Прогнозування очікуваного часу прибуття вантажної відправки при слідуванні у поїзді залізничною дільницею
DOI:
https://doi.org/10.15587/1729-4061.2019.170174Ключові слова:
залізнична мережа, логістика, очікуваний час прибуття, машинне навчання, штучна нейронна мережаАнотація
Запропоновано метод прогнозування очікуваного часу прибуття (ЕТА) вантажної відправки з урахуванням визначення тривалості руху вантажного поїзда дільницею для залізниць з системою руху поїздів без дотримання розкладу відправлення. Характерною особливістю залізниць з такою системою руху є складність передбачення стадій перевізного процесу, що вимагає розробки дієвих методів прогнозування. На основі кореляційного аналізу визначено залежність загальних макрохарактеристик поїздотоку та індивідуальних параметрів вантажного поїзда на його тривалість руху на дільниці. Запропоновано представити залежність прогнозної тривалості руху поїзда залізничною дільницею від наступних факторів: інтенсивність, щільність руху поїздопотоку на дільниці, частка пасажирських поїздів в межах загального поїздопотоку, довжина поїзда та його маса брутто.
На основі порівняльного аналізу за показниками точності та адекватності декількох методів регресії для прогнозування ЕТА вантажної відправки вибрано регресійну модель на основі штучної нейронної мережі – MLP. Для пошуку структури MLP застосовано метод перехресної перевірки, який передбачає оцінювання достовірності математичної моделі за критерієм точності – MAE та адекватності – F-тестом. Знайдено структуру MLP, яка складається з пятьох скритих шарів. Проведено прогнозування тривалості руху поїзда в парному напрямку руху на дільниці Основа-Люботин. Для даного прогнозу значення MAE склало 0,0845, що є достатньо високою точністю для задач такого типу та підтверджує ефективність застосування MLP для рішення задачі прогнозування ЕТА вантажної відправки.
Дані дослідження дозволяють в перспективі розробити автоматизовану систему прогнозування ЕТА вантажної відправки для залізничної системи зі змішаним рухом та відправленням вантажних поїздів без дотримання нормативного розкладу
Посилання
- Prokhorchenko, А., Parkhomenko, L., Kyman, A., Matsiuk, V., Stepanova, J. (2019). Improvement of the technology of accelerated passage of low-capacity car traffic on the basis of scheduling of grouped trains of operational purpose. Procedia Computer Science, 149, 86–94. doi: https://doi.org/10.1016/j.procs.2019.01.111
- Lomotko, D. V., Alyoshinsky, E. S., Zambrybor, G. G. (2016). Methodological Aspect of the Logistics Technologies Formation in Reforming Processes on the Railways. Transportation Research Procedia, 14, 2762–2766. doi: https://doi.org/10.1016/j.trpro.2016.05.482
- Cameron, M., Brown, A. (1995). Intelligent transportation system Mayday becomes a reality. Proceedings of the IEEE 1995 National Aerospace and Electronics Conference. NAECON 1995. doi: https://doi.org/10.1109/naecon.1995.521962
- Chien, S. I.-J., Ding, Y., Wei, C. (2002). Dynamic Bus Arrival Time Prediction with Artificial Neural Networks. Journal of Transportation Engineering, 128 (5), 429–438. doi: https://doi.org/10.1061/(asce)0733-947x(2002)128:5(429)
- Ayhan, S., Costas, P., Samet, H. (2018). Predicting Estimated Time of Arrival for Commercial Flights. Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining – KDD '18. doi: https://doi.org/10.1145/3219819.3219874
- Wang, Z., Liang, M., Delahaye, D. (2018). A hybrid machine learning model for short-term estimated time of arrival prediction in terminal manoeuvring area. Transportation Research Part C: Emerging Technologies, 95, 280–294. doi: https://doi.org/10.1016/j.trc.2018.07.019
- Vernigora, R., Yelnikova, L. (2015). Study of efficiency of using neural networks when forecasting the train arrival at the technical stations. Eastern-European Journal of Enterprise Technologies, 3 (3 (75)), 23–27. doi: https://doi.org/10.15587/1729-4061.2015.42402
- Lavrukhin, O. V. (2014). The formation of the approaches to implement the system of decision support for operational control they distributed artificial intelligence. Collection Of Scientific Works of Dnipro National University of Railway Transport named after academician Lazaryan. Transport Systems and Transportation Technologies, 8, 88–99. doi: https://doi.org/10.15802/tstt2014/38095
- Bardas, O. O. (2016). Improving the intelligence technoligies of train traffic’s management on sorting stations. Collection Of Scientific Works of Dnipro National University of Railway Transport named after academician Lazaryan. Transport Systems and Transportation Technologies, 11, 9–15. doi: https://doi.org/10.15802/tstt2016/76818
- Kyrychenko, H. I., Strelko, O. H., Berdnychenko, Yu. A., Petrykovets, O. V., Kyrychenko, O. A. (2016). Scenarios modeling of cargo movement in the supply chains. Collection Of Scientific Works of Dnipro National University of Railway Transport named after academician Lazaryan. Transport Systems and Transportation Technologies, 12, 32–37. doi: https://doi.org/10.15802/tstt2016/85882
- Barbour, W., Samal, C., Kuppa, S., Dubey, A., Work, D. B. (2018). On the Data-Driven Prediction of Arrival Times for Freight Trains on U.S. Railroads. 2018 21st International Conference on Intelligent Transportation Systems (ITSC). doi: https://doi.org/10.1109/itsc.2018.8569406
- Martin, L. J. W. (2016). Predictive Reasoning and Machine Learning for the Enhancement of Reliability in Railway Systems. Reliability, Safety, and Security of Railway Systems. Modelling, Analysis, Verification, and Certification, 178–188. doi: https://doi.org/10.1007/978-3-319-33951-1_13
- Chen, Y., Rilett, L. R. (2017). Train Data Collection and Arrival Time Prediction System for Highway–Rail Grade Crossings. Transportation Research Record: Journal of the Transportation Research Board, 2608 (1), 36–45. doi: https://doi.org/10.3141/2608-05
- Nguyen-Phuoc, D. Q., Currie, G., De Gruyter, C., Young, W. (2017). New method to estimate local and system-wide effects of level rail crossings on network traffic flow. Journal of Transport Geography, 60, 89–97. doi: https://doi.org/10.1016/j.jtrangeo.2017.02.012
- Rail Car Asset Management F-MAN IST-2000-29542 Deliverable D16: Final report. Available at: https://trimis.ec.europa.eu/sites/default/files/project/documents/20060411_172123_25402_F-MAN%20Final%20Report.pdf
- Estimated time of arrival. ETA programme. Available at: http://www.rne.eu/tm-tpm/estimated-time-of-arrival
- But’ko, T., Prokhorchenko, A. (2013). Investigation into Train Flow System on Ukraine’s Railways with Methods of Complex Network Analysis. American Journal of Industrial Engineering, 1 (3), 41–45.
- Levin, D. Yu. (1988). Optimizatsiya potokov poezdov. Moscow: Transport, 175.
- Gorobchenko, O., Fomin, O., Gritsuk, I., Saravas, V., Grytsuk, Y., Bulgakov, M. et. al. (2018). Intelligent Locomotive Decision Support System Structure Development and Operation Quality Assessment. 2018 IEEE 3rd International Conference on Intelligent Energy and Power Systems (IEPS). doi: https://doi.org/10.1109/ieps.2018.8559487
- Instruktsiya zi skladannia hrafika rukhu poizdiv na zaliznytsiakh Ukrainy: zatv. nakazom Ukrzaliznytsi vid 5 kvitnia 2002 r. No. 170-Ts (2002). Kyiv: Transport Ukrainy, 164.
- Greenberg, H. (1959). An Analysis of Traffic Flow. Operational Research, 7 (1), 79–85.
- Spanos, A. (1999). Probability Theory and Statistical Inference: Econometric Modeling with Observational Data. Cambridge University Press. doi: https://doi.org/10.1017/cbo9780511754081
- Raschka, S. (2015). Python Machine Learning. Packt Publishing, 454.
- Li, Y., Zhang, J., Wu, Q. (Eds.) (2019). Adaptive Sliding Mode Neural Network Control for Nonlinear Systems. Academic Press, 186. doi: https://doi.org/10.1016/c2017-0-02242-5
- Rummelhart, D. E., Hinton, G. E., Williams, R. J. (1986). Learning internal representations by error propagation. Parallel distributed processing: explorations in the microstructure of cognition. Vol. 1. MIT Press Cambridge, 318–362.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2019 Andrii Prokhorchenko, Artem Panchenko, Larysa Parkhomenko, Halina Nesterenko, Mykhailo Muzykin, Halyna Prokhorchenko, Alina Kolisnyk
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
