Прогнозирование времени прибытия грузовых поездов на железных дорогах США на основе данных

Высокая загрузка пропускной способности и преимущественно однопутная структура сети грузовых железных дорог США приводят к значительной вариативности и непредсказуемости времени прибытия поездов. Получение точных расчетных значений времени прибытия (ETA) является важным шагом на пути к повышению эффективности и уровня автоматизации железнодорожных перевозок, снижению затрат и улучшению качества обслуживания клиентов. Мы предлагаем использовать алгоритмы машинного обучения, обученные на исторических данных об эксплуатации железной дороги, для расчета ETA в режиме реального времени. Предлагаемая система машинного обучения может использовать многочисленные данные, формируемые отдельными поездами при прохождении участка пути в сети, и с помощью одной модели периодически формировать прогнозы ETA. В работе сравнивается прогностическая эффективность моделей линейной и нелинейной регрессии на основе метода опорных векторов, регрессии случайного леса и глубоких нейронных сетей, протестированных на участке железной дороги в штате Теннесси, США, с использованием исторических данных за более чем два года. Модели регрессии на основе метода опорных векторов и глубоких нейронных сетей демонстрируют сходные результаты: максимальное снижение ошибки прогноза ETA по сравнению со статистическим базовым прогнозатором составляет 26%. Для моделей случайного леса в отдельных точках снижение ошибки по сравнению с базовым методом превышает 60%, а среднее снижение ошибки составляет 42%.