Predicting the estimated time of cargo dispatch from a marshaling yard

Abstract

EN: A method has been proposed to predict the expected departure time for a cargo dispatch at the marshaling yard in a railroad system without complying with a freight trains departure schedule. The impact of various factors on the time over which a wagon dispatch stays within a marshaling system has been studied using a correlation analysis. The macro parameters of a transportation process that affect most the time over which a wagon dispatch stays within a marshaling system have been determined. To improve the input data informativeness, it has been proposed to use a data partitioning method that makes it possible to properly take into consideration the impact of different factors on the duration of downtime of dispatches at a station. A method has been developed to forecast the expected cargo dispatch time at a marshaling yard, which is based on the random forest machine learning method; the prediction accuracy has been tested. A mathematical forecasting model is represented in the form of solving the problem of multiclassification employing the processing of data with a large number of attributes and classes.

UA: Запропоновано метод прогнозування очікуваного часу відправлення для вантажної відправки на сортувальній станції в залізничній системі без дотримання розкладу відправлення вантажних поїздів. Проведено дослідження впливу різних факторів на тривалість знаходження вагонних відправок в сортувальній системі з використання кореляційного аналізу. Визначено макропараметри перевізного процесу, які найбільше впливають на тривалість знаходження вагонних відправок в сортувальній системі. Для збільшення інформативності вхідних даних запропоновано застосувати метод розбиття даних, що дозволяє більш детально врахувати вплив різних факторів на тривалість простою відправок на станції. Розроблено метод прогнозування очікуваного часу відправлення вантажної відправки на сортувальній станції на основі методу машинного навчання – випадковий ліс та перевірена точність прогнозу. Математичну модель прогнозування представлено у вигляді розв’язанння задачі мультикласифікації з обробкою даних з великим числом ознак і класів.