ПРОГНОЗУВАННЯ ОБСЯГІВ ВАГОНОПОТОКІВ ПУНКТІВ ВЗАЄМОДІЇ З ВИКОРИСТАННЯМ МЕТОДУ RANDOM FOREST
DOI:
https://doi.org/10.18664/1994-7852.212.2025.336486Ключові слова:
машинне навчання, Random Forest, прогнозування, планування вагонопотоків, ресурсні обмеження, інфраструктурна ефективністьАнотація
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.
Посилання
Lyk-Jensen S. V. Forecasting freight flows. Transport Reviews. 2011. Vol. 31, No. 5. Р. 603–624. doi: 10.1080/01441647.2011.566984.
Breiman L. Random Forests. Machine Learning. 2001. Vol. 45. Р. 5–32. doi: 10.1023/A:1010933404324.
Ліав А. Класифікація та регресія за допомогою randomForest. R News. 2002. Т. 2, № 3. С. 18–22. URL: http://CRAN.R-project.org/doc (аccess date: March 29, 2025).
Wang X. Port throughput forecasting using Random Forest algorithm: A case of Shanghai Port. Transport Policy. 2020. Vol. 91. Р. 1–10. doi: 10.1016/j.tranpol.2020.03.005.
Kim S. Application of machine learning algorithms for forecasting air cargo volumes. Journal of Air Transport Management. 2018. Vol. 71. P. 1–9. DOI: 10.1016/j.jairtraman.2018.06.005.
Shi Q. Big data applications in real-time traffic operation and safety monitoring and improvement on urban expressways. Transportation Research Part C: Emerging Technologies. 2015. Vol. 58. Р. 380–394. doi: 10.1016/j.trc.2015.02.022.
Wang C. Freight demand forecasting using Random Forest algorithm. Journal of Advanced Transportation. 2018. Article ID 1478923. doi: 10.1155/2018/1478923.
Scikit-learn – Python бібліотека машинного навчання. URL: https://scikit-learn.org (аccess date: May 15, 2025).
R: randomForest package URL: https://cran.r-project.org/web/packages/randomForest/index.html (аccess date: May 15, 2025).
RapidMiner Studio – інструмент для data mining. URL: https://rapidminer.com (аccess date: May 20, 2025).
Orange Data Mining – програмне забезпечення для візуального аналізу. URL: https://orangedatamining.com (аccess date: May 20, 2025).
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
