28638

پيش‌بيني زمان تخميني رسيدن قطارهاي باري

كارشناسي ارشد

مهندسي حمل و نقل ريلي

1399

1402/4/3

مسعود يقيني

مهندسي راه آهن

پيش‌بيني زمان تخميني رسيدن از موضوعات مهم و بسيار كاربردي در حمل‌ونقل ريلي باري مي‌باشد. استفاده از مجموعه داده‌‍ عملياتي قطارهاي باري و اطلاعات زيرساختي و جغرافيايي كه ثبت و ذخيره مي‌شوند، موجب پيش‌بيني زمان رسيدن قطارهاي باري به طور دقيق‌تر مي‌گردد. همچنين پيش‌بيني مجدد و به‌روزرساني‌هاي زياد زمان تخميني رسيدن قطارها در زمان سير آن‌ها در شبكه ريلي تا قبل از رسيدن به مقصد نهايي از طرفي به پيش‌بيني دقيق‌تر زمان رسيدن قطارهاي باري كمك مي‌كند و همچنين به فرستندگان بار و دريافت كنندگان بار اين امكان را مي‌دهد تا تصميمات بهتري بگيرند و فرآيندهاي موجود را بهينه كنند. تحقيق حاضر، به‌منظور ساخت مدل‌هاي پيش‌بيني زمان تخميني رسيدن قطارهاي باري به ايستگاه مقصد در شبكه ريلي كشور با استفاده از داده‌هاي عملياتي (از تاريخ ابتداي سال‌ 1399 تا انتهاي سال 1400) و اطلاعات زيرساختي و جغرافيايي، انجام شده است. در تحقيق حاضر زيرشبكه‌اي از شبكه ريلي كشور كه استان اصفهان را به استان هرمزگان و در انتها به بندر شهيد رجايي متصل مي‌كند، مورد مطالعه قرار گرفته است. تعداد بسيار زيادي از قطارهايي كه در مبدا-مقصدهاي مختلف و مسيرهاي ممكن اين زيرشبكه ريلي تردد مي‌كنند، در نظر گرفته شده است. مدل‌هاي پيش‌بيني زمان تخميني رسيدن براي قطارهايي كه در هر دو جهت شمال به جنوب و جنوب به شمال (اصفهان به هرمزگان و بالعكس) سير مي‌كنند، در سه مكان از مسير حركت آن‌ها، مبدا، ميانه راه (بين 350 تا 400 كيلومتري مقصد نهايي) و نزديك مقصد (بين 80 تا 100 كيلومتري مقصد نهايي) پيش‌بيني را انجام مي‌دهند، كه در مجموع براي قطارهاي اين دو جهت 6 مدل توسعه داده شده است. به‌منظور ساخت مدل‌هاي پيش‌بيني از الگوريتم‌هاي يادگيري ماشين شامل: رگرسيون لبه‌اي، جنگل تصادفي، رگرسيون بردار پشتيبان و نزديك‌ترين همسايه K استفاده شده است. كه پس از سنجش دقت هركدام از الگوريتم‌ها بعد از ساخت مدل پيش‌بيني، روشي كه بيشترين دقت را در داده‌هاي آزمايشي در هر يك از مكان‌هاي ذكر شده از مسير قطارها را داشته است، به عنوان بهترين مدل انتخاب شده است. مدل‌هاي پيش‌بيني ساخته شده در اين تحقيق ابتدا ميانگين سرعت كلي قطارها را در مسير باقيمانده از سفر به عنوان متغير هدف پيش‌بيني مي‌كنند و پس از آن زمان كلي سفر محاسبه و به‌روزرساني زمان تخميني رسيدن قطارهاي باري انجام مي‌شود. مدل رگرسيون لبه‌اي براي پيش‌بيني زمان تخميني رسيدن قطارها در مبدا و ميانه راه براي هر دو جهت (چهار مدل)، همچنين مدل جنگل تصادفي براي قطارهاي هر دو جهت در نزديك مقصد آن‌ها (دو مدل) بهترين عملكرد را داشته‌اند. همچنين اهميت ويژگي‌هاي پيش‌بيني كننده در مدل‌هاي جنگل تصادفي براي تمامي مكان‌ها بررسي شده است.

1402/06/06

Prediction of the estimated time of arrival of freight trains

6/23/2024 12:00:00 AM

Predicting the estimated time of arrival (ETA) is one of the important and very practical issues in railway freight transportation. Using operational datasets of freight trains and infrastructure and geographic information that are recorded and stored, will predict the arrival time of freight trains more accurately. Also, the re-forecasting and updates of the estimated time of arrival of trains during their journey in the railway network before reaching the final destination, not only help to predict the arrival time of the freight trains more accurately but also allow the shippers and receivers to decide better and optimize the existing processes. This research has been conducted in order to build models for predicting the estimated time of arrival of freight trains at the destination station in the Iranian railway network using operational data (for 2 years) and infrastructural and geospatial information. In this research, a sub-network of the Iranian railway network that connects Isfahan province to Hormozgan province and finally to Shahid Rajaei port has been studied. A significant number of trains that have traveled in different origin-destinations and possible routes of this railway sub-network are considered. Estimated time of arrival prediction models, make the predictions at three locations along trains' route, the origin, midway (between 350 to 400 km from the final destination) and near the destination (between 80 to 100 km from the final destination), for all trains which have traveled in the north to south and south to north directions (Isfahan to Hormozgan and vice versa), therefore in total there are 6 models for the trains of this sub-network. In order to build the mentioned prediction models, Ridge regression, Random Forest, Support Vector regression and K-Nearest Neighbor machine learning algorithms have been used. After measuring the accuracy of each algorithm after building the prediction model, the method that has the highest accuracy in the test data of each location of the trains’ route, has been selected as the best model. The prediction models built in this research first predict the overall average speed of the trains in the remaining route of the train as the target variable, and then the total travel time is calculated and the estimated time of arrival of the freight train are updated. The ridge regression model for predicting the estimated time of arrival of trains at the origin and midway for both directions (four models), as well as the random forest model for trains in both directions for near the destination location (two models) have performed best. Also, the importance of predictor features in random forest models was investigated for all locations.

زمان تخميني رسيدن , مدل هاي پيش بيني , حمل و نقل ريلي , قطارهاي باري , يادگيري ماشيني

Estimated Time-of-Arrival , prediction models , railway transportation , Freight trains , machine learning

Amirhosein Ezati

Masoud Yaghini