В исследовании представлен подход для повышения точности предиктивной аналитики железнодорожных перевозок пшеницы, благодаря разработанному комбинированному методу прогнозирования транспортных объемов. Главной целью научного исследования было определено усиление надежности и увеличение точности в предиктивной аналитике посредством эффективных ансамблевых методов машинного обучения: градиентного бустинга и случайного леса. Следует обратить внимание на значимую характеристику предложенного метода - автоматическое назначение весов в соответствии с точностью на определенном отрезке времени каждой модели. Для контроля и мониторинга повторяемости и сезонности перевозок в работе дополнительно изучено расширение набора признаков с применением циклических признаков. Результаты исследований и экспериментов отражают значительное повышение уровня предиктивной аналитики в сопоставлении с простым усреднением и отдельными моделями машинного обучения.
This study presents an approach for improving the accuracy of predictive analytics for rail wheat transportation using a developed combined method for forecasting transport volumes. The primary objective of the research was to enhance the reliability and accuracy of predictive analytics using effective ensemble machine learning methods: gradient boosting and random forest. A key feature of the proposed method is the automatic assignment of weights based on the accuracy of each model over a specific time period. To control and monitor the frequency and seasonality of transportation, the study also explored expanding the feature set using cyclical features. The results of the research and experiments demonstrate a significant improvement in the level of predictive analytics compared to simple averaging and individual machine learning models.