Het Nederlands Loodswezen zorgt ervoor dat schepen de havens zo veilig en efficiënt mogelijk binnenkomen en verlaten. Loodswezen Rijnmond, dat actief is in de Rotterdamse haven, was op zoek naar een manier om nauwkeuriger beslissingen te nemen over de toewijzing van hun middelen aan de aankomende en vertrekkende dokken. Triple leverde een data-based oplossing, waarmee het mogelijk werd om voorspellingen te doen die een indicatie geven of een schip op tijd vertrekt of niet.

Om inzicht te krijgen in het aantal verwachte schepen voor de haven van Rotterdam/Rijnmond, heeft ons Artificial Intelligence-team een Python-notebook gemaakt, waarin uitgebreide dataverkenning is voorzien. De meegeleverde notebook bevat feature-engineering, voorspellende modellering, statistische analyse en datavisualisatie zoals beslissingsbomen en correlatiematrices.

Op basis van de ontworpen features, zijn twee interpreteerbare modellen gemaakt. Het eerste model kan voorspellen of het vertrek van schepen vertraagd is of niet. Het tweede model kan voorspellen of een schip op tijd is geregistreerd.

Het resultaat zijn twee duidelijke visualisaties van de beslisbomen die voor beide modellen zijn gebruikt. Op basis van deze beslisbomen heeft het Loodswezen Rijnmond inzicht gekregen in de belangrijkste kenmerken bij het nemen van de beslissing of een schip op tijd vertrekt.

Een beslissingsboom wordt van boven naar beneden gelezen, waarbij bij elke splitsing een beslissing wordt genomen op basis van een ander kenmerk of een andere waarde van dat kenmerk. In de beslissingsboom voor Nederlands Loodswezen staat de kleur blauw voor vertraagde schepen en oranje voor niet-vertraagde schepen in de haven. Hoe donkerder de kleur van de doos, hoe meer zekerheid het model heeft in zijn beslissing.

Wanneer het aantal mutaties (wat staat voor het aantal geregistreerde ETD's) hoger is dan 3,5, heeft het model 99% zekerheid dat het schip vertraging heeft. De visualisatie laat ook zien dat het model 62% zekerheid heeft op een niet-vertraagd vertrek, op basis van de agent het verschil in registratietijd en het aantal mutaties.