WB7 - Machine Learning applications

Nous proposons un cadre multi-critères quantifiant la déviation entre tournées de livraison planifiées et réalisées en dernier kilomètre. Quatre métriques (ordre, spatiale, temporelle, efficience) sont combinées avec des distances routières réelles. Validé sur 71 675 tournées canadiennes, le cadre révèle que la précision temporelle différencie les tournées performantes et problématiques.
Mots-clés : Logistique du dernier kilomètre, Quantification multi-critères, Déviation de séquence, Tournées de livraison, Analyse opérationnelle

This study considers an integrated assortment and shelf-space allocation model for an electronic retailer. We propose a mixed-integer nonlinear programming model to maximize total profit, incorporating merchandising rules, assortment-allocation constraints, and affinity constraints. Due to the computational complexity and the need to consider customer preferences and product characteristics, we decompose the integrated model into two sequential subproblems: I) ML-based assortment selection and II) shelf-space allocation, where the output of the first subproblem serves as the input to the second. In the first subproblem, key product features are identified and used in a clustering phase to form homogeneous product clusters, and product relationships are extracted from data to generate a complementary products list. Then, a heuristic algorithm is applied to construct a promising assortment list within the selected cluster by incorporating complementary products. These candidate products are subsequently passed to the shelf-space model. The computational results show that the proposed framework improves scalability and enhances profit compared with the baseline model.

Large-scale renewable energy integration requires energy storage solutions such as compressed air energy storage (CAES). A learning-based framework is developed that integrates Neural Controlled Differential Equations (Neural-CDEs) with Model Predictive Control (MPC) to enable efficient scheduling and operation while accurately capturing the off-design dynamics of CAES systems.

La prévision de la génération des résidus industriels constitue un enjeu majeur pour l’optimisation des opérations en logistique inverse, en raison de la forte variabilité spatiale et temporelle des quantités générées. Cette variabilité entraîne des inefficacités opérationnelles, telles que des coûts de transport élevés, une mauvaise planification des tournées de collecte et des déséquilibres dans les capacités de stockage.
Ce travail propose une approche hybride combinant l’apprentissage automatique et des techniques de structuration spatiale afin d’améliorer la précision des prévisions. Dans un premier temps, un cadre de modélisation spatio-temporelle est développé en s’appuyant sur une agrégation des données à l’aide du système d’indexation hexagonale H3, qui permet une représentation spatiale homogène et une meilleure gestion des relations de voisinage. Des modèles de type Gradient Boosting sont ensuite utilisés pour capturer les dynamiques complexes de génération des résidus à différentes échelles.
Dans un second temps, une méthode de lissage spatial basée sur la similarité des profils de production entre zones géographiques est proposée. Cette approche vise à améliorer la robustesse des prédictions, en particulier dans les zones caractérisées par des données éparses ou bruitées, en exploitant les dépendances spatiales pour ajuster les prévisions locales.
Les résultats obtenus à partir de données réelles de collecte de bidons d’huile usagés au Canada montrent que l’intégration du lissage spatial permet d’améliorer les performances prédictives tout en conservant une bonne précision à une échelle fine. Ce travail contribue ainsi au développement d’outils d’aide à la décision pour une planification plus efficace des opérations de collecte en logistique inverse.