УДК 330.4

КОМБИНИРОВАННЫЙ МЕТОД МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ЖЕЛЕЗНОДОРОЖНЫХ ПЕРЕВОЗОК Комбинированный метод машинного обучения для прогнозирования железнодорожных перевозок

Опубликовано в Журнал прикладных исследований · Номер 7, 2026 · Номер статьи: 93-99 · Рубрика: ЭКОНОМИКА. ЭКОНОМИЧЕСКИЕ НАУКИ.
DOI: https://doi.org/10.34755/y3319-8990-4184-w
Получено: 04.10.2026 Одобрено: 16.10.2026 Опубликовано: 16.10.2026
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.
комбинированный метод, прогнозирование поставок, железнодорожные перевозки, градиентный бустинг, случайный лес.
Текст Список литературы
Текст (PDF)
Читать Скачать

1. Судаков В. А. Прогнозирование авиационных перевозок методами статистического анализа и машинного обучения / В. А. Судаков, М. А. Тимофеев // Препринты Института прикладной математики им. М. В. Келдыша РАН. — 2022. — С. 70–84.

2. Бухарова К. А. Модель и метод оценки весовых коэффициентов ансамбля машинного обучения в задаче прогнозирования провозной платы железнодорожных грузовых перевозок / К. А. Бухарова // Моделирование, оптимизация и информационные технологии. — 2026. — Т. 14, № 1 (52).

3. Третьяков Г. М. Применение методов машинного обучения для прогнозирования потребностей в транспортных ресурсах при перевозке зерновых грузов на дальние расстояния / Г. М. Третьяков, А. Б. Фокеев, Н. Н. Мазько [и др.] // Экономика сельскохозяйственных и перерабатывающих предприятий. — 2026. — № 1. — С. 114–121.

4. Журюкин А. С. Прогнозирование пассажиропотока на железнодорожном транспорте с применением машинного обучения / А. С. Журюкин, С. В. Муктепавел // Вестник науки. — 2025. — Т. 3, № 4 (85). — С. 751–761.

5. Hung N. V. Machine learning applications for delivery time prediction and freight planning / N. V. Hung, T. Huong Thu, N. Tan [et al.] // Informatics and Automation. — 2025. — Vol. 24, № 5. — P. 1379–1407.

6. Башкатов М. Д. Методы прогнозирования спроса на железнодорожные грузовые перевозки / М. Д. Башкатов // Парадигма. — 2025. — № 9-1. — С. 14–18.

7. Ярмолинский Ф. А. Интеллектуальный анализ исполненной работы железнодорожных перевозок: методы оптимизации и прогнозирования / Ф. А. Ярмолинский О. Д. Покровская, Д. Я. Наженов // Экономика железных дорог. — 2025. — № 7. — С. 39–46.

8. Мартыненко А. В. Прогнозирование пассажиропотоков в пригородном железнодорожном сообщении на основе социально-экономических показателей и структуры землепользования (на примере Челябинской области) / А. В. Мартыненко, К. К. Ваколюк // Транспорт Урала. — 2021. — № 4 (71). — С. 58–65.

9. Павловский Н. В. Тренды: адаптивное прогнозирование и устойчивость в управлении глобальными пассажиропотоками / Н. В. Павловский // Журнал прикладных исследований. — 2025. — № S2. — С. 64–70.

10. Журавлева Н. А. Направления и эффекты внедрения технологий искусственного интеллекта в железнодорожных пассажирских перевозках / Н. А. Журавлева, И. М. Гулый // Международный научный журнал. — 2025. — № 6(106). — С. 19–28.

11. Шаталова А. Ю. Оптимизация затрат на доставку грузов транспортной компании в условиях неопределенности / А. Ю. Шаталова, В. И. Соловьев // Инновации и инвестиции. — 2024. — № 3. — С. 501–504.

12. Дорожкин А. В. Моделирование работы логистических кластеров с использованием методов искусственного интеллекта / А. В. Дорожкин, О. В. Ясенев // Экономика строительства. — 2025. — № 2. — С. 404–406.

13. Краковский Ю. М. Бинарное прогнозирование динамических показателей на основе методов машинного обучения / Ю. М. Краковский, О. К. Куклина // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. — 2023. — № 62. — С. 50–55.

14. Митько А. В. ИИ в системах раннего предупреждения чрезвычайных ситуаций в арктических перевозках судами смешанного типа плавания / А. В. Митько, Д. В. Ерофеевский // Деловой журнал Neftegaz.RU. — 2025. — № 3(159). — С. 88–92.

Войти или Создать
* Забыли пароль?