27715

پيش‌بيني زمان رسيدن قطارهاي باري با استفاده از تكنيك‌هاي داده‌كاوي

كارشناسي ارشد

مهندسي حمل و نقل ريلي

1401

1401/08/08

مسعود يقيني

راه آهن

استفاده از صنعت ريلي به عنوان يكي از روش‌هاي حمل‌و‌‌‌‌نقل، نقش به سزا و موثري در جابه‌جايي‌ها داشته و به دليل مزيت‌هايي همچون حمل انبوه، ايمني بيشتر و كاهش آلودگي زيست محيطي هميشه مورد توجه بوده است. افزايش استفاده از اين نوع سيستم حمل‌و‌‌‌‌نقل، نيازمند توجه همه جانبه به مسائل پيرامون اين صنعت است. جهان پيشرفت‌هاي زيادي در دقت برآورد زمان سفر در حمل و نقل جاده‌اي و هوايي تجربه كرده است. با اين حال، در حمل و نقل ريلي، به ويژه در حمل و نقل بار، دقت برآورد زمان سفر بسيار پايين است. دليل اصلي اين امر ناشي از عوامل پيچيده و وابستگي متقابلي است كه بر عمليات قطارهاي باري در يك شبكه بزرگ حاكم است. در اين مطالعه، پيش‌بيني زمان‌ رسيدن قطارهاي باري به مقصد، با استفاده از تكنيك‌هاي داده‌كاوي مورد بررسي قرار گرفته است. از مدل جنگل تصادفي براي تشخيص اهميت پارامترها و از مدل‌هاي رگرسيون جنگل تصادفي و رگرسيون بردار پشتيبان با سه تابع كرنل خطي، چند جمله‌اي و پايه شعاعي براي پيش‌بيني زمان سفر قطارهاي باري استفاده شده است و در نهايت براساس جمع زمان حركت قطار و زمان سفر، زمان رسيدن قطار محاسبه شده است. طبق نتايج به دست آمده مدل رگرسيون جنگل تصادفي با بيشترين مقدار ضريب تعيين و كمترين مقدار ميانگين خطاي مطلق، ميانگين مربعات خطا و جذر ميانگين مربعات خطا، نسبت به مدل رگرسيون بردار پشتيبان، برتري دارد. در مدل رگرسيون بردار پشتيبان نيز كرنل پايه شعاعي نتايج بهتري را نسبت به كرنل‌هاي خطي و چندجمله‌اي ارائه مي‌دهد.

1401/10/26

Prediction of arrival times of freight trains using data mining techniques

10/30/2023 12:00:00 AM

The use of the rail industry as one of the transportation methods has played a significant and effective role in transportation and has always been considered due to its advantages such as bulk transportation, greater safety, reduction of environmental pollution, etc. Increasing the use of this type of transportation system requires comprehensive attention to the issues surrounding this industry. The world is experiencing extraordinary improvements in the accuracy of travel time estimation in road and air modes, and the estimated time to arrival at destination or intermediate stations can be predicted with high accuracy. However, in rail transportation, especially in rail freight transportation, the accuracy of travel time estimation is very low. The main reason is the complex factors and interdependencies that affect the operation of freight trains in a network. In this research, the data related to the INFORMS RAS 2021 competition has been used in order to predict the travel time of freight trains in North America. In this study, the random forest model is used to detect the importance of the parameters, and the random forest regression and support vector regression models with three linear, polynomial, and radial basis kernel functions were used to predict the travel time of trains, and finally based on the sum of the train departure time and travel time, train arrival time is calculated. The implementation of prediction models has been done using DM-CRISP data mining methodology. According to the results, the random forest regression model with the highest value of R2 coefficient and the lowest value of MAE, MSE and RMSE is superior to the support vector regression model. In the support vector regression model, RBF kernel provides better results than linear and polynomial kernels.

داده‌كاوي، پيش‌بيني , زمان رسيدن قطار باري , رگرسيون جنگل تصادفي , رگرسيون بردار پشتيبان

Data mining, prediction , freight train arrival time , random forest regression , support vector regression

Fateme Yousefi

Masoud Yaghini