@misc{10902/33845,
year = {2024},
month = {6},
url = {https://hdl.handle.net/10902/33845},
abstract = {Las empresas de gestión logística necesitan optimizar sus procesos de asignación de rutas de la forma más eficiente posible. Actualmente esta tarea se realiza en base a premisas que evalúa el operador de tráfico como pueden ser el tiempo de llegada dentro de la planificación, la experiencia previa del conductor realizando determinadas rutas, el tipo de carga o los kilómetros en vacío que necesite realizar el conductor para llegar al punto de carga. 
Este TFG trata de facilitar el trabajo de los jefes de tráfico durante la asignación de estos conductores, para optimizar los recursos disponibles para los clientes de la empresa Fieldeas situada en el parque tecnológico de Cantabria. 
El sistema final deberá ser capaz de determinar que puntuación recibirá para esa ruta concreta, conociendo los datos de conductor, punto de parada inicial, punto de parada final y distancia a la que está el conductor del punto de parada inicial. La puntuación extraída será asignada por un algoritmo previamente entrenado, el cual se puede modificar para que cada empresa-cliente tenga el suyo personalizado. Servirá de gran ayuda a la hora de facilitar la asignación final realizada por el jefe de tráfico. 
Para llevar a cabo la implementación, se utilizarán distintas tecnologías y lenguajes como .NET por su integración con los sistemas de la empresa, Python por su soporte a diferentes librerías de Machine Learning o CSV para el almacenamiento de los datos de forma sencilla. Además, se probarán y evaluarán diferentes algoritmos no supervisados y supervisados, como Regresión Lineal y Random Forest, para evaluar y comparar su eficiencia en este problema.},
abstract = {Logistics management companies need to optimize their routing processes as efficiently as possible. This task is currently carried out on the basis of premises evaluated by the traffic operator, such as the arrival time within the planning, the driver’s previous experience in carrying out certain routes, the type of load or the empty kilometres that the driver needs to cover to reach the loading point. 
This TFG aims to facilitate the work of the traffic managers during the assignment of these drivers, in order to optimise the available resources for the clients of the company Fieldeas located in the Cantabria Technology Park. 
The final system must be able to determine what score it will receive for that specific route, knowing the driver’s data, initial stop point, final stop point and the distance the driver is from the initial stop point. The extracted score will be assigned by a previously trained algorithm, which can be modified so that each company-client has its own personalised one. It will be of great help in facilitating the final allocation made by the traffic manager. 
To carry out the implementation, different technologies and languages will be used, such as .NET for its integration with the company’s systems, Python for its support to different Machine Learning libraries or CSV for easy data storage. In addition, different unsupervised and supervised algorithms will be tested and evaluated, such as Linear Regression and Random Forest, to evaluate and compare their efficiency in this problem.},
title = {Asistente de ayuda para asignación de rutas a conductores con machine learning},
author = {Gallardo Fuentes, Pablo},
}