Εφαρμογή της μηχανικής μάθησης στην εφοδιαστική αλυσίδα

Κακολύρης, Γεώργιος

Application of machine learning in supply chain

Μεταπτυχιακή διπλωματική εργασία

Author

Κακολύρης, Γεώργιος

Date

2021-10-08

Advisor

Nikolaou , Grigoris

Μεταπτυχιακή διατριβή (1.345Mb)

Keywords

Εφοδιαστική αλυσίδα ; Μηχανική μάθηση ; Τεχνητή νοημοσύνη ; Metropolis–Hastings algorithm ; Supply chain ; Artificial intelligence ; Vehicle routing problem ; Machine learning ; Logistics ; Time window ; Μεταφορές ; Διαχείριση εφοδιαστικής αλυσίδας

Abstract

Η παρούσα διπλωματική εργασία έχει ως στόχο την μελέτη ενός προβλήματος δρομολόγησης παραδόσεων των παραγγελιών στον τομέα του λιανικού εμπορίου μέσω του στόλου οχημάτων με χρήση της Μηχανικής Μάθησης. Αναλύονται οι βασικοί όροι της εφοδιαστικής αλυσίδας στο ευρύ φάσμα της σε περιβάλλον μεταφορών και πως αυτοί εφαρμόζονται στη σύγχρονη εποχή. Παρουσιάζονται τα είδη των μεταφορών. Γίνεται εκτενής αναφορά στο τομέα των μεταφορών σε επίπεδο προγραμματισμού των παραδόσεων, ανάλυση των βασικών μοντέλων – αλγορίθμων δρομολόγησης όπως το Πρόβλημα του Πλανόδιου Πωλητή και στη συνέχεια αναλύονται όλα τα είδη προβλημάτων δρομολόγησης (VRP). Σε αυτήν την εργασία αναλύεται το πρόβλημα δρομολόγησης με Time Window (VRPTW). Έγινε συλλογή ιστορικών δεδομένων από παραδόσεις οδηγών που παρουσιάζουν κάποια ακολουθία. Η ακολουθία αυτή έχει ως χαρακτηριστικό την παράκαμψη της προγραμματισμένης σειράς παράδοσης σε συγκεκριμένους πελάτες καθώς υπήρξε κάποιο «κρυφό» παράθυρο παράδοσης το οποίο δεν ήταν γνωστό πρότερα στον προγραμματιστή αλλά ήταν γνωστή (τις περισσότερες των περιπτώσεων) στον οδηγό, και έχοντας ως αποτέλεσμα τον εξαναγκασμό του οδηγού στην ανατροπή της προγραμματισμένης σειράς παράδοσης. Έτσι είχαμε μια ανακολουθία της προγραμματισμένης σειράς παράδοσης από την πραγματική σειρά που πραγματοποιήθηκε από τον οδηγό. Για την επίλυση του προβλήματος αυτού των «ιδιαίτερων» πελατών, έγινε χρήση της Μηχανικής Μάθησης μέσω του αλγορίθμου Metropolis-Hasting me βήμα MetropolisHastings στο δείγμα Gibbs o οποίος μας δίνει την δυνατότητα για να αποκτήσει δείγματα από τις παραμέτρους για τις οποίες η πλήρης πυκνότητα υπό όρους δεν είναι διαθέσιμη. Βασιζόμαστε σε αυτόν τον αλγόριθμο για να εξάγουμε συμπεράσματα. Στη συνέχεια με την χρήση του μαθηματικού όρου της Εκτίμησης Μέγιστης Πιθανοφάνειας μπορούμε να εξάγουμε σε ποσοστιαία μονάδα αν ένας πελάτης πρόκειται να εξυπηρετηθεί στην ώρα που προγραμματίστηκε προτού ξεκινήσει το δρομολόγιο τις παραδόσεις ή ο οδηγός θα «μεταπηδήσει» την σειρά παράδοσής του. Τέλος, γίνεται εξαγωγή των συμπερασμάτων αυτών μέσα από πίνακες και διαγράμματα καθώς και ανάλυση για την περεταίρω βελτίωση του μοντέλου για την αύξηση της αποδοτικότητάς του και εγκυρότητας των αποτελεσμάτων του.

Abstract

The present diploma thesis aims to study a problem of routing deliveries of orders in the field of retail trade through the vehicle fleet using Machine Learning. The basic terms of the supply chain in its wide range in a transport environment are analyzed and how they are applied in the modern era. The types of transport are presented. Extensive reference is made in the field of transport at the level of delivery planning, analysis of the basic models - routing algorithms such as the Street Vendor Problem and then all types of routing problems (VRP) are analyzed. This work analyzes the Time Window (VRPTW) routing problem. Historical data was collected from deliveries of guides showing a sequence. This sequence is characterized by bypassing the scheduled delivery series to specific customers as there was a "hidden" delivery window that was not previously known to the developer but was known (in most cases) to the driver, resulting in its forcing to overturn the scheduled delivery series. So we had an inconsistency of the scheduled delivery order from the actual order made by the driver. To solve this problem of "special" customers, we used the Machine Learning through the Metropolis-Hasting algorithm me Metropolis-Hastings step in the Gibbs sample which allows us to obtain samples from the parameters for which the full density conditionally not available. We rely on this algorithm to draw conclusions. Then using the mathematical term of the Maximum Likelihood Estimation we can export in percentage points whether a customer is going to be served at the scheduled time before the route starts deliveries or the driver will "switch" his delivery order. Finally, these conclusions are extracted through tables and diagrams as well as analysis to further improve the model to increase its efficiency and validity of its results.