Прогнозування очікуваного часу відправлення вантажної відправки на сортувальній станції
DOI:
https://doi.org/10.15587/1729-4061.2020.209912Ключові слова:
залізниця, сортувальна станція, вантажна відправка, очікуваний час відправлення, машинне навчанняАнотація
Запропоновано метод прогнозування очікуваного часу відправлення для вантажної відправки на сортувальній станції в залізничній системі без дотримання розкладу відправлення вантажних поїздів. Проведено дослідження впливу різних факторів на тривалість знаходження вагонних відправок в сортувальній системі з використання кореляційного аналізу. Визначено макропараметри перевізного процесу, які найбільше впливають на тривалість знаходження вагонних відправок в сортувальній системі. Для збільшення інформативності вхідних даних запропоновано застосувати метод розбиття даних, що дозволяє більш детально врахувати вплив різних факторів на тривалість простою відправок на станції. Розроблено метод прогнозування очікуваного часу відправлення вантажної відправки на сортувальній станції на основі методу машинного навчання – випадковий ліс та перевірена точність прогнозу. Математичну модель прогнозування представлено у вигляді розв’язанння задачі мультикласифікації з обробкою даних з великим числом ознак і класів. Використано метод класифікації з вчителем. Оптимізацію випадкового лісу проведено через підбір гіперпараметрів математичної моделі прогнозування на основі випадкового пошуку. Проведені експериментальні дослідження на даних експлуатаційної роботи позакласної сортувальної станції на залізничній мережі України. Точність прогнозу класифікації за показником accuracy для відправки з вагонопотоку «транзит без переробки» складає 86 % правильних відповідей; відправки з вагонопотоку «транзит з переробкою» складає 54 %.
Застосований підхід до прогнозування очікуваного часу відправлення вантажної відправки дозволяє значно підвищити точність отриманих прогнозів з урахуванням реальної експлуатаційної ситуації на сортувальній станції. Це дозволить обґрунтовано підійти до розробки автоматизованої системи прогнозування тривалості операцій з вантажними відправками в залізничній системіПосилання
- Sapronova, S., Tkachenko, V., Fomin, O., Hatchenko, V., Maliuk, S. (2017). Research on the safety factor against derailment of railway vehicless. Eastern-European Journal of Enterprise Technologies, 6 (7 (90)), 19–25. doi: https://doi.org/10.15587/1729-4061.2017.116194
- 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
- Deliverable D2.2. Draft Recommendations for Improved Information and Communications for Real-Time Yard and Network Management. Available at: https://optiyard.eu/wp-content/uploads/2019/02/OptiYard_Deliverable2.2_Final.pdf
- Khoshniyat, F. (2012). Simulation for Planning Strategies for Track Allocation at Marshalling Yards. Stockholm.
- Alzén, C. (2015). Trafikeringsplan Hallsbergs rangerbangård. Handbok BRÖH 313.00700. Banverket.
- Jacobsson, S., Arnäs, P. O., Stefansson, G. (2017). Access management in intermodal freight transportation: An explorative study of information attributes, actors, resources and activities. Research in Transportation Business & Management, 23, 106–124. doi: https://doi.org/10.1016/j.rtbm.2017.02.012
- Simonović, M., Vitković, N., Miltenović, A., Ristić, D. (2017). Report No. 730836. Deliverable D6.1 Architectural design of the information system for supervision and management of marshalling yards. SMART Smart Automation of Rail Transport.
- Bardas, O. O. (2016). Improving the intelligence technoligies of train traffic’s management on sorting stations. Transport Systems and Transportation Technologies, 11, 9–15. doi: https://doi.org/10.15802/tstt2016/76818
- Erofeev, A., Fedorov, E. (2016). Planning for the formation of trains in the system of intellectual management of transportation process. Transport Systems and Transportation Technologies, 12, 16–24. doi: https://doi.org/10.15802/tstt2016/85881
- Kozachenko, D. M., Vernigora, R. V., Korobyova, R. G. (2008). The Software Package for Simulation of Railway Stations Based on Plan-Schedule. Zaliznychnyi transport Ukrainy, 4, 18–20.
- Prokhorchenko, A. V., Prokhorov, V. M., Postolenko, A. Yu. (2011). Rozroblennia modeli formuvannia planu roboty sortuvalnoi stantsiyi na osnovi teoriyi rozkladu. Zbirnyk naukovykh prats Ukrainskoi derzhavnoi akademiyi zaliznychnoho transportu, 120, 38–43.
- 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
- RailConnect*. Rail Yard Management System. Available at: https://zerista.s3.amazonaws.com/item_files/7a8b/attachments/10454/original/rc_rail_yard_management_get.pdf
- GE Transportation’s Digital Solutions, Movement Planner Network Viewer. Available at: https://www.ge.com/digital/sites/default/files/download_assets/GE-Transportation-Movement-Planner-NV-20160824_0.pdf
- Zhou, W., Yang, X., Qin, J., Deng, L. (2014). Optimizing the Long-Term Operating Plan of Railway Marshalling Station for Capacity Utilization Analysis. The Scientific World Journal, 2014, 1–13. doi: https://doi.org/10.1155/2014/251315
- Lin, E., Cheng, C. (2009). YardSim: A rail yard simulation framework and its implementation in a major railroad in the U.S. Proceedings of the 2009 Winter Simulation Conference (WSC). doi: https://doi.org/10.1109/wsc.2009.5429654
- Xiao, Z., Ponnambalam, L., Fu, X., Zhang, W. (2017). Maritime Traffic Probabilistic Forecasting Based on Vessels’ Waterway Patterns and Motion Behaviors. IEEE Transactions on Intelligent Transportation Systems, 18 (11), 3122–3134. doi: https://doi.org/10.1109/tits.2017.2681810
- Lechtenberg, S., Braga, D., Hellingrath, B. (2019). Automatic Identification System (AIS) data based Ship-Supply Forecasting. Digital Transformation in Maritime and City Logistics: Smart Solutions for Logistics. Proceedings of the Hamburg International Conference of Logistics. doi: https://doi.org/10.15480/882.2487
- Pani, C., Vanelslander, T., Fancello, G., Cannas, M. (2015). Prediction of late/early arrivals in container terminals – A qualitative approach. European Journal of Transport and Infrastructure Research, 15(4), 536–550. doi: http://doi.org/10.18757/ejtir.2015.15.4.3096
- Fancello, G., Pani, C., Pisano, M., Serra, P., Zuddas, P., Fadda, P. (2011). Prediction of arrival times and human resources allocation for container terminal. Maritime Economics & Logistics, 13 (2), 142–173. doi: https://doi.org/10.1057/mel.2011.3
- Salleh, N. H. M., Riahi, R., Yang, Z., Wang, J. (2017). Predicting a Containership’s Arrival Punctuality in Liner Operations by Using a Fuzzy Rule-Based Bayesian Network (FRBBN).The Asian Journal of Shipping and Logistics, 33 (2), 95–104. doi: https://doi.org/10.1016/j.ajsl.2017.06.007
- Parolas, I., Tavasszy, L., Kourounioti, I., van Duin, R. (2017). Predicition of Vessels’ estimated time of arrival (ETA) using machine learning: A port of Rotterdam case study. Proceedings of the 96th Annual Meeting of the Transportation Research. Washington, 8–12.
- Servos, N., Liu, X., Teucke, M., Freitag, M. (2019). Travel Time Prediction in a Multimodal Freight Transport Relation Using Machine Learning Algorithms. Logistics, 4 (1), 1. doi: https://doi.org/10.3390/logistics4010001
- Wang, Z., Liang, M., Delahaye, D. (2018). Automated Data-Driven Prediction on Aircraft Estimated Time of Arrival. Eighth SESAR Innovation Days.
- Shang, Y., Dunson, D., Song, J.-S. (2017). Exploiting Big Data in Logistics Risk Assessment via Bayesian Nonparametrics. Operations Research, 65 (6), 1574–1588. doi: https://doi.org/10.1287/opre.2017.1612
- Altinkaya, M., Zontul, M. (2013). Urban bus arrival time prediction: A review of computational models. International Journal of Recent Technology and Engineering (IJRTE), 2 (4).
- Sun, X., Zhang, H., Tian, F., Yang, L. (2018). The Use of a Machine Learning Method to Predict the Real-Time Link Travel Time of Open-Pit Trucks. Mathematical Problems in Engineering, 2018, 1–14. doi: https://doi.org/10.1155/2018/4368045
- Prokhorchenko, A., Panchenko, A., Parkhomenko, L., Nesterenko, G., Muzykin, M., Prokhorchenko, G., Kolisnyk, A. (2019). Forecasting the estimated time of arrival for a cargo dispatch delivered by a freight train along a railway section. Eastern-European Journal of Enterprise Technologies, 3 (3 (99)), 30–38. doi: https://doi.org/10.15587/1729-4061.2019.170174
- Naumenko, P. P., Minenko, V. D., Zemlyanov, V. B. (2007). Single automated control system of "Ukrzaliznytsia" freight transportation as the basis for the integration of automated control systems of freight railway transport of Ukraine. Visnyk Dnipropetrovskoho natsionalnoho universytetu zaliznychnoho transportu imeni akademika V. Lazariana, 17, 35–40.
- 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.
- Aris, S. (1999). Probability Theory and Statistical Inference: Econometric Modeling with Observational Data. Cambridge University Press. doi: https://doi.org/10.1017/cbo9780511754081
- Breiman, L. (2001). Random Forests. Machine Learning, 45 (1), 5–32. doi: https://doi.org/10.1023/a:1010933404324
- Richert, W., Coelho, L. P. (2013). Building Machine Learning Systems with Python. Birmingham: Packt Publishing, 290.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Artem Panchenko, Andrii Prokhorchenko, Sergii Panchenko, Oleksandr Dekarchuk, Dmytro Gurin, Ievgen Medvediev
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.