Évènements

Avis de Soutenance Thi Thu Tam NGUYEN

Date : 16/05/2023
Catégorie(s) :

Avis de Soutenance

Thi Thu Tam NGUYEN

(Université Paris-Saclay, CentraleSupélec, CNRS, L2S – Pickup Services)

Soutiendra publiquement ses travaux de thèse intitulés

Méthodes d’apprentissage pour la prévision de la charge des points de retraits des colis

dirigés par Monsieur Michel KIEFFER

Soutenance prévue le mardi 16 mai 2023 à 14h00
Lieu :   CentraleSupélec, 3 Rue Joliot Curie, 91190 Gif-sur-Yvette
Salle : Amphi sc.071, Bouygues Lien visio :        

  
https://teams.microsoft.com/l/meetup-join/19:0433cec6302247758676193662990df7@thread.tacv2/1683789430662?context=%7B%22Tid%22:%2261f3e3b8-9b52-433a-a4eb-c67334ce54d5%22,%22Oid%22:%2217d3be21-bd31-4692-b11d-7b537c627426%22%7D

Composition du jury

M. Mario COOLs Université de Liège Rapporteur

M. Valderio Anselmo Reisen Université Fédérale d’Espirito Santo Rapporteur

Mme Katrien Ramaekers Université de Hasselt Examinatrice

Mme Karine ZEITOUNI Université de Versailles St Quentin Examinatrice

M. Michel KIEFFER Université Paris Saclay Directeur de thèse

M. Koen DE TURCK Université de Gent Co-encadrant

M. Adnane CABANI Esigelec Co-encadrant

M. Iyadh CABANI Pickup Services Co-encadrant



Mots-clés :

Prédiction de la charge, Point de relai, Livraison, Série temporelle, processus markovien à sauts, MSAR, LSTM, SARIMA, Random Forest

Résumé :   La livraison de colis en points relais (PR) ou en consigne automatique est une alternative intéressante à la livraison à domicile, que ce soit pour des achats auprès de commerçants en ligne (B2C) ou sur des plateformes de vente entre particuliers (C2C). Un colis peut être livré en PR à un coût réduit et reste plusieurs jours à disposition du client avant d’être retourné au vendeur. Cependant, lorsque le PR choisi est saturé, le colis peut être refusé par le gestionnaire du PR et livré à un autre PR sur la tournée du transporteur. Ceci engendre une perte de temps pour le client et donc du mécontentement. Afin d’améliorer la satisfaction du client, lors d’un achat de produit il est donc important que le gestionnaire des PR (GPR) ne propose que des PR qui seront susceptibles d’accepter les colis. Cette tâche est complexe à cause des délais de livraison: un colis n’affecte la charge d’un PR qu’un à quelques jours après la commande, selon le transporteur.

Cette thèse a pour objectif de prédire l’évolution de la charge d’un PR afin de permettre à un GPR de mieux équilibrer les charges de PR géographiquement proches et de limiter le risque de refus d’un colis. Pour cela, une analyse des historiques de charges de PR est effectuée afin de déterminer les paramètres importants influant sur la charge. Des modèles statistiques et issus de l’intelligence artificielle sont ensuite comparés.

Dans une première partie, nous considérons la charge des PR liée aux achats en ligne effectués auprès de sites marchands (B2C). La modélisation de l’évolution de la charge d’un PR tient compte du nombre de colis dans chaque état (prêt à être expédié, en transit, livré au PR). Ensuite, le cycle de vie d’un colis est pris en compte dans le processus de prédiction, via des modèles des flux de commandes, des délais de livraison, et du processus de retrait. L’approche proposée reposant sur un modèle est comparée avec des approches exploitant la série temporelle du nombre de livraisons, de retraits et de la charge en termes de précision de prédiction.

Dans un deuxième temps, nous considérons la partie de la charge des PR liée aux colis issus des sites de vente entre particuliers (C2C). Dans cette approche, la probabilité qu’un colis contribue à la charge d’un PR est évaluée en fonction de la connaissance de l’état du colis au moment de la prédiction. Le cycle de vie du colis est modélisé par un processus markovien à sauts. De plus, le nombre de colis déposés à destination d’un PR donné est décrit par un modèle autorégressif à changements markoviens (MSAR) pour prendre en compte de la non-stationarité de l’activité de vente entre particuliers. Les paramètres des modèles sont estimés à partir de données historiques sur les dates de chaque étape: dépôt, collecte, livraison et retrait. Il est ensuite possible de déduire la probabilité de la charge future d’un PR. Cette approche est à nouveau comparée à des techniques exploitant la série temporelle de la charge (modèle de Holt-Winters, SARIMA ou LSTM).