In diesem Projekt wollen wir, die Arbeitsgruppe Informationssysteme und Maschinelles Lernen (ISMLL) der Universität Hildesheim und die MediFox GmbH (MF), welche für ca. 50% der ambulanten Pflegedienste in Deutschland Softwarelösungen anbieten, die ambulante Pflege in Deutschland verbessern. Unser Ansatz besteht darin, innerhalb des Projekts einen Software-Prototypen erstellen, der in der Lage ist, die Tourenplanung, die Pflegedienste täglich absolvieren müssen, in einem ersten Schritt (teil-)automatisiert vorzuschlagen. Somit kann der Aufwand, den ein einzelner Pflegedienst dafür gegenwärtig einplanen muss, stark verringert werden. Dafür sollen zunächst exakte und heuristische Verfahren der automatischen Tourenplanung auf das Problem angewendet werden. Darauf aufbauend sollen die Touren weiterhin so geplant werden, dass unnötiger Stress, der beispielsweise dadurch entsteht, dass ein Mitarbeiter durch den Berufsverkehr zu dem nächsten Klienten fahren muss, möglichst gering gehalten wird und somit dem Pflegepersonal bessere Arbeitsbedingungen geschaffen werden. In einem zweiten Schritt wollen wir die Tourenplanung aus Daten lernen, um die Pflege so für jeden Pflegedienst und für jeden Pflegebedürftigen individuell optimal zu gestalten. Ziel ist es also insgesamt, eine Tourenplanung datengetrieben und automatisch zu ermitteln, die den Wünschen der Klienten bezüglich Pflegezeit, Pfleger/in, dem Pflegepersonal bezüglich Arbeitszeit und Qualifikation, und dem Pflegedienst bezüglich seiner Erlösorientierung entspricht. Für eine karitative non-Profit Organisation wie z.B. den Maltesern besteht das Ziel eine gute Tourenplanung darin, die maximale Pflegeleistung zu erreichen, ohne dass ein pekuniärer Verlust entsteht. Ein gewinnorientiertes Unternehmen hingegen wird eine maximale Pflegeleistung bei einem mindestens zu erreichenden Gewinn anstreben.

Gegenwärtig werden Verfahren des maschinellen Lernens bereits für Scheduling-Probleme eingesetzt, diese setzen jedoch meistens voraus, dass für die beteiligten Entitäten (Klient, Pfleger, Vehikel) Merkmale vorhanden sind, die diese Entitäten problemspezifisch charakterisieren. Das Forschungsziel - und somit das große Innovationspotenzial von TrAmP - liegt im zweiten Schritt, in dem diese Merkmale mittels multirelationaler Modelle automatisch gelernt werden sollen, wie es bereits in anderen Kontexten, etwa Empfehlungssystemen üblich ist. Für solche Faktorisierungsmodelle ist das ISMLL eine der international führenden Arbeitsgruppen.