Browsing by Author "Sousa, Diogo Sequeira Ramos Nunes de"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- IA na última milha: otimização do mercado logísticoPublication . Sousa, Diogo Sequeira Ramos Nunes de; Ferreira, Carlos Manuel Abreu GomesDiante do contínuo esforço para aprimorar a eficiência dos processos industriais, esta pesquisa foca-se na convergência entre Engenharia e Gestão da Cadeia de Abastecimento e o roteamento. O estudo destaca a urgente necessidade de melhorar o processo de planeamento de rotas, onde a capacidade de prever a rota realmente efetuada pelo motorista se apresenta como um desafio complexo e significativo. A previsão de rotas aplicado à Última Milha é um aspeto crítico da otimização das operações logísticas, onde o foco está na previsão das rotas mais eficientes para a entrega de mercadorias de um centro de distribuição até o destino final, geralmente a localização do cliente. Ao planear rotas com precisão, as empresas podem reduzir os prazos de entrega, diminuir o consumo de combustível e aumentar a satisfação do cliente. Este estudo utiliza abordagens de Aprendizagem Automática para determinar o planeamento de rotas com base nas características específicas de cada uma delas, oferecendo uma solução dinâmica para os desafios do roteamento. Ao mesmo tempo, esta pesquisa incentiva a colaboração entre a Inteligência Artificial e o setor industrial, aumentando a eficiência em aplicações fundamentais. Portanto, o objetivo principal deste projeto é desenvolver, um modelo de previsão de rotas capaz de tentar atingir a rota realmente efetuada pelos motoristas. Para alcançar isso foi necessário realizar previamente uma análise minuciosa aos dados fornecidos, de modo a encontrar padrões relevantes e assim extrair informação valiosa para o negócio. Esta dissertação utiliza a metodologia Cross Industry Standard Process for Data Mining (CRISP-DM) como estrutura guia. Ao investigar a sua natureza adaptativa, os algoritmos de Aprendizagem Automática mostram um potencial significativo para aumentar tanto a eficiência quanto a precisão no processo de previsão de rotas. Este estudo dado ser baseado na frequência dos motoristas, iniciou-se com a criação de um baseline servindo como um ponto de referência com o qual se vai comparar os resultados futuros, sendo depois mais à frente importante para avaliar o desempenho dos modelos. De seguida, realizou-se uma análise minuciosa de duas abordagens diferentes, com ênfase na avaliação da consistência e precisão das previsões feitas, sendo que daí resultou a comparação entre três algoritmos o baseline, o OSquare e o Routyn. Uma das abordagens pautou-se na modelação baseada em histórico de frequências. A outra abordagem baseou-se na adaptação do algoritmo OSquare, sendo que daqui se destacou o XGBoost como modelo utilizado, visto que obteve os melhores resultados. Além disso, dada a pesquisa acerca da literatura o OSquare era o que melhor se enquadrava para o problema em questão. Daqui resultou uma comparação entre vários algoritmos o baseline, o OSquare e o Routyn, em que este último é o utilizado pela empresa para obtenção dos percursos a efetuar nas rotas. Utilizando as métricas de Coeficiente de Correlação de Kendall, Edit Distance e Accuracy chegou-se à conclusão, que apesar da amostra não ser significativa, o OSquare foi o que melhor conseguiu aproximar as rotas efetuadas pelo motorista, sendo algo de realçar. Esta dissertação, além de ampliar o conhecimento na área de pesquisa, evidencia claramente o potencial das abordagens de Aprendizagem Automática na previsão de rotas. Dessa forma, faz uma contribuição significativa neste campo, ressaltando a importância da análise de dados e da modelagem como métodos capazes para enfrentar os desafios contínuos desta indústria em constante mudança.