Dissertação
{en_GB=Demand forecasting in Last-Mile Logistics: a case study of a last-mile logistics operator in the Metropolitan Area of Lisbon} {} EVALUATED
{pt=A Logística do Último Quilómetro (LUQ) constitui a etapa mais desafiante e dispendiosa da Cadeia de Abastecimento. O recente crescimento do comércio eletrónico criou tendências de consumo exigentes no mercado das entregas de encomendas. Entregas no mesmo dia e no dia seguinte acentuam a complexidade das operações, aumentando custos de envio e impactos na sustentabilidade. Estas tendências requerem, para garantir níveis de serviço e utilização eficiente de recursos, que os operadores de LUQ apostem em ferramentas de apoio à decisão como modelos preditivos da procura e otimização ao nível operacional, trazendo vantagens aos níveis económico e ambiental. Assim, foi desenvolvida uma estrutura para produção de um modelo preditivo da procura, baseado em Machine-learning (ML), que integra variáveis temporais e espaciais ao longo do tempo e áreas analisadas. Esta estrutura apresenta diferentes iterações de modelos baseados na arquitetura Long Short-Term Memory (LSTM). Para evitar a introdução de ruído, é aplicado um algoritmo de seleção de variáveis, e os subconjuntos resultantes são integrados em diferentes iterações que, após fine-tuning, produzem alternativas de modelos. O desempenho destes é avaliado através de testes de ablação, que fundamentam a seleção de um modelo LSTM híbrido espácio-temporal interpretável e pronto a ser utilizado como input num modelo de otimização para planeamento operacional. Com base num estudo-caso, o modelo proposto exibe estabilidade de previsões, consistente entre zonas, captando sazonalidade e picos de procura. Os testes de ablação confirmam o papel complementar das variáveis espaciais e temporais, validando a capacidade do modelo de generalização no tempo e espaço., en=Last-Mile Logistics (LML) constitutes the most challenging and costly leg of current Supply chain (SC) operations. The rise of e-commerce and Omni-channel, especially since the COVID-19 pandemic, have created demanding customer behavior trends within the market of parcel deliveries. Same-day and next day deliveries, spread beyond urban centers, further accentuates demand uncertainty and complexity of day-to-day operations, raising shipping costs, sustainability concerns, and competitiveness in the sector. In Portugal, the parcel deliveries market grew 10% from 2023 to 2024, more than 12 billion euros, reflecting the strong growth tendency of parcel deliveries demand. Hence, to ensure service levels and balance costs, LML operators must bet on enhanced data-driven decision-making through demand estimation and operational-level optimization. A forecasting framework is developed to produce a recommended demand predictive model for the assigned problem, based on a Machine Learning (ML)-based model, integrating temporal and spatial variables across time and areas. The framework presents distinct LSTM models’ iterations. To avoid inserting noise, a variable selection algorithm is applied, and the resulting variables subsets are integrated in different iterations which, after fine tuning, yields alternative models. Their performances are evaluated, ablation testing is performed, ultimately leading to a spatio-temporal hybrid LSTM model interpretable, and ready for use as inputs in an optimization-based model for operational-level planning. Based on real-world instances, the proposed model achieves consistent predictive stability across zones, accurately capturing seasonality and demand peaks. Ablation testing confirmed complementary role of spatial and temporal variables, validating generalization across time and space.}
novembro 19, 2025, 14:0
Orientação
ORIENTADOR
Ana Paula Ferreira Dias Barbosa Póvoa
Departamento de Engenharia e Gestão
Professor Catedrático
