Application of system modeling principles for the constructionof forecast models of car traffic
Keywords:
mathematical model, loading simulation, system approach, scenario forecasting, uneven car traffic, loading forecasting, predictive analysis, forecast modelAbstract
The study of intra-annual dynamics of generalized indicators of railway production activity is an essential part of long-term forecasting, planning and analysis. The development of indicators of uneven operation of the car fleet is one of the important issues of solving the General problem of increasing the rhythmicity of operational work of railway transport. The use of conventional methods for the evaluation of seasonal variations of transportation causes a significant error. As one of the ways to solve this problem, the authors propose an improved methodological tool for assessing the seasonal unevenness of car flow and cargo loading for the ports of the Far East. This method is based on the construction of a car flow forecast mathematical model for cargo loading at the joint points of railways and heading on to the sea ports based on which loading is predicted for the upcoming year. In this work, the principles of mathematical modeling are presented for car flow fluctuations with the application of a systematic approach to solving the problem of predicting the volume of car traffic. It has to be noted that nowadays urgent is the issue of working out a step-by-step instruction for making decisions about fast corrections in the stations' formaton plans by dispatch staff and regional directorates with the course of actions for the proposals to be made and approved. By means of scenario planning and expert forecasting, the results were adjusted and the conclusion was made about the need to develop throughput capacities in the busiest sections of the BAM and TRANS-Siberian railway. A comparison of the actual loading volumes with the predicted values showed that the presented forecast was justified. Deviations of forecast values from real ones are within acceptable limits. The proposed tools can significantly increase the accuracy of estimating seasonal unevenness of cargo loading and forecast the arrival of car traffic to seaports. All this will contribute to improve the quality of planning and analysis of the functioning and development of railways. The full range of measures includes the construction of process models of the production unit of the Russian Railways holding and the preparation of a forecast model of production activity, and can also contribute to the creation of an innovative system of operational indicators of polygons.
References
Бабина О.И. Сравнительный анализ имитационных и аналитических моделей // Имитационное моделирование. Теория и практика : Четвертая Всерос. конф. по имитацион. моделированию и его применению в науке и промышленности. СПб. : Центр технологии судостроения и судоремонта. 2009. С. 73–77.
Бурда А.Г., Бурда Г.П. Экономико-математические методы и модели. Краснодар : Кубан. гос. аграр. ун-т., 2015. 178 с.
Доклад генерального директора – председателя правления открытого акционерного общества «Российские железные дороги» О.В. Белозерова на расширенном итоговом заседании правления ОАО РЖД // Железнодорожный транспорт. 2018. № 1. С. 4–10.
Шаров В.А. Новые риски при реализации единого интегрированного планирования на железнодорожном транспорте общего пользования // Наука и техника транспорта. 2016. № 2. С. 87–93.
Набатова Д.С. Математические и инструментальные методы поддержки принятия решений. М. : Юрайт, 2019. 292 с.
Маловецкая Е.В. Актуализация порядка расчета плана формирования поездов и уточнения перечня показателей эксплуатационной работы на основе имитационного моделирования с учетом развития полигонных технологий // Современные наукоемкие технологии. 2019. № 1 (53). С. 184–188.
Маловецкая Е.В., Козловский А.П. Актуальность применения математического моделирования при построении прогнозных моделей погрузки грузов в адрес портов Дальнего Востока // T-Comm: Телекоммуникации и транспорт. 2020. Т. 14. № 12. С. 51–57. DOI 10.36724/2072-8735-2020-14-12-51-57.
Мачерет Д.А., Ледней А.Ю. Объемы перевозок – ключевой фактор эффективности развития транспортной инфраструктуры // Экономика железных дорог. 2019. № 4. С. 28–38.
Волокобинский М.Ю., Пекарская О.А., Рази Д.А. Принятие решений на основе метода анализа иерархий // Вестник финансового университета. 2016. № 2 (92). С. 33–42.
Скроба М.В., Маловецкая Е.В. К вопросу об изменении длины гарантийных плеч участков // Инфраструктура и эксплуатация наземного транспорта : материалы междунар. студенч. науч.-практ. конф. Т.1. Нижний Новгород : Науч.-изд. центр «21 век», 2019. С. 255–258.
Волкова В.Н., Черненькая Л.В., Магер В.Е. Классификация моделей в системном анализе // Науч.-техн. ведомости Санкт-Петербур. гос. политехн. ун-та. Информатика. Телекоммуникации. Управление. 2013. № 3 (174). С. 33–43.
Маловецкая Е.В., Большаков Р.С. Особенности применения временных рядов для оценки колебаний вагонопотоков по стыковым пунктам железных дорог // T-Comm: Телекоммуникации и транспорт. 2021. Т. 15. № 1. С. 35–40. DOI 10.36724/2072-8735-2021-15-1-35-40.
Звягин Л.С. Применение системно-аналитических методов в области экспертного прогнозирования // Экономика и управление: проблемы, решения. 2017. Т. 3. № 6. С. 145–148.
Planning of qualitative indexes of railroad operational work in polygon technologies / E.V. Malovetskaya, R.S. Bolshakov, A.V. Dimov et al. // IOP Conf. Ser.: Mater. Sci. Eng. 760 012041. DOI:10.1088/1757-899X/760/1/012041.
Иванкова Л.Н., Кузнецова Т.Г., Волкова С.Г. Определение потребного технического оснащения станции с учетом колебаний транспортных потоков // Современные проблемы совершенствования работы железнодорожного транспорта. 2019. №. 15. С. 3–8.
Аева М.А., Маловецкая Е.В. Система единого планирования для всех видов транспорта // Инфраструктура и эксплуатация наземного транспорта : материалы междунар. студенч. науч.-практ. конф. Т. 1. Нижний Новгород: Науч.-изд. центр «21 век», 2019. С. 11–16.
Погожих Н.И., Софронова М.С., Панасенко Д.П. Способ преобразования множества возможных решений в теории принятия решений // ScienceRise. 2017. №1 (41). С. 77–81.
Самотина С.А., Потапова Е.В. Принятие управленческих решении в условиях неопределенности // Инновационная экономика: информация, аналитика, прогнозы. 2011. № 1. С. 3–4.
Синчуков А.В. Современная классификация математических моделей // Инновационная наука. 2016. № 3-1. C. 214–215.
Сотников Е.А., Шенфельд К.П. Неравномерность грузовых перевозок в современных условиях и ее влияние на потребную пропускную способность участков // Вестник ВНИИЖТ. 2011. № 5. С. 3–9.
Спиридонова Е.В. PEST – анализ, как главный инструмент анализа факторов дальнего окружения // Современные научные исследования и инновации. 2017. № 3. С. 400–405.
Grigoroudis E., Orfanoudaki E., Zopounidis C. Strategic performance measurement in a healthcare organisation: A multiple criteria approach based on balanced scorecard // Omega. 2012. № 40 (1). Р. 104–119.
Sehra S.K., Brar D., Singh Y., Kaur D. “Multi criteria decision making approach for selecting effort estimation model // International Journal of Computer Applications. 2012. Vol. 39. №1, January. URL: https://arxiv.org/ftp/arxiv/papers/1310/1310.5220.pdf. (access date: 12.03.2021).
Sevcenko G. Statybos investicimq sprendimц rizikos valdymas : diss. VGTU leidykla «Technika», 2015. 186 p.
Valiris G., Chytas P., Glykas M. Making decisions using the balanced scorecard and the simple multi-attribute rating technigue // Performance Measurement and Metric. 2005. DOI:10.1108/14678040510636720.
