III КВАРТАЛ 2022Г. - 55 баллов 
Железнодорожная логистика сталкивается с вызовом: традиционные методы прогнозирования прибытия вагонов требуют значительных временных затрат и опираются на экспертные оценки диспетчеров. В условиях высокой динамики сети это не всегда обеспечивает необходимую точность. Ошибки в расчетах приводят к неэффективному распределению подвижного состава, задержкам погрузки и увеличению затрат.
Мы разработали модель на основе искусственного интеллекта, которая прогнозирует прибытие как порожних, так и груженых вагонов на станции погрузки с учетом всех доступных данных о движении состава. Это позволяет не только повышать точность прогнозов, но и оптимизировать планирование грузовых операций.
Как это работает?
Наша модель анализирует исторические данные о перемещении вагонов, учитывает краткосрочные изменения в сети и опирается на ряд ключевых факторов:
● Индекс поезда;
● Код операции на последней станции;
● Признак отправительского маршрута (ПОМ) и группность отправки;
● Дополнительные параметры, влияющие на движение вагонов.
Прогнозирование ведется как по отдельным вагонам, так и в агрегированном виде – по дням и количеству прибывающих вагонов. По мере приближения вагона к станции точность прогноза повышается, а индекс поезда становится более значимым фактором.
Адаптация к разреженным данным
Исторические данные о перемещениях вагонов распределены неравномерно: по некоторым направлениям информации много, по другим – недостаточно. Это может затруднять прогнозирование, особенно по редким маршрутам. Наша модель решает эту проблему, используя методы уточнения прогнозов:
● Анализ схожих маршрутов;
● Укрупнение данных по сетевым районам;
● Учет информации по станциям назначения;
● Корреляция данных с аналогичными логистическими потоками.
Этот подход позволяет нам строить более надежные прогнозы даже при ограниченном количестве данных.
Сравнение с прогнозами диспетчеров
В ходе тестирования модель продемонстрировала более высокую точность по сравнению с прогнозами диспетчеров, особенно на сложных логистических участках. Например, на крупных узловых станциях и в условиях высокой нагрузки точность модели была на 15-25% выше, чем у традиционных методов.
Тем не менее, система допускает корректировку прогнозов при наличии дополнительной информации, что делает процесс максимально адаптивным. Это особенно важно при непредвиденных изменениях на сети, таких как внеплановые ремонты или изменения расписаний. Подробнее про обновление.
Практическое применение
Наш инструмент может применяться в различных бизнес-процессах:
● Прогноз образования вагонов для точного планирования их использования;
● Расчет дефицита плана обеспечения;
● Формирование рекомендаций по подсылу порожних вагонов, что снижает затраты на холостой пробег;
● Оптимизация логистических схем и улучшение грузооборота.
Перспективы
Железнодорожная сеть постоянно развивается, внедряются новые цифровые инструменты, такие как ДМЗИ (Динамическая модель загрузки инфраструктуры) от РЖД. Внедрение ИИ в прогнозирование прибытия вагонов позволяет операторам и грузоотправителям не только повысить точность своих прогнозов, но и адаптироваться к изменяющимся условиям рынка. Это способствует снижению издержек, повышению прозрачности перевозок и увеличению общей эффективности логистических процессов.
РЕКЛАМА
ИНН 7751322935
ООО "СИГМАДЕВС"
erid: 2VSb5xkRGcg
