Por favor, use este identificador para citar o enlazar a este item:
http://hdl.handle.net/10261/245304
COMPARTIR / EXPORTAR:
SHARE BASE | |
Visualizar otros formatos: MARC | Dublin Core | RDF | ORE | MODS | METS | DIDL | DATACITE | |
Título: | Forecast model for demand for logistical transport of pallets |
Otros títulos: | Modelo de previsión de demanda de transporte logístico de palés | Autor: | Cobo Cano, Miriam CSIC ORCID | Director: | García Saiz, Diego; Garandal Martin, Adolfo | Palabras clave: | Ciencia de datos Predicción de demanda Series temporales Modelos estadísticos Aprendizaje automático Data science Demand forecast Time series Statistical models Machine learning |
Fecha de publicación: | 25-jun-2021 | Editor: | Consejo Superior de Investigaciones Científicas (España) Universidad de Cantabria Universidad Internacional Menéndez Pelayo CSIC-UC - Instituto de Física de Cantabria (IFCA) |
Resumen: | [EN] The need for forecasting for logistic transport using data mining techniques, artificial intelligence
algorithms and statistical models has become an essential element in freight transport planning. These
methods enable companies to anticipate demand peaks and efficiently distribute the available means
of transport. The advanced prevision of the needed resources to meet the necessities of their customers
allows them to make the most of transport efforts, while it entails significant economic benefits,
in addition to increasing productivity for the company.
In this dissertation, a forecast demand model for the transport of pallets by road in Spain is
developed. Predictions are carried out in a particular province, as well as two sectors that belong
to different activities, in order to analyze specific situations that could be generalized in subsequent
studies. Time series analysis techniques will be used, considering seasonality and local trends. For
this purpose, various statistical and machine learning models will be applied, such as exponential
smoothing, Prophet, autoregression or neural networks. Predictions will be validated as a means to
compare the results of each method and determine which one best suits the problem.
On the one hand, the intention is to offer models to the client that work in certain sectors and
provinces, showing the usefulness of the time series analysis techniques that will be applied. On the
other hand, the procedure followed can be scalable to other provinces and sectors in future project
developments. Furthermore, the solutions provided present real-life applications, responding to a
demand forecasting problem of a logistics transport company. This work constitutes a data science
project which has been developed from beginning to end in all its phases. [ES] La predicción de las necesidades de transporte logístico mediante modelos estadísticos, técnicas de minería de datos y algoritmos de inteligencia artificial se ha convertido en un elemento esencial en la planificación del transporte de mercancías, permitiendo a las empresas anticiparse a los picos de demanda y distribuir los medios disponibles de forma más eficiente. La previsión con antelación de los recursos necesarios para poder satisfacer las necesidades de sus clientes posibilita rentabilizar al máximo los esfuerzos de transporte de las compañías, y supone importantes beneficios económicos, además de incrementar la productividad. A lo largo de este trabajo se desarrolla un modelo de previsión de demanda de transporte por carretera de palés en España. La predicción se lleva a cabo considerando una provincia concreta, así como dos sectores pertenecientes a actividades diferentes, con el fin de analizar situaciones específicas que podrían generalizarse en estudios posteriores. Se tendrán en cuenta la estacionalidad y la tendencia local, para lo cual se usarán técnicas de análisis de series temporales. Se aplicarán diversos modelos estadísticos y de aprendizaje automático, como suavizado exponencial, Prophet, autorregresión o redes neuronales, y se validarán las previsiones obtenidas, con el objetivo de comparar los resultados de cada método y determinar cuál se adapta mejor al problema. Por un lado, la intención es ofrecer modelos al cliente que le sirvan en determinados sectores y provincias, mostrando la utilidad de las técnicas de análisis de series temporales que se van a aplicar. Por otro lado, el procedimiento seguido puede ser escalable a otras provincias y sectores en futuros desarrollos del proyecto. Además, las soluciones aportadas presentan aplicaciones en la vida real, dando respuesta a un problema de predicción de demanda de una empresa de transporte logístico. El trabajo realizado constituye un proyecto de ciencia de datos que se ha llevado a cabo de principio a fin en todas sus fases. |
Descripción: | Trabajo fin de Máster defendido en el Instituto de Física de Cantabria, el 25 de junio de 2021 - Curso 2020-2021 - Máster Interuniversitario en Ciencia de Datos / Master in Data Science (UIMP-UC-CSIC) | URI: | http://hdl.handle.net/10261/245304 |
Aparece en las colecciones: | (POSTGRADO) Trabajos Fin de Máster CSIC-UIMP (IFCA) Tesis |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
TFM_MiriamCoboCano.pdf | 727,82 kB | Adobe PDF | Visualizar/Abrir |
CORE Recommender
Page view(s)
201
checked on 09-may-2024
Download(s)
178
checked on 09-may-2024
Google ScholarTM
Check
Este item está licenciado bajo una Licencia Creative Commons