Обобщенное прогнозирование оборота вагона по комплексной модели, учитывающей статистическую и экспертную информацию

Авторы

  • Юрий Мечеславович Краковский Иркутский государственный университет путей сообщения
  • Галина Николаевна Крамынина Иркутский государственный университет путей сообщения

Ключевые слова:

грузооборот, прогнозирование, трендовые модели, экспертные оценки, метод анализа иерархий, оборот вагона

Аннотация

В статье предложена и апробирована технология обобщенного прогнозирования оборота вагона с использованием статистической и экспертной информации с учетом сценарного подхода. Оборот вагона – это один из важных показателей для оценки эффективности перевозочного процесса, так как при его сокращении увеличивается объем перевозки грузов. Этот показатель оценивает среднее время в сутках по использованию вагона от погрузки до следующей погрузки. Обобщенное прогнозирование основано на трех значениях оборота вагона с различными весами: а) значение, полученное по трехфакторной модели, зависящей от значимых факторов (значимыми факторами являются грузооборот, производительность вагона, участковая скорость); б) значение, полученное по трендовой модели; в) точечное экспертное суждение. Весовые коэффициенты получены с помощью метода анализа иерархий, использующего экспертные суждения. Дополнительно введены три критерия, что повысило точность весовых коэффициентов. Для этого экспертами-практиками и авторами статьи созданы четыре матрицы суждений. Для каждой матрицы получены значения отношения согласованности, а это позволило убедиться в непротиворечивости суждений созданных матриц. В результате обработки матриц получены итоговые весовые коэффициенты для комплексного критерия. Авторами предложены три сценария развития перевозочного процесса для обобщенного прогнозирования оборота вагона. Для его реализации потребовалось создать 12 трендовых моделей. Показана хорошая практическая точность этого прогнозирования по всем трем предложенным сценариям, хотя сами модели прогнозирования дают заметную погрешность. Из трех рассмотренных сценариев наиболее близкое значение показал третий сценарий. Итоговое прогнозное значение равно 7,01 сут., а фактическое – 6,61 сут. Относительная погрешность равна 6,0 %. Тем самым показано, что и в условиях неопределенности перевозочного процесса обобщенное прогнозирование, основанное на комплексном критерии, дает хорошие практические результаты.

Биографии авторов

Юрий Мечеславович Краковский, Иркутский государственный университет путей сообщения

Доктор технических наук, профессор, профессор кафедры информационных систем и защиты информации

Галина Николаевна Крамынина, Иркутский государственный университет путей сообщения

Аспирант кафедры информационных систем и защиты информации

Библиографические ссылки

Фролов В.Ф., Хоменко А.П. Комплексная полигонная технология эксплуатационной работы // Железнодорожный транспорт. 2016. №2. С. 43–46.

Козлов П.А., Вакуленко С.П., Колокольников В.С. Расчет и оптимизация полигонов железнодорожного транспорта // Вестн. Ростов. гос. ун-та путей сообщ. 2017. № 3 (67). С. 96–101.

Бирюзов В.П. Об основных направлениях развития систем диагностики и мониторинга путевого хозяйства до 2025 г. // Путь и путевое хозяйство. 2015. № 4. С. 4–8.

Антипов А.Г., Марков А.А. Новые возможности магнитодинамического метода контроля рельсов // Путь и путевое хозяйство. 2016. № 8. С. 27–32.

Осьминин А.Т., Мехедов М.И., Медников Д.В. Обеспечение интероперабельности перевозок // Железнодорожный транспорт. 2019. № 7. С. 11–17.

Розенберг Е.Н., Аношкин В.В. Перспективы роста пропускной способности участков // Железнодорожный транспорт. 2020. № 3. С. 4–7.

Сотников Е.А., Мехедов М.И., Холодняк П.С. Интенсификация роста загруженных направлений сети железнодорожных дорог // Железнодорожный транспорт. 2020. № 3. С. 11–14.

Варламова С.А., Якушев М.В., Веселов Д.А. Прогнозирование количества пассажиров, перевезенных автобусами общего пользования в Пермском крае // Информационные технологии в управлении и экономике. 2020. № 2 (19). С. 50–58.

Маловецкая Е.В., Козловский А.П. Анализ моделей и принципов системного моделирования при построении прогнозных моделей погрузки грузов // International journal of open information technologies. 2020. Т. 8. № 12. С. 39–48.

Базилевский М.П. Прогнозирование грузооборота железнодорожного транспорта по регрессионным моделям с детерминированными и стохастическими объясняющими переменными // Научн. ведомости Белгород. гос. ун-та. Сер.: Экономика. Информатика. 2019. Т. 46. № 1. С. 117–129.

Давааням Т., Михайлова Е.А., Яхина А.С. Модели многофакторного оценивания основных показателей перевозки грузов // Вестн. Забайкал. гос. ун-та. 2015. № 12 (127). С. 80–86.

Сивицкий Д.А. Анализ опыта и перспектив применения искусственных нейронных сетей на железнодорожном транспорте // Вестн. Сибир. гос. ун-та путей сообщ. 2021. № 2 (57). С. 33–41.

Short-term forecasting of categorical changes in wind power with Markov chain models / M. Yoder, A.S. Hering, W.C. Navidi et al. // Wind energy. 2014. № 17. P. 1425–1439.

Краковский Ю.М.. Куклина О.Н. Бинарное прогнозирование динамических показателей на основе методов машинного обучения // Вестн. Томск. гос. ун-та. Управление, вычислительная техника и информатика. 2023. № 62. С. 50–55.

Krakovsky Y., Luzgin A. Robust interval forecasting algorithm based on a probabilistic cluster model // Journal of statistical computation and Simulation. 2018. Vol. 88, Iss. 12. P. 2309–2324.

Волкова В.Н., Черненькая Л.В., Магер В.Е. Классификация моделей в системном анализе // Науч.-техн. ведомости Санкт-Петербург. гос. политехн. ун-та. Информатика. Телекоммуникации. Управление. 2013. №3 (174). С. 33–43.

Гула Д.Н., Головчинский В.О. Прогнозирование технического состояния сложных технических комплексов на основе экспертной информации // Изв. Тульск. гос. ун-та. Технические науки. 2021. № 3. С. 260–264.

Галушкин А.И. Нейронные сети: основы теории. М. : Горячая линия-Телеком, 2010. 496 с.

Хайкин С. Нейронные сети : полный курс. М. : Вильямс, 2006. 1104 с.

Прогнозирование качества функционирования технического объекта с использованием машинного обучения / М.И. Корнилова, С.В. Бусыгин, В.Н. Ковальногов и др. // Надежность и качество сложных систем. 2023. № 4 (44). С. 152–158.

Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. № 1. P. 5–32.

Краковский Ю.М., Попова Н.Н. Обобщенное прогнозирование показателя погрузки грузов при перевозке железнодорожным транспортом // Вестн. Воронеж. гос. ун-та. Сер.: Системный анализ и информационные технологии. 2020. № 3. С. 43–50.

Краковский Ю.М., Крамынина Г.Н. Исследование сценариев прогнозирования грузооборота на железной дороге с учетом экспертной информации // System Analysis & Mathematical Modeling. 2023. Т. 5. № 4. С. 417–424.

Саати Т.Л. Принятие решений : Метод анализа иерархий. М. : Радио и связь, 1993. 314 с.

Микони С.В. Теория и практика рационального выбора. М. : Маршрут, 2004. 462 с.

Опубликован

2024-08-05

Как цитировать

Краковский, Ю. М., & Крамынина, Г. Н. (2024). Обобщенное прогнозирование оборота вагона по комплексной модели, учитывающей статистическую и экспертную информацию. Современные технологии. Системный анализ. Моделирование, (2(82), 145-153. извлечено от http://ojs.irgups.ru/index.php/stsam/article/view/1836

Наиболее читаемые статьи этого автора (авторов)