Автор:  Верхозин А.Ф., Давыдов Б.И., Карпеза В.Ю., Чеботарев В.И.
Название:  Прогнозирование задержек поездов на железных дорогах различных категорий: сравнительный анализ
Выпуск:  119
Рубрика:  Управление техническими системами и технологическими процессами
Год:  2026
Библиография:  Верхозин А.Ф., Давыдов Б.И., Карпеза В.Ю., Прогнозирование задержек поездов на железных дорогах различных категорий: сравнительный анализ // Управление большими системами. - 2026. - Вып. 119. - С.298-329.
Ключевые слова:  управление движением поездов, прогнозирование опозданий, марковская цепь, машинное обучение, несбалансированность классов данных
Ключевые слова (англ.):  train traffic, delay prediction, Markov chain, machine learning, data class imbalance
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 посвящена подходу к~прогнозированию, не связанному с машинным обучением. 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.
Аннотация (англ.):  Schedule deviations predicting is an integral part of the operational management of train traffic. It is especially important to forecast the development of the situation when a large delay occurs, when it is necessary to take effective corrective actions. However, since large delays occur relatively rarely, the delay data array has the property of imbalance. The latter negatively affects the accuracy of the forecast, which can be observed when the prediction is built using machine learning theory. This paper is devoted to an approach to predicting that is not associated with machine learning. The article proposes a method for preprocessing train traffic data arrays aimed at improving the accuracy and speeding up the forecasting algorithms. Calculations of predicted delays are carried out using a Markov model for a delay chain. In this case, databases of commuter trains on Russian Railways and high-speed trains on Chinese railways are used. The study confirms the prospects of using the proposed method for calculating delays in the dispatcher decision support system.

в формате PDF

Просмотров: 45, загрузок: 18, за месяц: 8.

Назад