Bei der Planung und Optimierung von Logistiknetzwerken besteht für Verlader und 4PL-Dienstleister regelmäßig der Bedarf, einen Preis für einen Transport zu prognostizieren, bevor die Ausschreibung erfolgt und reale Preise bekannt werden. Dafür wird in der Praxis meist auf Durchschnittswerte oder die Erfahrung von Planern zurückgegriffen. Der vorliegende, auf k-nearest-neighbor-Regression basierende Ansatz schätzt die Preise für Transporte anhand einer bestehenden Menge von Informationen über Transporte und Preise. Um die relevanten Informationen zu verarbeiten, wurde dafür ein spezielles Distanzmaß entwickelt, um nahe Nachbarn zu bestimmen. Anhand verschiedener Fehlermaße wird das Verfahren mit anderen Methoden (Regression, Regressionsbäume, knn mit euklidischer Distanz) verglichen und zeigt dabei signifikant bessere Ergebnisse. Für den Vergleich mit menschlichen Experten wurde ein Testdesign entwickelt.
