Forecasting for operational planning of M1M systems

Abstract

Cette thèse porte sur la prévision de la demande des expéditeurs et des offres de capacité des transporteurs pour la planification opérationnelle des systèmes `Many-to-One-to-Many' (M1M). Un tel système agit comme un décideur intermédiaire entre les expéditeurs et les transporteurs en coordonnant le transport des marchandises des expéditeurs aux destinataires en utilisant les capacités offertes par les transporteurs. Le décideur prend ses décisions dans un horizon de planification opérationnelle, en optimisant ces décisions en tenant compte de l'incertitude sur les périodes futures. Pour accompagner les décisions du décideur, il est essentiel de prédire les nouvelles demandes des expéditeurs et les nouvelles capacités des transporteurs. Cela conduit à des problèmes de prévision de séries chronologiques à plusieurs variables et à plusieurs étapes. L'objectif de ce travail est d'analyser l'impact des erreurs de prévision sur la qualité de la solution pour un problème de planification opérationnelle M1M donné.

Cette thèse présente d'abord la structure du système M1M, la planification opérationnelle et les tâches de prévision associées. Nous décrivons la caractérisation des demandes des expéditeurs et des offres des transporteurs ainsi que comment la prévision peut soutenir les décisions en définissant les informations nécessaires pour le décideur sur l'horizon opérationnel.

Nous couvrons ensuite l’optimisation de l’affectation charge-transporteur en introduisant un modèle d'optimisation déterministe et les prévisions utilisées en entrée. En l'absence de données réelles, nous générons un ensemble de données synthétiques qui est ensuite utilisé pour estimer les modèles de prévision. L'objectif est de définir quelques modèles de prévision qui présentent des erreurs afin que nous puissions évaluer leur impact sur la qualité de la solution pour le problème de planification opérationnelle. Dans ce contexte, nous comparons plusieurs modèles ARIMA pour prédire les futures demandes et offres. Nous constatons que les modèles avec des erreurs de prévision relativement faibles peuvent conduire à des améliorations significatives de la qualité de la solution. Enfin, nous exposons quelques pistes de recherches futures.

This thesis is about forecasting new shipper-demand requests and carrier-capacity offers for operational planning of Many-to-One-to-Many (M1M) systems. Such a system acts as an intermediary decision-maker between shippers and carriers, coordinating the transportation of goods from shippers to consignees (shipment recipients) using capacity offered from carriers. The decision-maker makes the decisions within an operational planning horizon, optimizing these decisions accounting for uncertainty over future time periods. To support the decisions, forecasting new shipper-demands and carrier capacities is essential. This leads to multi-variate multi-step time series forecasting problems. The objective of this work is to analyze the impact of forecast errors on the solution quality for a given M1M operational planning optimisation method.

This thesis first presents the M1M system structure, operational planning, and related forecasting tasks. It explains the characterization of the shipper requests and carrier offers. We describe how forecasting can support the decisions by defining the needed information for the decision-maker over the operational horizon.

We then cover the optimization of load-to-carrier assignments introducing a deterministic formulation and the forecasts used as input. In the absence of real data, we generate a synthetic data set that is then used for estimating forecasting models. The aim is to define a few forecasting models that exhibit some errors so that we can assess their impact on the solution quality for the operational planning problem. In this context, we compare several ARIMA models to predict future requests and offers. We find that the models with relatively low forecast errors can lead to significant improvements in solution quality. Finally, we outline a few directions for future research.