A machine learning approach for predicting pallet demands in ceramic tile production

Abstract

This dissertation develops and evaluates a predictive approach for a variant of the Distributor’s Pallet Loading Problem (DPLP) applied in the context of an Italian ceramic tile manufacturer. In this scenario, orders from clients are composed by boxes of different sizes and weights that must be loaded onto pallets while meeting constraints on weight, volume and stability, as well as operational uncertainties in the warehouse. The objective is to estimate quickly and accurately the total number of pallets, and in an extended setting, the number of pallets of each type, required to fulfill an order. The proposed solution is a hybrid method that combines machine learning (ML) with heuristics. Historical data of the company is used to extract relevant features, which are then enriched with heuristic bounds to improve model accuracy. Three ML models, namely XGBoost, LightGBM, and Random Forest were trained and tuned using company's data. Experiments on thousands of past orders and a separate set of recent, unseen orders show that the hybrid approach consistently outperforms PackVol (the company's current software), achieving mean squared and absolute errors around 5.3 and 2.3 times smaller, respectively, while producing predictions a much faster time. The approach is also extended to a multi- output regression setting to predict pallet quantities by type, maintaining high accuracy and efficiency even under this more complex objective, with squared and absolute errors around 3.4 and 1.8 times smaller, respectivelly. The results demonstrate that combining ML with heuristic features yields a practical, scalable, and accurate predictive tool for the company's scenario, with potential applicability to other packing, loading, and logistics problems in this industry and many others. Keywords: distributor’s pallet loading problem; machine learning; heuristics ; tile production; real-world instancesEsta dissertação desenvolve e avalia uma abordagem preditiva para uma variante do Distributor’s Pallet Loading Problem (DPLP) aplicada no contexto de uma fabricante italiana de cerâmicas e azulejos. Nesse cenário, pedidos de clientes são compostos por caixas de diferentes tamanhos e pesos que devem ser carregadas em paletes, atendendo a restrições de peso, volume e estabilidade, bem como a incertezas operacionais no armazém. O objetivo é estimar, de forma rápida e precisa, o número total de paletes e, em uma extensão do problema, o número de paletes de cada tipo necessários para atender a um pedido. A solução proposta é um método híbrido que combina machine learning (ML) com heurísticas. Dados históricos da empresa são utilizados para extrair características relevantes, que são posteriormente enriquecidas com limites heurísticos para melhorar a precisão dos modelos. Três modelos de ML, nomeadamente XGBoost, LightGBM e Random Forest, foram treinados e ajustados usando dados da empresa. Experimentos mostraram que a abordagem híbrida supera consistentemente o software atualmente utilizado pela empresa, chamado PackVol, alcançando erros quadráticos médios e absolutos cerca de 5,3 e 2,3 vezes menores, respectivamente, além de produzir previsões em um tempo muito mais rápido. A abordagem também foi estendida para um cenário de regressão de múltiplos valores, a fim de prever quantidades de paletes por tipo, mantendo alta precisão e eficiência mesmo nesse objetivo mais complexo, com erros quadrados e absolutos cerca de 3,4 e 1,8 vezes menores, respectivamente. Os resultados demonstram que a combinação de ML com métodos heurísticos usados para alimentar o modelo com estimativas, limites inferiores e limites superiores gera uma ferramenta preditiva prática, escalável e precisa para o cenário da empresa, com potencial de aplicação em outros problemas de empacotamento, carregamento e logística nessa indústria e em diversas outras. Palavras-chave: distributor’s pallet loading problem; machine learning; heurísticas; produção de cerâmicas; instâncias reais