0 cumulative citations
View corpus contextAn AI-driven forecasting and optimization system for roadside assistance meaningfully lowered response costs and increased use of internal crews, after backtesting on historical incidents and deployment at scale; the gains are compelling for similar data-rich field services but derive from a single firm rollout without randomized evaluation.
Sistema de suport a la decisió per a la gestió d'incidents: combinació d'aprenentatge automàtic, heurístiques i programació lineal
openalex
quasi_experimental
medium evidence
7/10 relevance
Summary only
summary available; pdf_status=paywall
Source
PDF
An integrated AI and operations-research decision-support system combining incident forecasting, resource-location optimization, and real-time assignment substantially improved prediction accuracy, increased in-house resource utilization, and reduced response costs in historical validation and a production rollout for roadside assistance.
Citation observations
Cumulative provider counts captured on specific dates; providers are never combined.
Aquesta tesi doctoral desenvolupa i valida un sistema d'ajuda a la presa de decisions per a la gestió d'incidències en assistència en carretera, en el marc d'un doctorat industrial amb la UOC, Accenture i el RACC. El sistema integra tres mòduls. Primer, un model de predicció d'incidències basat en tècniques de machine learning, que genera estimacions a curt, mitjà i llarg termini per tipus, regió i franja temporal. Segon, un mòdul d'optimització de localització de recursos, que tradueix les prediccions en la creació de bases virtuals i assigna recursos mitjançant una programació entera mixta. Finalment, un motor d'assignació en temps real combina heurístiques i programació lineal per reduir temps d'arribada i costos. Validat amb dades històriques i en producció, el sistema mostra millores substancials en precisió de predicció, ús de recursos propis i reducció de costos. El treball aporta valor científic i pràctic, i demostra l'aplicació efectiva de la intel·ligència artificial i la recerca operativa a problemes reals.
Summary
Main Finding
La tesi desenvolupa i valida un sistema integrat (predicció per machine learning + optimització de localització per programació entera mixta + motor d’assignació en temps real) que, aplicat a la gestió d’incidències d’assistència en carretera, augmenta la precisió de la predicció, millora l’ús de recursos propis i redueix costos operatius tant en proves amb dades històriques com en explotació real.
Key Points
- Arquitectura en tres mòduls:
- Model de predicció basat en tècniques de machine learning que estima incidents a curt, mitjà i llarg termini per tipus, regió i franja temporal.
- Mòdul d’optimització de localització de recursos que transforma prediccions en bases virtuals i assigna recursos via programació entera mixta.
- Motor d’assignació en temps real que combina heurístiques amb programació lineal per minimitzar temps d’arribada i costos.
- Validació doble: experiments amb dades històriques (backtesting) i desplegament en producció.
- Resultats pràctics: millores substancials en precisió predictiva, major ús de recursos propis i reducció de costos operatius.
- Contribució científica i aplicable: mostra la sinergia entre intel·ligència artificial i recerca operativa per a problemes reals d’operacions logístiques.
Data & Methods
- Dades:
- Registres històrics d’incidències (tipus d’incidència, ubicació, hora, durada).
- Informació sobre recursos i flota (posició, capacitat, disponibilitat).
- Variables temporals i espacials (franges horàries, regions).
- (Validació en entorn productiu amb dades operatives reals.)
- Mètodes:
- Predicció: models de machine learning per generar estimacions per horitzó temporal i granularitat geogràfica/ per tipus d’incidència.
- Optimització de localització: formulació de programació entera mixta per dissenyar bases virtuals i assignar recursos en planificació táctica/estratègica.
- Assignació en temps real: motor híbrid que utilitza heurístiques per rapidesa i programació lineal per optimització local de rutes/assignacions.
- Avaluació:
- Backtesting sobre sèries històriques; mesures de precisió predictive (p.ex. errors de predicció per horitzó), indicadors operatius (ús de recursos, temps d’arribada), i mètriques econòmiques (costos operatius).
- Seguiment en producció per comparar abans/després i validar robustesa i escalabilitat.
- Aspectes computacionals:
- Ús d’algorismes híbrids per equilibrar qualitat d’optimització i temps de càlcul (necessari per decisió en temps real).
- Implementació orientada a escalar sobre dades geoespacials i horàries fines.
Implications for AI Economics
- Eficàcia operativa i reducció de costos: millors prediccions i optimitzacions reverteixen en menor despesa per servei i major rendibilitat per unitat, canviant la rendibilitat de proveïdors d’assistència.
- Valor del forecasting per l’assignació de capital: permet decisions més eficientes sobre on ubicar recursos (bases, vehicles), millorant l’assignació de capital fixe i variable.
- Avantatge competitiu i adopció tecnològica: organitzacions que integrin ML + OR poden assolir serveis més barats i més ràpids, potenciant barreres d’entrada i pressió sobre preus del mercat.
- Impacte en l’ocupació i els rols laborals: automatització de tasques de planificació/assignació pot reorientar la feina humana cap a supervisió, excepcions i manteniment dels models.
- Externalitats i benestar del consumidor: reducció de temps d’espera i millora del servei incrementen el benestar dels usuaris i potencialment redueixen costos associats (p.ex. congestió o riscos en carretera).
- Requisits per a l’escala econòmica: rendibilitat depèn de qualitat de dades, pipeline de reentrenament, integració amb operacions i capacitat d’executar optimitzacions a escala temporal i espacial.
- Recomanacions per decisors i investigadors econòmics:
- Mesurar l’impacte econòmic real amb estudis causals (p.ex. experiments controlats o comparacions abans/després).
- Valorar retorn de la inversió en dades i modelatge frente a millores operatives.
- Atendre qüestions de governança de dades, privadesa i robustesa per assegurar adopció i confiança.
Assessment
Paper Typequasi_experimental
Evidence Strengthmedium — The system is validated on real historical data and deployed in production with reported improvements in prediction accuracy, resource usage, and cost, providing credible applied evidence; however, there is no randomized rollout or other strong quasi-experimental design to rule out concurrent changes, selection effects, or operational confounders, limiting causal claims.
Methods Rigorhigh — The work integrates state-of-the-art methods across machine learning forecasting, mixed-integer programming for facility/location optimization, and real-time assignment using heuristics plus linear programming, and validates these components with historical backtesting and a production deployment—indicating thorough technical and empirical rigor—though methodological transparency about hyperparameter tuning, robustness checks, and counterfactual controls is not specified in the summary.
SampleProprietary operational data from a doctoral industrial partnership with RACC and Accenture: multi-year historical roadside-incident logs (incident type, time, region), fleet and resource availability/assignment records, and production deployment metrics; forecasts produced at short-, medium-, and long-term horizons by type/region/time-window and evaluated via backtesting and live operational outcomes.
Themesproductivity org_design
IdentificationEvaluation based on retrospective validation (train/test backtesting on historical incident and operations data), optimization/simulation experiments translating forecasts into resource-location and assignment decisions, and comparisons of operational metrics before vs. after production deployment; no randomized assignment or explicit causal identification strategy reported.
GeneralizabilitySingle-firm / single-sector (roadside assistance) application may not translate to other service industries, Geographic/regional patterns and seasonality (likely Spain/Catalonia) limit transferability to different traffic, regulatory, or road-network contexts, Requires rich historical incident and fleet data; benefits may not materialize in data-poor environments, Operational constraints, workforce rules, and cost structures specific to RACC may differ elsewhere, Potential overfitting to historical patterns if structural changes in demand occur
Claims (9)
| Claim | Direction | Outcome | Confidence & Evidence | Details |
|---|---|---|---|---|
| This doctoral thesis develops and validates a decision-support system for incident management in roadside assistance (industrial PhD with UOC, Accenture and RACC). Other | null_result | system_development_and_validation |
Reading fidelity
high
Study strength
medium
|
not reported
|
| The system integrates three modules: (1) a machine-learning based incident prediction model (short, medium and long term by type, region and time slot), (2) a resource-location optimization module that creates virtual bases and assigns resources via mixed-integer programming, and (3) a real-time assignment engine combining heuristics and linear programming. Other | null_result | system_architecture |
Reading fidelity
high
Study strength
high
|
not reported
|
| The machine-learning prediction model produces estimates at short, medium and long horizons segmented by incident type, region and time window. Decision Quality | null_result | prediction_accuracy |
Reading fidelity
high
Study strength
high
|
not reported
|
| The resource-location optimization module translates forecasts into creation of virtual bases and assigns resources using mixed-integer programming. Task Allocation | null_result | resource_allocation |
Reading fidelity
high
Study strength
high
|
not reported
|
| A real-time assignment engine combining heuristics and linear programming reduces arrival times and operational costs. Task Completion Time | positive | arrival_time |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Validated with historical data and in production, the system shows substantial improvements in prediction accuracy. Decision Quality | positive | prediction_accuracy |
Reading fidelity
high
Study strength
medium
|
not reported
|
| The system yields improved use of own resources (increased utilization of the operator's own fleet) when validated in production. Organizational Efficiency | positive | resource_utilization |
Reading fidelity
high
Study strength
medium
|
not reported
|
| The system produces reductions in operational costs when deployed. Firm Productivity | positive | operational_costs |
Reading fidelity
high
Study strength
medium
|
not reported
|
| The work contributes scientific and practical value and demonstrates the effective application of artificial intelligence and operations research to real-world problems. Other | positive | scientific_and_practical_contribution |
Reading fidelity
medium
Study strength
speculative
|
not reported
|