Forecast model for demand for logistical transport of pallets

Abstract

[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.