Modelo de predicción y estimación de tiempos de traslado entre dos puntos utilizando datos de GPS
Professor Advisor
dc.contributor.advisor
Cortés Carrillo, Cristián
Professor Advisor
dc.contributor.advisor
Echeverría Solís, Álvaro
Author
dc.contributor.author
Morales Benítez, Javiera Fernanda
Associate professor
dc.contributor.other
Ordoñez Pizarro, Fernando
Associate professor
dc.contributor.other
Rey, Pablo
Admission date
dc.date.accessioned
2020-10-14T22:43:26Z
Available date
dc.date.available
2020-10-14T22:43:26Z
Publication date
dc.date.issued
2020
Identifier
dc.identifier.uri
https://repositorio.uchile.cl/handle/2250/177134
General note
dc.description
Tesis para optar al grado de Magíster en Gestión de Operaciones
es_ES
General note
dc.description
Memoria para optar al título de Ingeniera Civil Industrial
Abstract
dc.description.abstract
En el mundo de la logística de transporte es importante "la última milla", por lo que
existen empresas dedicadas a entregar un servicio de plataforma a clientes encargados de
realizar logística de última milla. SimpliRoute es una empresa donde su principal función
es el desarrollo de un software que permite gestionar rutas múltiples de despachos de forma
sencilla pero inteligente. Entregando rutas óptimas mediante la heurística de VRP (Vehicle
Routing Problem).
En la actualidad SimpliRoute busca mejorar el servicio a sus clientes por medio de la
mejora de la predicción de los tiempos de traslado entre dos visitas o puntos de entrega. Esto
actualmente se calcula realizando un ajuste mediante regresión lineal a los resultados de la
matriz de distancia (tiempos) de OSRM (Open Source Routing Machine) para aproximar
estos valores a los entregados por la API de Matriz de Distancia de Google Maps, lo que deja
espacios de mejora.
Se plantea un modelo de predicción de tiempos de traslado mediante el modelo de ma-
chine learning de Random Forest programado en el lenguaje de programación Python, esto
utilizando GPS de vehículos registrados en la plataforma de SimpliRoute y de Transantia-
go para complementar zonas faltantes en el mapa. En primer lugar se calcula la velocidad
promedio de movimiento de los vehículos, para luego obtener un algoritmo de cálculo de
tiempos históricos de traslado. Con los valores históricos obtenidos se realiza un modelo de
entrenamiento de Random Forest que realiza una predicción de los tiempos en base a datos
históricos. Dicha predicción se realiza con un 96.88 % de precisión, calculado utilizando la
medida de error porcentual MAPE.
Para asegurar que la predicción obtenida sea certera se realiza una comparación con los
valores obtenidos de una llamada a la API de Google Maps, obteniendo como resultado que
la predicción calculada por el modelo de Random Forest tiene una diferencia de
±5minutos con los obtenidos por Google Maps. Con lo que se concluye que el modelo desarrollado en
esta tesis es satisfactorio para la obtención de tiempos de traslado futuros para los vehículos
de SimpliRoute.