Прогнозування обсягів вагонопотоків пунктів взаємодії з використанням методу Random Forest

Abstract

UA: У статті запропоновано інтегрований підхід для підвищення ефективності планування вагонопотоків через поєднання методів машинного навчання та оптимізації. Зокрема, модель Random Forest використовують для попереднього прогнозування попиту на перевезення, результати якого слугують вхідними даними для подальшого розв’язання оптимізаційної задачі мінімізації затримок у логістичних вузлах. Такий підхід дає змогу враховувати обмеженість ресурсів та інфраструктурні обмеження, що робить його особливо актуальним для складних умов роботи транспортної системи. Отримані результати свідчать про потенціал запропонованої моделі для підвищення точності прогнозування та ефективності логістичного планування.

EN: The paper presents a comprehensive approach to improving the efficiency of rail freight car flow planning through the integration of modern machine learning techniques with mathematical optimization tools. In light of increasing complexity in logistical processes and the need for rapid response to changes in demand, traditional dispatching and planning methods are becoming less effective. This necessitates the implementation of intelligent solutions capable of adapting to the dynamic operational environment of the railway industry. At the initial stage of the study, the Random Forest model was applied, offering high accuracy in freight demand forecasting based on historical data, statistical indicators, and seasonal fluctuations. A key advantage of this method lies in its ability to detect hidden dependencies among numerous factors affecting transportation demand. The resulting forecasts serve as input data for the subsequent optimization of railcar allocation across the railway network. The second stage involves the development of an optimization model that accounts for both infrastructure and resource constraints, including station throughput capacity, available locomotive fleet, crew availability, and time restrictions for shipment execution. The model’s objective function aims to minimize total delays, idle time, and bottlenecks at key logistics nodes, ultimately leading to reduced operational costs and more efficient utilization of rail assets. Simulation results based on test scenarios derived from real operational data demonstrate a significant improvement in both forecast accuracy and planning efficiency compared to conventional methods. The findings confirm the feasibility and effectiveness of integrating analytical models into the decision-making processes of rail freight operations. The proposed approach can play a key role in the digital transformation of the railway sector, contributing to enhanced logistics service quality and improved competitiveness of rail transport as a whole.