Title: Applying Machine Learning for Processing Time Prediction for Inbound Shipments
Language: English
Authors: Eichhorner, Fabian 
Qualification level: Diploma
Advisor: Musliu, Nysret  
Assisting Advisor: Skritek, Sebastian 
Issue Date: 2021
Citation: 
Eichhorner, F. (2021). Applying Machine Learning for Processing Time Prediction for Inbound Shipments [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2021.84964
Number of Pages: 95
Qualification level: Diploma
Abstract: 
Die Inbound-Logistik befasst sich mit der Verwaltung und Lieferung von Waren an einen Fertigungsstandort. In dieser Arbeit liegt der Fokus auf dem Prozess von der Ankunft der Waren am Standort bis zu deren Einlagerung. Für die Kapazitätsplanung muss die Bearbeitungszeit einer Lieferung abgeschätzt werden können. Eine nicht optimale Planung führt zu einer ineffizienten Nutzung und Verschwendung von Ressourcen.Diese Arbeit entwickelt und evaluiert Modelle zur Vorhersage der benötigten Bearbeitungszeit für eine eingehende Lieferung. Im Speziellen werden Regressionsmodelle erstellt, die bei gegebener Konfiguration einer Lieferung, eine Abschätzung über die Bearbeitungszeit dieser Lieferung vorhersagen können. Um solch ein Modell zu erstellen, müssen mehrere Probleme gelöst werden. Die Prozessstruktur ist nicht klar definiert und das Wissen über den Prozess ist, bei Domainexperten, in verschiedenen Use-Case und Methods-Time Measurement (MTM)-Modellen, verteilt. Außerdem ist nur eine sehr geringe Anzahl an Daten über solche Lieferungen verfügbar. Um diese Probleme zu lösen, entwickeln wir zunächst Ontologien, die das vorhandene Wissen zusammenfassen und den darunter zugrunde liegenden Prozess modellieren. Konkret entwickeln wir zwei Ontologien. Eine Ontologie, die mögliche Konfiguration desAnlieferungsprozess darstellt und eine Ontologie, die diese, durch die Verknüpfung von MTM-Aufgaben, mit Transportelementen erweitert. Auf Grundlage dieser Ontologien erstellen wir drei synthetische Datensätze. Zwei Datensätze sind basierend auf vollständig synthetischen Daten aus der MTM-Ontologie.Für den dritten Datensatz erstellen wir eine agent-based Simulation des Prozesses undmessen daraus synthetische Lieferungen. Darüber hinaus analysieren wir die Features dererstellten Datensätze und prüfen diese. Anhand dieser Datensätze evaluieren wir verschiedene Regressionsmodelle und testen ihre Robustheit auf unterschiedlich großen Subsets.Im Allgemeinen analysieren wir, welche Regressionsmethoden auf MTM-Datensätzeund welche Regressionsmodelle für den Simulationsdatensatz am besten geeignet sind.Außerdem vergleichen wir die Ergebnisse der verwendeten Regressionsmodelle mit den Ergebnissen eines AutoML-Regressionsmodells. Wir zeigen dabei, dass AutoML gleichgute oder bessere Lösungen für alle drei Datensätze findet.Schließlich vergleichen wir verschiedene Merkmalsdarstellungen der Datensätze. Wir zeigen, dass eine Liste von Produkten, d.h. die Information, die während der Planungszeit verfügbar ist, nicht ausreicht, um die Bearbeitungszeit einer Lieferung mit einem angemessenen Fehler vorherzusagen, und dass zusätzliche Information in Form von Pakettypen notwendig ist.

The inbound-logistic domain deals with the management and movement of goods from a supplier into a warehouse. In this thesis, the focus is on the arrival of a shipment until the storage of its goods in a warehouse. For capacity planning, a company needs to estimate the processing time of a shipment, as non-optimal planning leads to an inefficient usage and waste of resources. The aim of this thesis is to develop and evaluate models to predict the required processing time for an inbound shipment. In detail, regression models should be built that, given the configuration of a shipment, can return an estimation of the processing time of the shipment. However, to be able to build such models, several issues appear. The process structure is not clear, knowledge about it is mainly held by domain experts and split up in different use-case diagrams and Methods-Time Measurement (MTM) models. Furthermore, only a small amount of data samples of such shipments are available. To tackle these problems, we first design ontologies to capture the knowledge and model the underlying process. Specifically, we develop two ontologies, one ontology to capture the possible shipment process configuration and one ontology extending it by linking MTM tasks to shipment elements. Based on the gathered knowledge, we create three synthetic datasets. Two datasets are based on sampling fully synthetic data from the ontology containing the MTM information. For the third dataset, we create an agent-based simulation of the process and sample synthetic shipments from it. Furthermore, we analyze the features of the resulting datasets and review the importance of single features. Using these datasets, we evaluate different regression models and test their robustness on different sized subsets of the datasets. In general, we analyze which regression methods work best on the MTM datasets and which regression models work best for the simulation dataset. Furthermore, we compare the results from the used regression models with the results from AutoML regression. We show that AutoML can find the same or better solutions than the handcrafted models for all three datasets. Finally, we compare different feature representations of the datasets. We show that a list of products, which is the information that is available during planning time, is not enough to predict a shipment’s processing time with a reasonable error and that additional information in the form of package types is necessary.
Keywords: Predicting Process Times; Shipment
URI: https://doi.org/10.34726/hss.2021.84964
http://hdl.handle.net/20.500.12708/18871
DOI: 10.34726/hss.2021.84964
Library ID: AC16384896
Organisation: E192 - Institut für Logic and Computation 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:


Page view(s)

4
checked on Dec 3, 2021

Download(s)

4
checked on Dec 3, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.