Ankunfts- und Lieferzeitvorhersage (ETA)

„Wo ist mein Lkw, mein Container, mein Paket, mein Techniker?" Pläne und statische Laufzeiten sagen wenig über die tatsächliche Ankunft. Verkehr, Warteschlangen an Grenzen und Fähren, Lenk- und Ruhezeiten, das Entladen am vorherigen Stopp, Hafenstau und Wetter verschieben sie. Die ETA-Vorhersage lernt aus Millionen abgeschlossener Fahrten, wie diese Faktoren die Schätzung einer Routing-Engine in eine realistische Ankunftszeit verwandeln, und hält die Schätzung aktuell, während sich die Sendung bewegt. Das Ergebnis speist Rampen- und Hofplanung, Produktionsversorgung, Kundenbenachrichtigungen und das Ausnahmemanagement. 2026 ist die Technik ausgereift: Die wichtigsten Hebel sind Datenabdeckung (Anbindung der Frachtführer) und gute Unsicherheitsschätzungen, nicht ein besseres Modell. LLM-Agenten handeln inzwischen auf Basis von ETA-Änderungen (siehe AGENT-024), die ETA selbst bleibt aber ein klassisches ML-Problem.

Problem & Nutzen

• Heute: Verlader und Empfänger rufen bei Frachtführern an, um den Status zu erfragen, planen Rampenzeiten nach gebuchten Zeiten und erfahren von Verspätungen erst, wenn der Lkw nicht erscheint. Der E-Commerce zeigt allgemeine Zusagen von „2–4 Werktagen". Kunden im Außendienst warten zu Hause auf ein Vier-Stunden-Fenster. Die Seefracht-ETAs aus den Fahrplänen der Reedereien ändern sich oft viele Male pro Reise.
• KI-Nutzen: weniger Statusanrufe, frühere Ausnahmebehandlung, bessere Rampen- und Personalplanung, weniger Standgeld (Detention/Demurrage), engere Kundenzeitfenster und höhere Konversion, wenn an der Kasse ein glaubwürdiges Lieferdatum angezeigt wird.
• Belege im großen Maßstab: Die ETAs von Google Maps waren bereits bei über 97 % der Fahrten genau. Ein mit DeepMind entwickeltes Graph Neural Network verbesserte die ETA-Genauigkeit dennoch um bis zu 50 % in Städten wie Berlin, Sydney und Tokio [1]. Das CIKM-Paper berichtet, dass negative ETA-Ergebnisse in Städten wie Sydney gegenüber dem vorherigen Produktionsmodell um mehr als 40 % sanken [2]. Uber ersetzte eines der größten XGBoost-Ensembles seiner Zeit durch einen Transformer, der das Residuum auf der Routing-Engine vorhersagt. Dieses Modell wurde Ubers Modell mit den meisten Anfragen pro Sekunde (QPS) [3][4].
• Vom Anbieter berichtete Ergebnisse (nicht unabhängig geprüft): Visibility-Plattformen veröffentlichen Fallergebnisse wie deutliche Senkungen der Standgeldkosten oder der Reaktionszeiten bei Ausnahmen [6][8]. Behandeln Sie diese als Obergrenzen und messen Sie Ihre eigene Ausgangslage.

Varianten

• Straßengüterverkehr FTL/LTL (Sicht von Verlader oder Empfänger): ETA je Ladung aus Telematik oder Carrier-Daten über eine Real-Time-Transportation-Visibility-Plattform (RTTV). Sie steuert Rampen- und Zeitfenstermanagement sowie Just-in-Time-/Just-in-Sequence-Versorgung in der Automobilindustrie.
• Letzte Meile Paket & Lebensmittel: vorhergesagtes Lieferfenster je Stopp aus Routenfolge, Servicezeiten und Kurierverhalten. Das eingeengte Fenster wird an den Empfänger gesendet.
• Lieferzusage / Lieferdatumsschätzung (vor dem Kauf): sagt das Lieferdatum an der Kasse aus Lager-Annahmeschlusszeiten, Carrier-Leistung und Relationshistorie voraus (E-Commerce, Ersatzteile).
• Essen, Quick Commerce & Ride-Hailing: Zusagezeit aus Zubereitung, Abholung und Fahrt, mit Latenzen unter einer Sekunde und Millionen Anfragen.
• See- & Luftfracht: ETA von Schiff/Container aus AIS, Hafenstau und Fahrplänen der Reedereien. In der Luftfracht werden Meilensteine genutzt. Die Planung von Hafen- und Terminal-Zeitfenstern steht in OPT-037.
• Schiene und öffentlicher Verkehr: Echtzeit-Ankunftsvorhersage für die Fahrgastinformation (GTFS Realtime/SIRI). Die Wiederherstellungsplanung nach Störungen steht in OPT-020.
• Außendienst: Ankunftszeit des Technikers aus der vorhergesagten Restdauer des aktuellen Einsatzes plus Fahrzeit (die Disposition selbst: OPT-019).
• Private Nutzung: ETAs in Navigations-Apps und Paketverfolgungs-Apps. Verbraucher nutzen dies über Produkte und bauen es nicht selbst.
• Nicht im Umfang: Verspätungsvorhersage auf Fallebene in Geschäftsprozessen aus Ereignisprotokollen (PRED-024), Terminüberschreitungen in Projekten (PRED-023) und der Agent, der Frachtführer bucht und Ausnahmen bearbeitet (AGENT-024).

So funktioniert es

1. Ereignis- und Positionsstrom (GPS/ELD, Carrier-API/EDI, AIS, Scans)
2. Bereinigung & Map-Matching (Signale auf das Straßennetz legen, Stopps/Standzeiten erkennen, Ereignisse entdoppeln)
3. Basislinie der Routing-Engine (verbleibende Strecke & verkehrsabhängige Fahrzeit je Abschnitt)
4. Merkmalsbildung (Tageszeit/Wochentag, Relations- & Carrier-Historie, Standzeitstatistik je Standort, verbleibende Lenkzeit, Wetter, Warteschlangen an Grenzen/Fähren, aktuelle Verspätung ggü. Plan)
5. ML-Residuenmodell (GBDT oder Transformer)
6. ETA-Punktschätzung
7. Unsicherheitsebene (Quantilverlust oder Conformal-Kalibrierung)
8. P10/P50/P90, P(verspätet)
9. Geschäftsregeln (Verspätung > Schwellenwert
10. Warnung, Neuplanung des Zeitfensters, Kundennachricht)
11. Rückkopplung: tatsächliche vs. vorhergesagte Ankunft
12. Überwachung & Nachtraining

• Basislinie + Residuum ist das vorherrschende Produktionsmuster. Eine Routing-Engine berechnet die abschnittsweise Fahrzeit entlang des besten Wegs, und das ML lernt die Differenz zu den beobachteten Ergebnissen. Uber nennt das „ETA-Nachbearbeitung", weil sich das Modell leichter ändern lässt als die Routing-Engine [3][4].
• Graphmodelle erfassen räumliche Ausbreitungseffekte im Straßennetz (Googles Supersegment-GNN [1][2]). Für die meisten Unternehmen liefert der Kauf verkehrsabhängigen Routings (Google, HERE, TomTom, PTV) dies ohne eigenes Modelltraining.
• Stand- und Servicezeit an Stopps ist im Güterverkehr und auf der letzten Meile oft die größte Fehlerquelle. Sie wird je Standort, Kunde und Tageszeit gelernt.
• Lenk- und Ruhezeiten: Die EU-Vorschriften zu Lenk- und Ruhezeiten (Verordnung (EG) 561/2006) fügen deterministische Pausen hinzu, die simuliert und nicht gelernt werden müssen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Disponenten bestätigen oder überstimmen Ausnahmewarnungen. Zusagen an Kunden verwenden ein konservatives Quantil (z. B. P80/P90) statt des Medians.

Datenaufbereitung

Das Modell benötigt geplante Routen, Stopps und Zeitfenster (TMS, Tourenplaner, ERP-Aufträge), Live-Positionen (Telematik, Fahrer-App, Carrier-APIs oder EDI-Nachrichten) und die Historie abgeschlossener Fahrten mit geplanter und tatsächlicher Ankunft. Diese Daten liegen im TMS, in Telematikportalen, in E-Mails der Frachtführer und in Excel-Tabellen, teils nur auf Lieferscheinen aus Papier.

Typische Lücken: uneinheitliche Adressdaten, fehlende Geokoordinaten, GPS-Signale mit Lücken, keine erfasste Entlade- und Standzeit, von Fahrern erst Tage später eingetragene Stoppereignisse und je Frachtführer unterschiedliche Statuscodes. Zugriffsrechte auf Carrier- und Telematikdaten liegen oft bei externen Lieferanten.

Aufbereitungsschritte: - Quellen erfassen und den Datenzugang mit den Frachtführern vereinbaren (PREP-001, PREP-005). - Adressen bereinigen und geokodieren; doppelte Kunden- und Standortdatensätze zusammenführen. - Statuscodes der Frachtführer auf ein Schema abbilden (PREP-019). - Stand- und Servicezeiten je Standort aus der Historie berechnen. - Ein verlässliches Label „tatsächliche Ankunft" aus vorhandenen Aufzeichnungen definieren (PREP-020). - Einen Auswertungsdatensatz aus vergangenen Fahrten aufbauen (PREP-018).

Werkzeuge: Geokodierungsdienste, pandas oder dbt, ein kleiner Datenspeicher. Anteil am Gesamtaufwand: etwa 40 Prozent. Zu Adressen und Stammdaten siehe DATA-007.

Umsetzungswege

Welcher Weg für wen

• smb (A): Die Tracking- und ETA-Module von TMS, Telematik und Carrier-Plattformen sind ausgereift, in der EU gehostet und werden pro Fahrzeug abgerechnet.
• enterprise (B): Die ETA ist Teil eines zentralen Logistikprozesses und muss sich in eigenes TMS, WMS und Carrier-Datenströme integrieren, was kein einzelnes Produkt abdeckt.
• developer (B): Routing- und Verkehrs-APIs plus ein kleines Tabellenmodell sind der schnellste Aufbau mit wenig Betriebsaufwand.
• public (C): Open-Source-Routing (OSRM, Valhalla, OpenStreetMap) auf eigener oder souveräner Infrastruktur vermeidet Abhängigkeit und Beschaffungsprobleme.
• private (A): Navigations- und Paketverfolgungs-Apps liefern bereits ETAs.

Weg A — Kaufen (Standardsoftware)

Empfohlen für die meisten KMU und Verlader. - Real-Time-Transportation-Visibility-Plattformen: Shippeo (Frankreich, Leader im Gartner Magic Quadrant 2025 für RTTV, EU-Fokus) [5], Transporeon Visibility inkl. Sixfold (Deutschland/Österreich, Teil von Trimble, über 210.000 angebundene Frachtführer und Logistikdienstleister) [7], project44 Movement [6], FourKites [8], Descartes MacroPoint und Agheera (Deutschland, Telematik-Aggregation). Alle bieten prädiktive ETAs, und die meisten ergänzen inzwischen KI-Agenten für Ausnahmen [5][6][8]. - See-/Containerfracht: Portcast (prädiktive ETAs/ETDs für über 12.000 Häfen) [9], project44, Kpler MarineTraffic, Vizion. - Letzte Meile & E-Commerce: parcelLab (München, vorhergesagte Liefertermine und Kommunikation nach dem Kauf), Bringg, Onfleet sowie die Tourenplanungs-Suiten der PTV Group (Karlsruhe) und von Wise Systems mit dynamischen ETAs. - In Telematik/TMS integriert: Die meisten Flottentelematik-Anbieter und TMS-Systeme (z. B. SAP TM mit Visibility-Partnern) zeigen eine ETA an. Für eigene Flotten genügt das oft. - A wählen, wenn: Sie als Verlader/Empfänger viele Frachtführer haben, denn die Anbindung der Frachtführer ist der schwierige Teil, den das Anbieternetzwerk löst. Prüfen Sie EU-Hosting, einen AVV, den Aufwand der Carrier-Anbindung und die Definition der ETA-Genauigkeit im SLA.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Verkehrsabhängige Routing-APIs als Basislinie: Google Routes API (verkehrsabhängige Routen, Routenmatrix, Lkw-Attribute wie Abmessungen, Gewicht und Gefahrgut) [10], HERE Routing (Niederlande/ Deutschland), TomTom Routing (Niederlande), PTV Developer (Deutschland), Azure Maps, Amazon Location Service.
• ML-Residuenmodell auf Ihrer eigenen Fahrtenhistorie mit verwaltetem ML: Vertex AI, SageMaker oder Azure ML in EU-Regionen oder STACKIT/OVHcloud für souveränes Hosting.
• Streaming: Kafka/Confluent oder Cloud-Pub/Sub für Positionsereignisse. Die ETA wird bei jedem Ereignis oder alle paar Minuten neu berechnet.
• LLM-Ebene (optional): ETA-Änderungen mit einem in der EU gehosteten LLM (z. B. Mistral oder Claude/Gemini/GPT in EU-Regionen) in Kundennachrichten oder Disponenten-Zusammenfassungen umwandeln. Das LLM darf die ETA nicht selbst berechnen.
• B wählen, wenn: Sie eine eigene Flotte oder eine Lieferplattform betreiben und die ETA Teil Ihres Produkts ist.

Weg C — Selbst betreiben (Open Source)

• Routing-Engines: Valhalla (MIT; Matrizen, Map-Matching, zeitbasiertes Routing) [11], OSRM (BSD-2; schneller Tabellen-/Matrixdienst) [12], GraphHopper (Apache-2.0, Deutschland), alle auf OpenStreetMap. Eigene historische Geschwindigkeitsprofile laden, wo unterstützt.
• Modelle: LightGBM/XGBoost/CatBoost mit Quantilzielen für das Residuum. TabPFN (Prior Labs, Deutschland) eignet sich für kleine Tabellendatensätze. Zeitreihen-Foundation-Modelle (Chronos, TimesFM) sagen Standzeiten oder Laufzeiten je Relation voraus. MAPIE oder eine andere Conformal-Prediction-Bibliothek für kalibrierte Intervalle verwenden.
• Stack: Kafka/Redpanda + Flink oder Python-Consumer, PostGIS, ein Feature Store (Feast) und MLflow. Das Modell mit ONNX Runtime oder einem einfachen FastAPI-Dienst bereitstellen.
• Hardware: HW1. GBDT-Inferenz und OSRM/Valhalla laufen auf CPU-Servern. Eine Routing-Engine für Europa braucht einen Server mit viel RAM für den Graphen. GPUs lohnen sich nur bei großen Deep- oder Graphmodellen.

Weg D — Eigenes Training

Lohnt sich für Plattformen mit Millionen von Fahrten: Ride-Hailing, Essenslieferung, Paketnetze und große Frachtführer. Typische Wahl sind tiefe Residualnetze oder Transformer über tokenisierte Merkmale [3][4], GNNs über dem Straßengraphen [2] und Multitask-Modelle, die Zubereitung, Fahrt und Standzeit gemeinsam vorhersagen. Nötig ist eine lange, saubere Historie geplanter vs. tatsächlicher Ereignisse mit Positionen. Öffentliche Forschungsdaten umfassen LaDe, den Last-Mile-Lieferdatensatz von Cainiao (etwa 10,7 Millionen Pakete von 21.000 Kurieren, mit Benchmarks für Routen- und ETA-Vorhersage) [13][14]. Für Verlader mit wenigen tausend Ladungen pro Monat ist ein GBDT-Residuenmodell auf einer API-Basislinie meist so gut wie ein eigenes Deep-Modell.

Stand der Technik (2026)

• Produktionsmuster: eine verkehrsabhängige Routing-Engine + ein gelerntes Residuum + kalibrierte Unsicherheit. GNN-basierte Verkehrsmodelle (Google) und Linear-Attention-Transformer (Uber) markieren das obere Ende [1][3].
• Probabilistische ETAs: Quantilverluste und Conformal Prediction sind Standard. Plattformen melden P(verspätet) und nutzen asymmetrische Verlustfunktionen, weil verspätete Ankünfte mehr kosten als frühe [3].
• Visibility-Netzwerke + Agenten: RTTV-Anbieter bündeln ML-ETAs mit KI-Agenten, die fehlende Carrier-Status nachfassen, Rampentermine verschieben und „Wo ist meine Bestellung"-Fragen beantworten. Beispiele sind die Agenten Tracy und Alan von FourKites und die agentischen Abläufe von project44 [6][8].
• Regulatorischer Datenschub: Die EU-eFTI-Verordnung (EU) 2020/1056 lässt Behörden ab 2026 elektronische Frachtinformationen von zertifizierten Plattformen akzeptieren und macht die Annahme ab dem 9. Juli 2027 verpflichtend. Das erhöht die Zahl digitaler, maschinenlesbarer Transportereignisse [15].
• Grenzen: ETAs sind nur so gut wie die Positionsabdeckung. Fehlende Signale, Frachtführer ohne Telematik und manuelle Statusmeldungen dominieren den Fehler im Güterverkehr. Seltene Störungen (Streiks, Sperrungen, Kanalblockaden) liegen außerhalb der Verteilung. Vor einer Netzänderung trainierte Modelle driften schnell. Die Standzeit an unbekannten Standorten ist schwer vorherzusagen, und Genauigkeitswerte sind zwischen Anbietern ohne gemeinsame Definition nicht vergleichbar (z. B. „innerhalb ±60 min, 4 h vor Ankunft").

Gemeinsame Bausteine & Kombinationen

• Gleicher Routing-/Geo-Stack (Routing-Engine + Kartendaten + Streaming): OPT-001 Tourenplanung, OPT-019 Außendienst-Disposition, OPT-028 Ridepooling. Eine selbst betriebene Valhalla-/OSRM-/ GraphHopper-Instanz und eine GPS-Ereignis-Pipeline können alle bedienen, und die ETA-Vorhersage liefert deren realistische Fahr- und Servicezeiten.
• Gleicher Tabellen-ML-/Zeitreihen-Stack: PRED-001 Nachfrageprognose, PRED-019 Verkehrs- und Mobilitätsnachfrage, PRED-024 prädiktive Prozessüberwachung. Sie teilen sich einen Feature Store, MLflow, Conformal-Intervalle und eine CPU-Bereitstellungsebene (HW1).
• Vorgelagerte Signale: PRED-017 Wettervorhersagen, ANOM-011 Lieferanten-/Lieferkettenrisiko-Ereignisse und DOC-006 extrahierte Logistikdokumente (Status, POD).
• Nachgelagerte Verbraucher: AGENT-024 Agent für den Frachtbetrieb, OPT-037 Hafen- und Terminal-Zeitfenster, OPT-020 Störungsbewältigung, OPT-026 Reiseoptimierung, VIS-048 Abfertigungs-Meilensteine. Dieselben Telematikdaten speisen PRED-030 Fahrerbewertung, doch diesen Zweck strikt trennen (siehe unten).

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zur Integration einer Visibility-Plattform mit TMS/ERP. Die Anbindung der Frachtführer ist der längste Posten. Die Preisgestaltung erfolgt meist je verfolgter Sendung oder als Abonnement.
• Weg B: 2–4 Monate bis zu einem ersten Produktionsmodell auf Ihrer eigenen Historie. Die API-Kosten steigen mit den Routing-Aufrufen, daher Matrizen zwischenspeichern und wiederverwenden.
• Weg C: 3–6 Monate inkl. Routing-Engine und Streaming. Der Betriebsaufwand umfasst Karten-Updates und Nachtraining der Modelle.
• Weg D: Quartale, plus ein eigenes ML-Team. Nur für Plattformen, bei denen die ETA-Genauigkeit eine zentrale Produktkennzahl ist.
• Kennzahlen: MAE/mittlerer absoluter Fehler bei festen Horizonten (z. B. 24 h, 4 h, 1 h vor Ankunft), Anteil innerhalb ±X Minuten, Intervallabdeckung (sind P90 wirklich 90 %?), Präzision/Trefferquote und Vorlaufzeit der Verspätungswarnungen, Aufkommen an Statusanrufen (WISMO), Leerlaufzeit an der Rampe, Standgeldkosten (Detention/Demurrage) und Anteil der eingehaltenen zugesagten Zeitfenster.

Menschen & Veränderung

Beziehen Sie die Geschäftsführung für Umfang und Kundenzusage ein, dann die Logistik- oder Dispositionsleitung, die den Prozess verantwortet. Disponenten und Fahrer sind die Endanwender und sollten vor dem Pilotbetrieb angehört werden, da ihre Daten das Modell speisen. Die IT integriert TMS und Telematik; Lieferanten (Frachtführer, Subunternehmer) müssen der Weitergabe von Statusdaten zustimmen. Die/der Datenschutzbeauftragte wird benötigt, weil Fahrerpositionen personenbezogene Daten sind.

Betriebsrat: hängt vom Einzelfall ab, oft aber ja. Fahrzeugpositionen und Lieferzeiten identifizierbarer Fahrer eignen sich zur Überwachung von Verhalten und Leistung, daher greift nach der BAG-Rechtsprechung § 87 Abs. 1 Nr. 6 BetrVG. Streben Sie eine Betriebsvereinbarung an, die die Nutzung auf die ETA begrenzt, individuelle Leistungsrankings ausschließt und kurze Speicherfristen festlegt (GUIDE-004). Informieren Sie den Betriebsrat früh nach § 90 Abs. 1 Nr. 3.

Datenschutz: DSFA-Prüfung nach Art. 35 DSGVO, wenn die Fahrerortung systematisch erfolgt; AVV mit Telematik- und API-Anbietern (GUIDE-005).

KI-Kompetenz: Unterstützen Sie Disponenten mit einer kurzen Schulung zu Vorhersageintervallen (GUIDE-006). Beginnen Sie mit einem Depot oder einer Relation, lassen Sie die ETAs mehrere Wochen parallel zu manuellen Schätzungen laufen und lassen Sie den Menschen die Kontrolle: Disponenten können ETAs überstimmen und über Umplanungen entscheiden. Typische Sorge: „Das ist Fahrerüberwachung." Begegnen Sie ihr mit transparenter Zweckbindung und Aggregation (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko. Die ETA-Vorhersage ist kein Anwendungsfall nach Anhang III, und die KI-Kompetenz nach Art. 4 gilt. Sie wird zum Hochrisiko-System, wenn dasselbe System genutzt wird, um Leistung und Verhalten von Fahrern oder Kurieren zu überwachen und zu bewerten oder ihre Aufgaben nach Verhalten zuzuweisen (Anhang III Nr. 4 Buchst. b). ETA und Bewertung der Fahrerleistung sollten von vornherein getrennt gehalten werden [16]. Kundenseitige Chat- oder Benachrichtigungsbots unterliegen der Transparenz nach Art. 50.
• DSGVO: Fahrzeugpositionen, die einem Fahrer zugeordnet sind, sind personenbezogene Daten, ebenso Empfängeradressen und App-Standorte von Verbrauchern. Anforderungen: Zweckbindung (ETA/Logistik, keine Überwachung), Datenminimierung (aggregierte Historie, kurze Speicherung roher Spuren), Pseudonymisierung in Trainingsdaten, DSFA bei systematischer Ortung von Beschäftigten und ein AVV mit Visibility-Anbietern. Frachtführer teilen Daten mit Verladern. Die Rollen Verantwortlicher/ Auftragsverarbeiter klären.
• Arbeitsrecht (DE): Telematik und Ortung von Beschäftigten unterliegen der Mitbestimmung des Betriebsrats (§ 87 Abs. 1 Nr. 6 BetrVG). Eine Betriebsvereinbarung abschließen, die Leistungsüberwachung aus ETA-Daten ausschließt.
• Branchenregeln: EU-Lenk- und Ruhezeiten (VO 561/2006) als Randbedingungen, eFTI für elektronische Transportdaten [15] und verbraucherrechtliche Lieferzusagen (mitgeteilte Liefertermine müssen realistisch sein).
• Risiken & Gegenmaßnahmen: Übermäßig sichere Zusagen führen zu Beschwerden, daher konservative Quantile veröffentlichen. Schleichende Drift nach Netz- oder Carrier-Änderungen erfordert die Überwachung von Abdeckung und Fehler je Relation. Gefälschte oder fehlende GPS-Daten brauchen Plausibilitätsprüfungen und den Rückfall auf den Plan.

Erste Schritte

1. Sammeln Sie 6–12 Monate geplante vs. tatsächliche Ankunftszeiten je Stopp/Sendung und messen Sie die heutige Genauigkeit bei festen Horizonten. Das ist Ihre Ausgangslage.
2. Legen Sie die Perspektive fest: ein Verlader mit vielen Frachtführern → Weg A (RTTV-Plattform); eigene Flotte oder Lieferplattform → Weg B/C.
3. Beginnen Sie mit einer verkehrsabhängigen Routing-Basislinie plus einem GBDT-Residuenmodell mit Quantil-Ausgaben und werten Sie je Relation und Standort aus.
4. Koppeln Sie eine Entscheidung an die ETA (Rampenumplanung, Kundenfenster oder Ausnahmewarnung) und messen Sie deren Geschäftskennzahl, nicht nur den MAE.
5. Vereinbaren Sie vor dem Rollout Speicherfristen und Zweckbindung für Standortdaten mit der/dem Datenschutzbeauftragten und dem Betriebsrat.

Quellen

1. Google DeepMind — Traffic prediction with advanced Graph Neural Networks — https://deepmind.google/discover/blog/traffic-prediction-with-advanced-graph-neural-networks/
2. Derrow-Pinion et al. — ETA Prediction with Graph Neural Networks in Google Maps (CIKM 2021) — https://arxiv.org/abs/2108.11482
3. Uber Engineering — DeepETA: How Uber Predicts Arrival Times Using Deep Learning — https://www.uber.com/blog/deepeta-how-uber-predicts-arrival-times/
4. Hu et al. — DeeprETA: An ETA Post-processing System at Scale — https://arxiv.org/abs/2206.02127
5. Shippeo — Real-time transportation visibility & predictive ETA — https://www.shippeo.com/
6. project44 — Movement Decision Intelligence Platform — https://www.project44.com/
7. Transporeon (Trimble) — Transport management & visibility platform — https://www.transporeon.com/en
8. FourKites — Supply chain visibility, ML-powered ETAs and AI agents — https://www.fourkites.ai/
9. Portcast — Predictive ocean visibility — https://www.portcast.io/
10. Google Maps Platform — Routes API overview — https://developers.google.com/maps/documentation/routes/overview
11. Valhalla open-source routing engine — https://github.com/valhalla/valhalla
12. OSRM backend — https://github.com/Project-OSRM/osrm-backend
13. Wu et al. — LaDe: The First Comprehensive Last-mile Delivery Dataset from Industry — https://arxiv.org/abs/2306.10675
14. Cainiao-AI — LaDe dataset & leaderboards (route prediction, ETA) — https://huggingface.co/datasets/Cainiao-AI/LaDe
15. European Commission — eFTI Regulation (EU) 2020/1056 — https://transport.ec.europa.eu/transport-themes/logistics-and-multimodal-transport/efti-regulation_en
16. Regulation (EU) 2024/1689 (AI Act), Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj