|
Аннотация.
В статье представлены результаты сравнительного исследования современных методов машинного обучения для решения задач прогнозирования отступлений от нормативных параметров железнодорожных путей и трудозатрат на их устранение. Были апробированы три модели: градиентный бустинг с CatBoost, предобученная языковая модель Chronos для временных рядов и рекуррентная нейронная сеть с архитектурой LSTM. В качестве базового метода использовалось скользящее среднее. Для обучения и тестирования применялся массив исторических данных за четыре года, включающий 238 признаков для более 8000 путей перегонов. Показано, что модель LSTM демонстрирует наивысшую точность прогнозирования, особенно на уровне агрегации данных по всей сети, где средняя абсолютная процентная ошибка MAPE составила 4,4% для отступлений и 7,0% для трудозатрат. Результаты подтверждают практическую применимость моделей машинного обучения при планировании ремонтов и трудовых ресурсов в железнодорожной отрасли.
Ключевые слова:
машинное обучение, железнодорожный путь, прогнозирование отступлений, градиентный бустинг, языковая модель, рекуррентная нейронная сеть, LSTM.
DOI 10.14357/20718632260304
EDN XZGHHG
Стр. 38-47.
Литература
1. Benidis K., Rangapuram S.S., Flunkert V., Wang Y., Maddix D., Turkmen C., Gasthaus J., Bohlke-Schneider M., Salinas D., Stella L., Aubet F., Callot L., Januschowski T. Deep Learning for Time Series Forecasting: Tutorial and Literature Survey // ACM Computing Surveys. 2022. Vol. 55. No. 6. P. 1-31. https://doi.org/10.1145/3533382 2. Tang R., Donato L., Bešinovic N., Flammini F., Goverde R., Lin Z., Liu R., Tang T., Vittorini V., Wang Z. A literature review of Artificial Intelligence applications in railway systems // Transportation Research. Part C: Emerging Technologies. 2022. Vol. 140. 103679. https://doi.org/10.1016/ j.trc.2022.103679 3. Bešinovic N., De Donato L., Flammini F., Goverde R.M.P., Lin Z., Liu R., Marrone S., Nardone R., Tang T., Vittorini V. Artificial intelligence in railway transport: Taxonomy, regulations and applications // IEEE Transactions on Intelligent Transportation Systems. 2022. Vol. 23. No. 9. P. 14011-14024. https://doi.org/10.1109/TITS.2021.3131637 4. Sharma S., Cui Y., He Q., Mohammadi R., Li Z. Data-driven optimization of railway maintenance for track geometry // Transportation Research Part C: Emerging Technologies. 2018. Vol. 90. P. 34-58. https://doi.org/10.1016/j.trc.2018.02.019 5. Hu C., Liu X. Modeling Track Geometry Degradation Using Support Vector Machine Technique // IEEE Joint Rail Conference. Columbia, South Carolina, USA. April 12–15, 2016. https://doi.org/10.1115/JRC2016-5739 6. Sadeghi J., Askarinejad H. Development of improved railway track degradation models // Structure and Infrastructure Engineering. 2010. Vol. 6. No. 6. P. 675-688. https://doi.org/10.1080/ 15732470801902436 7. Kang S., Sristi S., Karachiwala J., Hu Y.-C. Detection of Anomaly in Train Speed for Intelligent Railway Systems // 2018 International Conference on Control, Automation and Diagnosis (ICCAD). Marrakech. Morocco. 2018. P. 1-6. https://doi.org/10.1109/CADIAG.2018.8751374 8. Agustin D., Wu Q., Ngamkhanong C. A review on railway track buckling prediction methods // Construction and Building Materials. 2025. Vol. 466. 140295. https://doi.org/10.1016/ j.conbuildmat.2025.140295 9. Шубинский И.Б., Замышляев А.М., Проневич О.Б., Игнатов А.Н., Платонов Е.Н. Применение методов машинного обучения для прогнозирования опасных отказов объектов железнодорожного пути // Надежность. 2020. Т. 20. № 2. С. 43-53 10. Платонов Е.Н., Просвирин К.В. Прогнозирование дефектов верхнего строения железнодорожного пути методами машинного обучения // Вестник компьютерных и информационных технологий. 2022. № 2. С. 8-18 11. Грешилов А.А., Стакун В.А., Стакун А.А. Математические методы построения прогнозов. М.: Радио и связь, 1997. 463 с. 12. Ansari A., Stella L., Turkmen C., Zhang X., Mercado P., Shen H., Shchur O., Sundar Rangapuram S., Arango S., Kapoor S., Zschiegner J., Maddix D.C., Mahoney M.W., Torkkola K., Wilson A., Bohlke-Schneider M., Wang Y. Chronos: Learning the Language of Time Series // arXiv. 2019. URL: https://arxiv.org/abs/2403.07815 (дата обращения: 14.04.2025) 13. CatBoost is a high-performance open source library for gradient boosting on decision trees. URL: https://catboost.ai (дата обращения: 14.04.2025) 14. Akiba T., Sano S., Yanase T., Ohta T., Koyama M. Optuna: A Next-generation Hyperparameter Optimization Framework // arXiv. 2019. URL: https://arxiv.org/abs/1907.10902 (дата обращения: 14.04.2025) 15. Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. No. 9. P. 1735-1780
|
