Metodi di Machine Learning per la previsione delle tempistiche di movimento dei mezzi pesanti in un'area portuale

Abstract

L'introduzione di tecniche di Machine Learning (ML) in reti logistiche che includono nodi marittimi offre nuove prospettive per affrontare le complessità di tali processi. Il presente studio si pone l’obiettivo di progettare metodi di machine learning sviluppati ad-hoc per la predizione dell’orario stimato di arrivo (ETA) dei mezzi pesanti in diversi nodi all’interno di un’area portuale. Tale obiettivo risulta innovativo dal punto di vista metodologico perché richiede di progettare tecniche adatte al contesto specifico e dal punto di vista applicativo in quanto è necessario considerare tutte le problematiche connesse ad una corretta acquisizione ed elaborazione dei dati. La tesi, articolata in sei capitoli, esplora il contesto della logistica marittima, approfondisce i fondamenti e le applicazioni del ML, analizza il suo ruolo nell'industria logistica e presenta uno studio del Random Forest come metodo specifico. Il capitolo finale presenta il caso di studio e analizza i risultati ottenuti suggerendo future direzioni di ricerca.

The introduction of Machine Learning (ML) techniques in logistic networks that include maritime nodes offers new perspectives for addressing the complexities of such processes. The present study aims to design ad-hoc machine learning methods for predicting the Estimated Time of Arrival (ETA) of heavy vehicles at various nodes within a port area. This objective is innovative from both a methodological perspective, as it requires designing techniques suitable for the specific context, and from an applicative standpoint, as it necessitates addressing all the issues related to the proper acquisition and processing of data. The thesis, structured into six chapters, explores the context of maritime logistics, delves into the fundamentals and applications of ML, analyzes its role in the logistics industry, and presents a study of Random Forest as a specific method. The final chapter presents the case study and analyzes the results obtained, suggesting future research directions.