Статья
| Наименование | Нейросетевая модель прогнозирования пассажиропотока для железнодорожного транспорта | ||||
| Авторы |
|
||||
| Раздел | Математические, статистические и инструментальные методы в экономике | ||||
| Год | 2025 | Выпуск | 22 | Страницы | 57 - 65 |
| УДК | 004.032.26 | EDN | KVSSFY | ||
| Аннотация | В статье представлена нейросетевая модель прогнозирования пассажиропотока для железнодорожного транспорта, показаны основные этапы ее разработки, предложен набор факторов, необходимых для обучения модели. Модель продемонстрировала высокую точность в ходе оценки эффективности и может быть использована при разработке тактических и стратегических мероприятий на различных уровнях управления железной дорогой. | ||||
| Реферат | Цель. Разработка нейросетевой модели прогнозирования пассажиропотока для железнодорожного транспорта.
Методика. Использованы методы машинного обучения, включая предобработку данных (нормализацию, кодирование категориальных признаков, отбор значимых переменных), построение нейросетевой модели (MLP) с тремя скрытыми слоями и обучение с применением регуляризации. Оценка точности проводилась с использованием метрик MAE, RMSE и R2. Результаты. Разработана нейросетевая модель прогнозирования пассажиропотока для железнодорожного транспорта, продемонстрировавшая высокую точность при оценке её эффективности. В качестве направления дальнейших исследований предполагается интеграция модели с интеллектуальными системами поддержки принятия решений. Научная новизна. Предложена нейросетевая архитектура, адаптированная для прогнозирования пассажиропотока для железнодорожного транспорта с учётом комплексного набора факторов, включая погодные условия и массовые мероприятия. Практическая значимость. Результаты выполненных исследований могут быть использованы при разработке тактических и стратегических мероприятий на различных уровнях управления железной дорогой. |
||||
| Ключевые слова | прогнозирование пассажиропотока, нейросетевые модели, железнодорожный транспорт, факторы модели, машинное обучение, оптимизация перевозок. | ||||
| Финансирование | |||||
| Список источников |
1. Алхелу Н. Прогнозирование железнодорожных пассажиропотоков методом наименьших квадратов (на примере вокзала Латакии) // Академик Владимир Николаевич Образцов — основоположник транспортной науки: Труды международной научно-практической конференции, Москва, 17 ноября 2023 года. М.: Университетская книга, 2023. С. 10–16. EDN CPFXIR
2. Нейросетевое моделирование в прогнозировании пассажиропотоков транспортных компаний / В. А. Рахаев, Е. Л. Кузина, М. А. Василенко [и др.] // Наука и бизнес: пути развития. 2022. № 10 (136). С. 64–73. EDN HIXRSA
3. Журюкин А. С., Муктепавел С. В. Прогнозирование пассажиропотока на железнодорожном транспорте с применением машинного обучения // Вестник науки. 2025. № 4 (85). Т. 3. С. 751–761. URL: https://www.вестник-науки.рф/article/22438 (дата обращения: 25.05.2025).
4. Бутыркин А. Я., Куликова Е. Б., Мадяр О. Н. Модели прогнозирования пассажирских перевозок на железнодорожном и авиационном транспорте // Наука и техника транспорта. 2021. № 1. С. 19–27. EDN WMYYLS
5. Михайлов А. Н. Машинное обучение для анализа пассажиропотока в метро: оптимизация работы транспорта и прогнозирование нагрузки // Вестник науки. 2024. № 12 (81). С. 1458–1462. URL: https://cyberleninka.ru/article/n/mashinnoe-obuchenie-dlya-analiza-passazhiropotoka-v-metro-optimizatsiya-raboty-transporta-i-prognozirovanie-nagruzki (дата обращения: 25.05.2025).
6. Применение информационных технологий и математического моделирования при решении исследовательских задач: сборник научных трудов / под науч. ред. Г. А. Тимофеевой, О. В. Куликовой. Вып. 5 (253). Екатеринбург: Уральский государственный университет путей сообщения, 2023. 157 с. EDN PIKEBD
7. Козин Е. С. Оценка структуры подвижности населения города с использованием метода искусственных нейронных сетей // Прогрессивные технологии в транспортных системах: материалы XVII международной научно-практической конференции, Оренбург, 17–18 ноября 2022 г. Оренбург: Оренбургский государственный университет, 2022. С. 273–277. EDN LJCMTX
8. Подход к прогнозированию транспортных потоков, основанный на агрегировании информации, получаемой из различных источников / Р. Н. Минниханов, М. В. Дагаева, И. В. Аникин [и др.] // Вестник НЦБЖД. 2020. № 4 (46). С. 128–137. EDN JIFMRI
9. Аламир Х. С., Заргарян Е. В., Заргарян Ю. А. Модель прогнозирования транспортного потока на основе нейронных сетей для предсказания трафика на дорогах // Известия ЮФУ. Технические науки. 2021. № 6 (223). С. 124–132. URL: https://cyberleninka.ru/article/n/model-prognozirovaniya-transportnogo-potoka-na-osnove-neyronnyh-setey-dlya-predskazaniya-trafika-na-dorogah (дата обращения: 25.05.2025).
10. Применение искусственных нейронных сетей в задачах прогнозирования транспортных процессов / П. В. Тихомиров, В. В. Сиваков, В. В. Камынин, С. С. Синицын // Мир транспорта и технологических машин. 2022. № 2 (77). С. 116–124. DOI: 10.33979/2073-7432-2022-77-2-116-124. EDN CWTDHY
|
||||
| Полный текст |
|
||||