Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11531/46398
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorSingh, Tilakes-ES
dc.contributor.authorAtienza Lama, Gonzaloes-ES
dc.contributor.otherUniversidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI)es_ES
dc.date.accessioned2020-05-27T07:30:23Z-
dc.date.available2020-05-27T07:30:23Z-
dc.date.issued2020es_ES
dc.identifier.urihttp://hdl.handle.net/11531/46398-
dc.descriptionMáster Universitario en Ingeniería Industrial + Máster en Industria Conectada/ Master in Smart Industryes_ES
dc.description.abstractEste proyecto tiene como objetivo averiguar la situación actual de Mitsubishi Fuso Truck and Bus Corporation (MFTBC) respecto a la predicción de la demanda de piezas de repuesto. Actualmente la empresa tiene ciertas herramientas implementadas para ayudarles a realizar dicha predicción. A lo largo de este proyecto se ha realizado una análisis de los resultados obtenidos mediante los métodos ya implementados y se han implementado nuevos modelos con el objetivo de mejorar el rendimiento del modelo en los grupos de piezas en los que el rendimiento actual no es bueno. Gracias al análisis realizado en el modelo de predicción actual se descubrió que el rendimiento de dicho modelo en piezas que tienen una demanda y un precio bajo es bastante malo, por lo que se decidió que los nuevos modelos entrenados deberían centrarse en mejorar la predicción en dichos grupos. Tras probar diferentes modelos y realizar diferentes experimentos se observo que los modelos ‘gradient boosting trees’ dan muy buenos resultados, llegando a ser mejores que los métodos de predicción actuales en ciertos casos.es-ES
dc.description.abstractThis project aims to understand the current situation of Mitsubishi Fuso Truck and Bus Corporation (MFTBC) regarding the spare part’s demand forecasting topic. Currently, the company has some tools already implemented to help them make this forecast. Throughout this project, an analysis of the results yielded by the already implemented methods has been carried out as well as the implementation of new methods with the aim of improving the performance of the model in the groups of parts in which the current method’s performance is not good. Thanks to the analysis carried out for the current forecasting model, it was discovered that the performance of the model in parts that have low demand and low price is quite bad, so it was decided that the new models should focus on improving the performance in these groups. After testing different models and carrying out different experiments, it was observed that the ‘gradient boosting trees’ models give very good results, outperforming the current forecasting models in certain cases.en-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoen-GBes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject.otherM8Bes_ES
dc.titleSpare parts demand forecastinges_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/closedAccesses_ES
dc.keywordsdemanda; predicción; árboles de regresión; pieza de repuesto; industria automotriz; XGBoostes-ES
dc.keywordsdemand; forecast; gradient boosting trees; spare part; automotive industry; XGBoosten-GB
Aparece en las colecciones: MIC-Trabajos Fin de Máster

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TFM- Atienza Lama, Gonzalo.pdfTrabajo Fin de Máster1,21 MBAdobe PDFVista previa
Visualizar/Abrir
AnexoI.pdfAutorización104,09 kBAdobe PDFVista previa
Visualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.