Ferreira, Carlos Manuel Abreu GomesNavega, Luís Vitor Lisboa2024-12-052024-12-052024-10-14http://hdl.handle.net/10400.22/26672Este estudo investiga a aplicação de técnicas de Machine Learning na previsão de rotas, com foco no comportamento do motorista, utilizando uma base de dados fornecida por uma empresa de logística. O comportamento dos motoristas é influenciado por vários fatores, como preferências pessoais, experiência com determinadas rotas, condições do tráfego e características das entregas, como a distância, o peso da mercadoria, a urgência e a frequência de visita a um cliente específico. Estas variáveis tornam o planeamento de rotas uma tarefa complexa, mas essencial para a eficiência logística. O principal objetivo deste trabalho foi desenvolver um sistema preditivo robusto e eficiente que pudesse não apenas prever as rotas mais prováveis com base nas escolhas históricas dos motoristas, mas também otimizar essas rotas com base em múltiplos atributos operacionais. Estes atributos incluem a distância total percorrida, o peso da carga, a capacidade do veículo, e em alguns modelos a frequência de visita ao cliente. A adição da frequência de visita a certos clientes foi particularmente importante para aumentar a precisão das previsões. Esses atributos influenciam diretamente a escolha de uma rota, uma vez que os motoristas tendem a preferir rotas mais conhecidas para clientes frequentes ou ajustar as suas escolhas com base no peso e no volume das entregas, visando minimizar o esforço físico e o tempo de transporte. O estudo iniciou-se com a organização dos dados em conjuntos de treino e teste, permitindo a aplicação e a validação dos modelos de Machine Learning. Diversas técnicas foram exploradas, incluindo modelo de Osquare juntamente com técnicas de Regressão Linear, Random Forest, Redes Neurais e Support Vector Machine (SVM). A eficácia desses modelos foi avaliada através de métricas como Kendall's Tau, Accuracy e Edit Distance, permitindo uma análise comparativa dos resultados. Os resultados indicaram que os modelos de regressão com Redes Neurais, com a adição da frequência como um atributo, se destacaram em termos de precisão e eficiência geral, obtendo uma acurácia média de 0,9603, e um Kendall médio de 0,0314. O modelo Random Forest também apresentou um bom desempenho, particularmente quando otimizado e com o atributo adicional da frequência de visita, atingindo uma acurácia média de 0,9583 e um Kendall médio de 0,333. Em contrapartida, técnicas como a regressão logística e SVM mostraram-se menos eficazes em certos cenários. Este estudo demonstra o potencial do Machine Learning para otimizar processos logísticos, destacando a importância de uma análise detalhada e criteriosa dos dados. As descobertas oferecem contribuições significativas para o campo da logística, mostrando como a integração de técnicas avançadas de aprendizagem automática pode ser aplicada de forma eficaz no contexto industrial, ao mesmo tempo em que aponta caminhos para melhorias futuras.This study investigates the application of Machine Learning techniques in route prediction, with a focus on driver behavior, using a dataset provided by a logistics company. Driver behavior is influenced by various factors, such as personal preferences, experience with specific routes, traffic conditions, and delivery characteristics, including distance, cargo weight, urgency, and the frequency of visits to a specific customer. These variables make route planning a complex but essential task for logistical efficiency. The main objective of this work was to develop a robust and efficient predictive system that could not only forecast the most likely routes based on drivers’ historical choices but also optimize these routes based on multiple operational attributes. These attributes include the total distance traveled, load weight, vehicle capacity, and, in some models, customer visit frequency. The addition of visit frequency to certain customers was particularly important for improving prediction accuracy. These attributes directly influence route choices, as drivers tend to prefer familiar routes to frequent customers or adjust their choices based on the weight and volume of deliveries to minimize physical effort and transport time. The study began by organizing the data into training and testing sets, allowing for the application and validation of the Machine Learning models. Various techniques were explored, including Osquare modeling along with Linear Regression, Random Forest, Neural Networks, and Support Vector Machine (SVM) techniques. The effectiveness of these models was evaluated through metrics such as Kendall’s Tau, Accuracy, and Edit Distance, allowing for a comparative analysis of the results. The results indicated that regression models with Neural Networks, with the addition of frequency as an attribute, stood out in terms of overall precision and efficiency, achieving an accuracy of 0.9603 and a Kendall of 0.0314. The Random Forest model also performed well, particularly when optimized and with the additional frequency attribute, reaching an accuracy of 0.9583 and a Kendall of 0.333. In contrast, techniques such as logistic regression and SVM were less effective in certain scenarios. This study demonstrates the potential of Machine Learning to optimize logistical processes, highlighting the importance of a detailed and careful data analysis. The findings offer significant contributions to the field of logistics, showing how the integration of advanced Machine Learning techniques can be effectively applied in an industrial context while also pointing to avenues for future improvements.porMachine learningLogisticsOsquareImitation learningKendallAccuracyEdit distanceRoute predictionProcess optimizationPrevisão de rotasmaster thesis203733479