Terminals des Kombinierten Verkehrs (KV) haben insbes. im Fall von KMU mit einer knappen Ressourcenlage und hohen Auslastungen zu kämpfen. Auch der Fachkräftemangel trägt hierzu bei. Notwendige Mehrarbeiten durch eine unzureichende Auftragsplanung, wie bspw. Umlagerungsvorgänge oder weite innerbetriebliche Transportwege, wiegen daher besonders bei knapp ausgestatteten Betrieben extrem nachteilig hinsichtlich Umschlagsgeschwindigkeit und -menge sowie auch deren Profitabilität. Gegenwärtig genutzte Planungssysteme liefern lediglich regelbasiert optimierte Auftragspläne, wodurch es an Flexibilität mangelt und nicht optimal auf unsichere Ereignisse, wie bspw. Verspätungen oder lange Prozesszeiten, reagiert werden kann. In Folge kommt es zu unproduktiver Mehrarbeit und Ressourcenengpässen.In KIProKV soll daher ein Planungstool entwickelt werden, welches mathematische Optimierungsansätze nutzt und mit datengetriebener Prozessprognose mittels Machine Learning verbindet. Dabei werden durch das Prognosemodell unsichere Prozessvariablen vorhergesagt, um vorausschauend und flexibel möglicherweise entstehende Verschiebungen oder Engpässe im geplanten Prozessablauf identifizieren zu können. Die Quantifizierung der Unsicherheiten fließt in den Entstehungsprozess der Optimierungsmodelle ein und trägt dazu bei, effiziente Lösungsalgorithmen zu entwickeln. Durch eine Feedbackschleife aus Optimierung und Prognose soll im Gesamtansatz eine Echtzeit-Planung der Umschlagsaufträge erfolgen, welche dem Terminalpersonal zur Verfügung gestellt wird.Durch diesen Ansatz soll die Unproduktivität um deutlich mehr als 30% (Praxisaussage bzgl. rein regelbasierter Optimierung) reduziert werden. Hieraus resultieren kürzere Durchlaufzeiten und somit eine gesteigerte Effizienz der Umschlagsprozesse - vor allem für KMU relevant. Dadurch kann bei gegebenen Kapazitäten und ohne Erweiterung der KV-Infrastruktur die Umschlagsmenge erhöht und somit ein nachhaltigerer Güterverkehr ermöglicht werden.