Construire un pipeline de données pour prédire les dommages à la cargaison d'un navire

Nous soutenons les étudiants et les chercheurs en leur offrant un accès à la suite APIFleetMon et à nos vastes archives de données AIS contenant des données historiques sur la position des navires et les escales. Lisez cet article invité que nous avons reçu de Niklas Scherer, un étudiant en maîtrise de l'Université des sciences appliquées de Bingen, en Allemagne.

Le projet universitaire étudie une corrélation entre les conditions météorologiques spécifiques auxquelles un navire a été exposé et les dommages causés à la cargaison. Les données AIS et les données météorologiques ont été utilisées pour examiner si certaines conditions météorologiques sur les voies maritimes à fort trafic sont susceptibles de causer des dommages au fret, afin de prévenir les dommages par des prévisions réalistes.

Qu'advient-il de ma cargaison pendant son voyage ?

Dans un monde globalisé, des produits et des matériaux sont expédiés quotidiennement dans le monde entier. Cela pose des défis importants en raison des différents climats, des conditions météorologiques imprévisibles et des itinéraires en perpétuel changement qui peuvent facilement mélanger toutes ces variables. L'objectif de ma thèse était de conceptualiser un pipeline de données qui pourrait combiner les données AIS avec des données environnementales appropriées mesurées par des capteurs pour suivre l'itinéraire de la cargaison et les conditions auxquelles elle a été exposée. 

Infrastructure proposée et test de fonctionnement

Pour atteindre cet objectif, les données AIS ont été utilisées pour suivre un navire sur sa route d'Allemagne en Australie. Ce long voyage garantissait d'enregistrer une variété de niveaux de température et de nombreuses occasions de changements météorologiques soudains. Le conteneur de fret a été équipé de plusieurs capteurs pour recueillir des données sur la température, l'humidité et l'accélération dans toutes les directions. 

FleetMonCette API a été interrogée à intervalles réguliers afin de recevoir la position du navire à un moment donné, qui pouvait ensuite être automatiquement introduite dans l'interface du capteur. Une API météorologique externe a également été utilisée pour recevoir des données sur les conditions météorologiques maritimes, par exemple la hauteur des vagues. Tous ces éléments ont été combinés pour créer des points de données contenant les conditions environnementales pour chaque position AIS enregistrée pendant tout le voyage vers l'Australie. 

Résultats et cas d'utilisation potentiels

L'essai a produit des données prometteuses sur la façon dont les différentes variables évoluent dans le temps en fonction de la position actuelle. L'examen d'un seul trajet comme preuve de concept ne permet pas de tirer de conclusions, mais la méthodologie utilisée s'est avérée suffisante pour étendre l'opération et collecter des données sur de nombreux itinéraires différents. 

Une fois que suffisamment de données ont été collectées, un projet de suivi permettrait de les agréger et de les analyser. Les cas d'utilisation possibles comprennent la visualisation des données ou même À l'avenir, l'intelligence artificielle pourrait être utilisée pour prendre des décisions sur le meilleur itinéraire en fonction de l'itinéraire et des conditions environnementales auxquelles il a été exposé, afin de protéger les marchandises.