Gestione e ottimizzazione dei flussi di container vuoti attraverso reti logistiche multimodali multi-porto utilizzando previsioni basate sull’intelligenza artificiale (Machine Learning)

Abstract

Il riposizionamento dei container vuoti rappresenta una delle principali sfide della logistica marittima a causa dello squilibrio tra aree importatrici ed esportatrici. Circa un container su cinque viene movimentato vuoto, senza generare ricavi ma aumentando costi, congestione dei terminal ed emissioni. Questa tesi propone un framework integrato di supporto alle decisioni che combina la previsione della domanda tramite machine learning con un modello di ottimizzazione stocastica sensibile al rischio, per migliorare la sostenibilità e la resilienza del riposizionamento dei container vuoti.

Il framework si articola in due fasi. Nella prima, la domanda futura viene prevista mediante otto algoritmi: tre modelli classici, quattro modelli di machine learning e un ensemble pesato. I modelli sono addestrati separatamente per ogni segmento porto–container e valutati tramite back-testing e validazione walk-forward (156 iterazioni), selezionando il modello più accurato per ciascun segmento.

Nella seconda fase, le previsioni alimentano un modello di ottimizzazione stocastica a due stadi con CVaR, che determina il piano ottimale di riposizionamento via strada, ferrovia e mare, bilanciando costi, tempi di trasporto ed emissioni. Un contributo metodologico fondamentale è la generazione degli scenari di domanda direttamente dai residui della validazione walk-forward, rappresentando in modo realistico l’incertezza previsionale.

Il framework è implementato in una piattaforma software di supporto alle decisioni ed è stato valutato su una rete italiana di cinque porti utilizzando 192 mesi di dati. I risultati mostrano un miglioramento del livello di servizio, la superiorità della selezione del miglior modello per ciascun segmento rispetto a un unico modello globale, una riduzione delle emissioni del 18% nello scenario green e un’efficace limitazione del rischio grazie al CVaR.

Empty container repositioning is a major challenge in maritime logistics due to the imbalance between import- and export-oriented regions. Around one in five global container movements is empty, generating no revenue while increasing costs, terminal congestion, and emissions. This thesis presents an integrated decision-support framework that combines machine learning forecasting with risk-aware stochastic optimisation to improve the sustainability and resilience of empty container repositioning. The framework consists of two stages. First, future empty-container demand is forecast using eight algorithms: three classical baselines, four machine learning models, and a weighted ensemble. Models are trained independently for each port–container segment and evaluated using both back-testing and a 156-fold walk-forward validation, with the best-performing model selected for each segment. Second, the forecasts are incorporated into a two-stage stochastic optimisation model with CVaR. The model determines optimal repositioning decisions across road, rail, and short-sea shipping while balancing transportation cost, transit time, and emissions under different planning priorities. A key methodological contribution is the generation of demand scenarios directly from empirical walk-forward forecast residuals rather than assumed probability distributions, enabling the optimisation to reflect real forecasting uncertainty. The framework is implemented as a software decision-support platform featuring parallel forecasting pipelines, manual demand adjustment, and integrated risk analysis tools. It is evaluated on a five-port Italian network using 192 months of data. Results show that the proposed approach increases service levels, while segment-specific forecasting consistently outperforms a single global model. A green-focused strategy reduces emissions by approximately 18% at a modest cost increase, and CVaR effectively limits downside risk under demand uncertainty.