Vairuotojo kroviniui parinkimo uždavinio sprendimas naudojant mašininį mokymą
Povilanskaitė, Greta |
Valentinavičius, Saulius | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Medvedev, Viktor | Darbo gynimo komisijos narys / Thesis Defence Board Member |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Baigiamajame darbe nagrinėjami vairuotojo kroviniui parinkimo daugiakriterės sprendimų analizės ir mašininio mokymosi metodai. Tikslui pasiekti darbe buvo atlikta mašininio mokymosi daugiakriterių logistikos uždavinių sprendimo literatūros analizė. Buvo atliktas vairuotojų reitingavimas TOPSIS metodu, naudojant skirtingus svorių parinkimo metodus ir skirtingus duomenų normalizavimo būdus. Tyrimo metu buvo apmokyti du mašininio mokymosi modeliai - tiesinės regresijos ir daugiasluoksnio perceptrono, naudojant realius logistikos įmonės duomenis, siekiant parinkti tinkamiausią vairuotoją. Taip pat daugiasluoksnio perceptrono modeliui buvo atliktas tyrimas, keičiant jo parametrus. Remiantis tyrimo metu gautais rezultatais, pasiūlytas mašininio mokymosi modelis, kuris iš penkių pirmų išreitinguotų vairuotojų teisingai parenka 77,20 %. Sukurtas sprendimas yra lengvai modifikuojamas ir pritaikomas. Baigiamasis darbas apima 54 puslapius, neįskaitant priedų, 8 iliustracijas, 13 lentelių ir 57 bibliografinius šaltinius.
The master's thesis analyses multicriteria decision analysis and machine learning methods for driver-cargo selection. To achieve this goal, a literature analysis of machine learning in multicriteria logistics problem solving was carried out. The ranking of drivers by TOPSIS method using different methods of selecting weights and different methods of data normalization was performed. Two machine learning models, a linear regression and multilayer perceptron, were trained using real data from a logistics company to select the most suitable driver. The multilayer perceptron model was also tested by changing its parameters. Based on the results obtained from the study, a machine learning model is proposed which correctly selects 77.20 % of the first five top ranked drivers. The developed solution is easily modifiable and adaptable. The final thesis consists of 54 pages, excluding appendices, 8 illustrations, 13 tables and 57 bibliographical sources.