Прогнозирование прибытия вагонов на станции: как искусственный интеллект повышает точность логистики

Задача

В условиях динамично меняющейся обстановки на железнодорожной сети точность прогнозирования прибытия вагонов на станции погрузки играет ключевую роль в оптимизации логистических процессов. Мы выпустили обновление продукта, который включает в себя модель прогнозирования прибытия как порожних, так и груженых вагонов с использованием методов искусственного интеллекта, что позволяет клиентам более эффективно планировать свою деятельность.

Проблематика текущего процесса

В большинстве железнодорожных компаний прогнозирование прибытия вагонов осуществляется вручную: диспетчеры и логисты анализируют сводки о дислокации подвижного состава, коды операций на станциях и составляют прогноз на 1, 3, 5 суток. Этот процесс требует времени и во многом опирается на экспертные оценки. Однако учесть все статистические закономерности и скрытые факторы движения вагонов вручную невозможно. Наш инструмент дополняет работу диспетчеров, предоставляя объективные данные и повышая точность прогнозов.

Как работает модель?

В основе модели лежит анализ всех срезов дислокации вагонов в прошлом, что позволяет учитывать краткосрочные изменения на сети и предсказывать прибытие с более высокой точностью. 

Мы используем широкий спектр признаков, включая:

• Индекс поезда;
• Код операции на текущей (последней) станции вагона;
• Код станции текущей (последней) станции;
• Признак прямого отправительского маршрута (ПОМ) и группность отправки;
• Другие факторы, влияющие на движение вагонов.

Чем ближе вагон к станции прибытия, тем меньше ошибка прогноза, а индекс поезда вносит все больший вклад в точность предсказания. Модель делает прогноз по каждому вагону отдельно, а затем агрегирует данные, формируя прогноз по дням и количеству прибывающих вагонов. Это дает возможность пользователям гибко адаптироваться к изменениям и более точно планировать свою работу.

Решение

Адаптация модели к особенностям данных

Данные о перемещениях вагонов, как правило, разрежены: существует множество данных по некоторым популярным направлениям, но их недостаточно для редких маршрутов. Чтобы решить эту проблему, модель использует методы уточнения прогнозов для редких направлений. Это достигается за счет:

• Использования информации о схожих маршрутах;
• Укрупнения данных по сетевым районам;
• Анализа станций назначения и других агрегированных параметров.

Такой подход позволяет повысить точность прогнозирования даже в случаях, когда исторические данные ограничены

Результаты

Сравнение с прогнозами диспетчеров

Мы провели сравнительный анализ точности прогнозов модели и оценок диспетчеров на станциях. Результаты показывают, что прогноз модели в среднем превосходит точность прогнозов человека. Более того, мы видим, что чем сложнее входящая логистика на станцию, тем сильнее ошибается человек и тем больше выигрывает у него модель.

Гибкость и адаптивность прогнозов

Важно отметить, что несмотря на высокую точность модели, прогнозируемые данные можно редактировать, если появляется более актуальная информация. Это позволяет интегрировать экспертные корректировки и учитывать факторы, не поддающиеся автоматическому анализу.

Практическое применение

Результаты работы модели могут быть использованы в различных процессах:

• Прогноз образования вагонов;
• Расчет дефицита плана обеспечения;
• Формирование рекомендаций по подсылу порожних вагонов;
• Оптимизация логистических схем.

Изменения в инфраструктуре и новые инструменты

Железнодорожная сеть постоянно меняется, в том числе благодаря внедрению новых инструментов, таких как ДМЗИ (Динамическая модель загрузки инфраструктуры) от РЖД. Это создает дополнительные вызовы и возможности для совершенствования алгоритмов прогнозирования.

Использование машинного обучения для предсказания прибытия вагонов открывает новые горизонты в управлении грузовыми перевозками, повышая прозрачность и эффективность логистических процессов.