Sistema inteligente basado en machine learning para apoyar la optimización de la planificación logística en la empresa Héctor Ocaña Izquierdo

Abstract

Este proyecto tuvo como objetivo desarrollar un sistema inteligente basado en machine learning para optimizar la planificación logística en la empresa Héctor Ocaña Izquierdo. Para ello, se construyeron dos modelos principales: el primero, centrado en la predicción de demanda, utilizando redes neuronales LSTM, alcanzó una precisión del 93.83%. Este modelo permitió anticipar la demanda futura de manera precisa, facilitando la planificación de recursos. El segundo modelo se enfocó en la optimización de rutas logísticas, logrando una precisión del 99.08%. La combinación de ambos modelos proporcionó una interoperabilidad total, lo que mejoró significativamente la asignación de recursos y redujo los costos operativos, permitiendo una optimización de los tiempos de entrega y mejorando la eficiencia general del sistema. Los resultados obtenidos demostraron una mejora sustancial del 24.5% en tiempos de conducción, mostrando también una reducción del 34.47% en el recorrido. El sistema fue validado mediante pruebas de desempeño, alcanzando una fiabilidad del 99.44% en condiciones de operación continua, y una tasa de defectos por ejecución del 0.08 lo que confirmó su estabilidad y robustez para su implementación en entornos logísticos reales. Además, se desarrolló una plataforma web para facilitar la interacción en tiempo real y la gestión de las operaciones logísticas, alcanzando un 93.68% de satisfacción por parte de los usuarios, según las encuestas de satisfacción realizadas al final del proceso.

This project aimed to develop an intelligent, machine learning-based system to optimize logistics planning at Héctor Ocaña Izquierdo. To achieve this, two main models were built: the first, focused on demand forecasting using LSTM neural networks, achieved 93.83% accuracy. This model allowed for the precise anticipation of future demand, facilitating resource planning. The second model focused on optimizing logistics routes, achieving 99.08% accuracy. The combination of both models provided full interoperability, significantly improving resource allocation and reducing operating costs, enabling optimized delivery times and improving overall system efficiency. The results showed a substantial 24.5% improvement in driving times, as well as a 34.47% reduction in route length. The system was validated through performance testing, achieving 99.44% reliability under continuous operating conditions and a defect rate of 0.08 per-run, confirming its stability and robustness for implementation in realworld logistics environments. Furthermore, a web platform was developed to facilitate realtime interaction and the management of logistics operations, achieving a 93.68% user satisfaction rate, according to satisfaction surveys conducted at the end of the process.