Интернет конференция по проблемам теории и практики управленияНазвание: Прогнозирование задержек поездов на железных дорогах различных категорий: сравнительный анализ
Автор: Vladimir Ivanovich Chebotarev
Соавторы:
Верхозин А.Ф., Давыдов Б.И., В.Ю. Карпеза
Аннотация:
Прогнозирование отклонений от графика является неотъемлемой частью оперативного
управления движением поездов. Особенно важным является прогноз развития ситуации при возникновении
большой задержки, когда необходимо предпринять эффективные корректирующие действия.
Но поскольку большие задержки появляются сравнительно редко, то массив данных по задержкам обладает свойством несбалансированности. Последнее отрицательно влияет на точность прогноза, что можно наблюдать, когда прогноз строится с помощью теории машинного обучения.
Настоящая работа посвящену подходу к прогнозированию, не связанному с машинным обучением. В статье предлагается способ предобработки массивов данных о движении поездов, направленный на повышение точности и ускорение работы
алгоритмов прогнозирования. Расчеты прогнозируемых задержек проводятся с использовванием марковской модели для цепи задержек. При этом используются базы данных движения пригородных поездов по Российским железным дорогам, а также высокоскоростных поездов
по железным дорогам Китая.
Исследование подтверждает
перспективность использования предложенного метода расчета задержек в системе поддержки принятия
диспетчерских решений.
Ключевые слова:
управление движением поездов, прогнозирование опозданий, марковская цепь,
машинное обучение, несбалансированность классов данных
Автор: Vladimir Ivanovich Chebotarev
Соавторы:
Верхозин А.Ф., Давыдов Б.И., В.Ю. Карпеза
Аннотация:
Прогнозирование отклонений от графика является неотъемлемой частью оперативного
управления движением поездов. Особенно важным является прогноз развития ситуации при возникновении
большой задержки, когда необходимо предпринять эффективные корректирующие действия.
Но поскольку большие задержки появляются сравнительно редко, то массив данных по задержкам обладает свойством несбалансированности. Последнее отрицательно влияет на точность прогноза, что можно наблюдать, когда прогноз строится с помощью теории машинного обучения.
Настоящая работа посвящену подходу к прогнозированию, не связанному с машинным обучением. В статье предлагается способ предобработки массивов данных о движении поездов, направленный на повышение точности и ускорение работы
алгоритмов прогнозирования. Расчеты прогнозируемых задержек проводятся с использовванием марковской модели для цепи задержек. При этом используются базы данных движения пригородных поездов по Российским железным дорогам, а также высокоскоростных поездов
по железным дорогам Китая.
Исследование подтверждает
перспективность использования предложенного метода расчета задержек в системе поддержки принятия
диспетчерских решений.
Ключевые слова:
управление движением поездов, прогнозирование опозданий, марковская цепь,
машинное обучение, несбалансированность классов данных