Forecasting on-time delivery with LSTM and SVR : a data-driven approach for operational excellence

Abstract

In today’s rapidly evolving supply chain landscape, accurate delivery time estimation is essential for enhancing operational efficiency and backlog management. This thesis explores a data-driven approach to forecasting on-time delivery (OTD) for Company X using support vector regression (SVR) and long short-term memory (LSTM) models. The objective is to develop a predictive framework that enables Company X to estimate delivery times for each open sales order individually, supporting proactive backlog monitoring and more informed decision-making.

LSTM and SVR models were trained using grid search to fine-tune hyperparameters and enhance performance. The results indicate that LSTM performed better than SVR, demonstrating strong predictive capability on the test set. The model's performance remained consistent with the training phase, suggesting minimal overfitting and good generalisation to unseen data. LSTM effectively captured complex dependencies in delivery times, making it a more suitable choice for predictive OTD estimation.

The findings offer Company X valuable insights into the feasibility of integrating AI-driven forecasting into their logistics operations, potentially enhancing efficiency, optimising resource allocation, and improving customer satisfaction. This research serves as a foundation for further advancements in predictive logistics, recommending future exploration of hybrid modelling approaches and expanded feature selection to further refine delivery time estimation accuracy.

Nykyisessä nopeasti muuttuvassa toimitusketjujen maailmassa tarkka toimitusaikojen ennustaminen on keskeisessä roolissa toiminnan tehokkuuden ja tilauskannan hallinnan parantamisessa. Tässä tutkielmassa tutkitaan dataan perustuvaa lähestymistapaa toimitusten toimituspäivän ennustamiseen yritykselle X hyödyntämällä support vector regression (SVR) ja long short-term memory (LSTM) -malleja. Tavoitteena on kehittää ennustusmalli, jonka avulla yritys X voi arvioida toimitusaikoja jokaiselle avoimelle myyntitilaukselle erikseen, mahdollistaen ennakoivan tilauskannan seurannan ja paremman päätöksenteon.

LSTM- ja SVR-mallit koulutettiin grid search -menetelmällä hyperparametrien optimoimiseksi ja mallien suorituskyvyn parantamiseksi. Tulokset osoittavat, että LSTM- malli suoriutui SVR-mallia paremmin, tarjoten niin tarkempia ennusteita kuin ennustamalla paremmin uutta dataa. LSTM kykeni tunnistamaan toimitusaikojen monimutkaisia riippuvuuksia tehokkaasti ollen luotettavampi vaihtoehto toimitusaikojen ennustamiseen.

Tutkimuksen tulokset tarjoavat yritykselle X arvokasta tietoa tekoälypohjaisen ennustamisen hyödyntämisestä logistiikan optimoinnissa. Tämä voi parantaa toimintatehokkuutta, resurssien hallintaa ja asiakastyytyväisyyttä. Tutkimus luo pohjan ennakoivan logistiikan jatkokehitykselle ja suosittelee tulevaisuudessa hybridimallien sekä laajennetun muuttujavalinnan tutkimista toimitusaikaennusteiden tarkkuuden parantamiseksi.