Towards a smart prediction and optimization model in the context of Physical Internet Supply Chain Network
Vers un modèle de prédiction et d'optimisation intelligent dans le contexte de l'Internet Physique
Résumé
Supply chain networks are recently complex and stochastic systems. Currently, logistics managers, which are the main actors in supply chain networks, face two main problems: increasingly diverse and variable customer demand. These problems make the prediction difficult. Classical forecasting methods implemented in many business units have limitations with the fluctuating demand and the complexity of fully connected supply chains. Moreover, the connection’s complexity affects both upstream and downstream parties, such as inventory management and transportation routing. Physical Internet (PI) is a new paradigm that is implemented to solve the complexity of the supply chain network. Many studies implemented this principle in different areas, such as inventory replenishment, product distribution and encapsulation. Also, few studies mention demand forecasting in the supply chain network. Based on the forecasting trend nowadays, Machine Learning methods have been proposed to improve prediction in many business fields, particularly in the supply chain context. This thesis proposes a smart prediction model in the context of the PI supply chain network. The case study of agricultural products in Thailand is considered. This thesis focuses on Demand forecasting and PI distribution aspects. In the first aspect, two main contributions are proposed. Firstly, a Long Short-Term Memory (LSTM), is proposed for demand forecasting in the PI supply chain network. Secondly, a hybrid genetic algorithm and scatter search are proposed to automate tuning of the LSTM hyperparameters. Accuracy and coefficient of determination were the key performance indicators used to compare the proposed method's performance with other supervised learnings: Auto-regressive Integrated Moving Average with exogenous factors (ARIMAX), Support Vector Regression (SVR), and Multiple Linear Regression (MLR). The results prove that the forecasting efficiency of the LSTM method is better with continuous fluctuating demand, whereas the other methods offer high performance with less varied demand. The performance of hybrid metaheuristics is higher than the trial-and-error method. Furthermore, the forecasting model results are useful in transportation and holding costs in the PI distribution process. Since the first aspect has been developed to improve forecasting demand efficiency, the second aspect will be implemented to reduce the complexity of full connection in the PI network. In the second aspect, the dynamic clustering method and the vehicle routing problem with the simultaneous pickup and delivery (VRPSPD) are proposed to reduce the PI supply chain's complexity. The main objective is to minimize the size of the PI-node’s connection and total distribution costs of the feasible routes in each area. The forecasting results from the first aspect were implemented as an experimental dataset in this approach. Furthermore, this approach also relates to the main objectives in the PI context's transportation: reduce empty trips and share transportation resources between PI-hubs and retailers. For minimizing the size of the PI-node’s connection, the concept of partitional clustering is implemented. Mixed Integer Programming (MIP) is proposed to formulate and solve the problem in smaller instances for optimizing the total distribution cost. A Random Local Search (RLS) and a Simulated Annealing (SA) are proposed to solve larger instances with outstanding quality. These solutions are benchmarked to the insertion-based heuristic from previous research in the literature. This approach is evaluated by total costs, computational times, and the gap between the classical supply chain and PI in all solutions. Also, the calculation of CO2 emission is used as an additional benchmark to validate the sustainability applied to the PI.....
De nos jours, les réseaux de chaînes d'approvisionnement sont des systèmes de plus en plus complexes et stochastiques. Les gestionnaires de ces réseaux sont confrontés à deux problèmes majeurs concernant la demande client : elle est aléatoire et de plus en plus diversifiée. Ces problèmes rendent la prédiction difficile. En effet, les méthodes de prévision classiques, mises en œuvre dans de nombreuses industries, ont atteint leurs limites. Ils ne peuvent suivre les fluctuations de la demande ni tenir compte de la complexité des réseaux de chaînes d'approvisionnement, de plus en plus connectés. La qualité de la prédiction affecte tous les flux aussi bien en amont qu'en aval et son impact est amplifié par la complexité des connexions au sein de la chaîne. Elle conditionne la gestion des stocks, l’acheminement des produits et les interactions entre les partenaires de la chaîne. L'Internet physique (IP) est un nouveau paradigme introduit pour résoudre cette complexité de la chaîne d’approvisionnement. De nombreuses études ont mis en œuvre ce principe dans différents domaines, tels que la gestion des stocks et la distribution. Cependant, peu d'études traitent la problématique de la prévision de la demande dans ce contexte. En même temps, la tendance actuelle des méthodes de calcul de prévisions, dans de nombreux domaines d'activité, est tournée vers les approches d'apprentissage automatique. Cette thèse propose un modèle de prédiction intelligent dans le contexte de l'IP. Elle introduit un modèle de prédiction capable de tenir compte de la complexité et le caractère stochastique de la demande et qui répond aux besoins d'un réseau ouvert et totalement connectés tel que l'IP. De plus, sur la base de ces prédictions, la thèse propose des outils et approches pour simplifier la complexité de la distribution dans l'IP. Une étude de cas sur des produits agricoles en Thaïlande est considérée pour illustrer les approches proposées. La thèse se concentre sur les volets de la prévision de la demande et de la distribution dans l'IP. Dans le premier volet, deux contributions principales sont apportées. Tout d'abord, un réseau de neurones récurrents LSTM (Long short-term memory) est proposé pour la prévision de la demande. Deuxièmement, un algorithme génétique hybride utilisant la recherche dispersée (Scatter Search) est proposé pour automatiser le réglage des hyperparamètres du LSTM. Nous avons comparés les performances de notre approche de prédiction avec les modèles les plus connus comme : les modèles autorégressifs et moyenne mobile avec facteurs exogènes (ARIMAX), les machines à vecteurs de support pour la régression (SVR) et régression linéaire multiple (MLR). Les résultats prouvent l'efficacité de prévision de la méthode LSTM. Elle est meilleure avec une demande fluctuante continue, alors que les autres méthodes offrent des performances élevées avec une demande moins variée. De plus, pour le réglage des hyperparamètres, les performances de notre algorithme hybride sont supérieures à celles de la méthode essais erreurs. En outre, nous avons illustré la qualité de nos prévisions en étudiant leur impact sur les coûts de transport et de stockage dans un réseau IP. Le deuxième volet est mis en œuvre quant à lui pour réduire la complexité du réseau IP. Dans ce volet, nous combinons le partitionnement dynamique du réseau au problème de tournées de véhicules avec collecte et livraison simultanée (VRPSPD). L'objectif principal est de minimiser le nombre de connexions ainsi que les coûts totaux de distribution dans chaque zone (cluster). Les résultats des prévisions du premier volet ont été exploités dans cette problématique de distribution. Cette approche répond, également, aux principaux objectifs du transport dans le contexte de l'IP : réduire les trajets à vide et partager les ressources de transport entre les PI-hubs et les détaillants…..
Domaines
Apprentissage [cs.LG]
Origine : Version validée par le jury (STAR)