Kurze Reaktionszeiten und Produktlebenszyklen sowie eine hohe Variantenvielfalt bringen mehr Komplexität in der Materialver- und -entsorgung komplexer Produktionssystem mit sich. Dadurch ergeben sich auch neue Herausforderungen für die zugehörige Kapazitätsplanung. Heute bestehende Methoden werden jenen gestiegenen Anforderungen hinsichtlich Digitalisierung und Vernetzung im Kontext von Industrie 4.0 nicht gerecht. Folglich kommt es vermehrt zu einer mangelhaften Versorgung des Produktionssystems, ineffizienter Flächennutzung im Produktionsbereich sowie zu einer Verschwendung von Ressourcen. Um stabile Produktionsprozesse erfolgreich realisieren zu können, ist eine adäquate produktionslogistische Kapazitätsplanung notwendig.
Im vorliegenden Forschungsvorhaben wird eine Methode zur Prognose schwer planbarer kapazitiver Aufwände in der Ver- und entsorgung entwickelt. Anhand der Abweichungen von Ist- zu Plan-Werten wird mittels eines Machine Learning Algorithmus auf die ausschlaggebenden Wechselwirkungen geschlossen. Durch die selbstlernende Prognose sollen Mehr- bzw. Minderaufwände für zukünftige Planungsperioden präzise und verlässlich vorausgesagt werden.