt dabei einem drei-stufigen System: Die generierten Daten werden hinsichtlich zeitlicher und räumlicher Ausbreitung analysiert (descriptive analytics). Anschließend werden die Daten zu detaillierten Informationsmodellen aggregiert, welche insbesondere z.B. die Korrelation im Testbedarf abbilden können (predicitve analytics). Die gewonnen Informationsmodelle werden in das stochastische dynamische Tourenplanungsmodell integriert und dieses dann mit quantitativen Lösungsverfahren, wie u. A. mittels Reinforcement Learning gelöst (prescriptive analytics). Abstrahierend davon werden auch andere Problemstellungen analysiert. Dies soll Aufschluss zu mehreren Fragen geben: Wann ist das Zusammenspiel von Predictive Analytics in Kombination mit maschinellem Lernen hilfreich? Wie können detaillierte Simulationen die Prognosen verbessern? Und wie lassen sich Informationen aus hochkomplexen Simulationen rechnerisch sinnvoll in die vorausschauende Planung integrieren? Das Forschungsprojekt sowie die darin lukrieten Informationen und Ergebnisse blicken dabei weit über die COVID-19 Pandemie hinaus und sind für diverse gegenwärtige und auch zukünftige Bedarfsprognose hilfreich, wie z.B. jenen in der dringenden Anwendung des Krankheitsroutings oder auch jenen für Lieferdienste. 

An den Forschungsprojekten beteiligte Mitglieder von der Fakultät für Wirtschaftswissenschaften an der Universität Wien sind Univ.-Prof. Dr. Jan Fabian Ehmke, Gislind Stefan, M.Sc. sowie die PostDocs Ninja SöffkerKanchan Joshi, Peiman Ghasemi und Fatih Kocatürk.

 

 

Weitere Informationen finden Sie unter:

https://busan.univie.ac.at/research/research-focus-area-simulation-based-analytics-simba/