Intelligentes Flottenmanagement: Datengestützte Steuerung von Mietfahrzeugen

Diese Monografie stellt ein umfassendes System zur Planung der vorausschauenden Instandhaltung in Mietwagenflotten vor, das die besonderen betrieblichen Einschränkungen von Umgebungen berücksichtigt, in denen der Fahrer bei jeder Transaktion wechselt. Die Arbeit entwickelt eine mehrstufige Inferenzarchitektur für maschinelles Lernen, die fahrzeugspezifische Baseline-Modelle mit variationalen Autoencodern zur Anomalieerkennung, ein LSTM- und Gradient-Boosted-Tree-Stacking-Ensemble zur Schätzung des Zustandsindexes mit kalibrierten Konfidenzintervallen sowie eine physikalisch fundierte Regularisierung für seltene Ausfallmodi kombiniert. Ein zusammengesetzter Prioritätswert für die Wartungsplanung integriert die mechanische Dringlichkeit mit dem betriebswirtschaftlichen Kontext der Vermietung, einschließlich Buchungsdichte, Umsatzstufe und Verfügbarkeitsbeschränkungen der Flotte, und ermöglicht so die autonome Koordination von Wartungsmaßnahmen innerhalb enger Wartungsfenster zwischen den Vermietungen. Die Monografie behandelt Sensormodalitäten und Datenarchitekturen, Pipelines zur Vorverarbeitung und zum Feature-Engineering, Nachfrageprognosen auf Flottenebene sowie Data-Governance-Rahmenwerke für vernetzte Flottensysteme.