Формирование пространства признаков и авторегрессионных моделей для прогноза отступлений железнодорожного полотна
- Авторы: Владова А.Ю1,2
-
Учреждения:
- Институт проблем управления им. В.А. Трапезникова РАН
- Финансовый университет при Правительстве РФ
- Выпуск: № 2 (2023)
- Страницы: 54-64
- Раздел: Управление техническими системами и технологическими процессами
- URL: https://bakhtiniada.ru/1819-3161/article/view/291585
- DOI: https://doi.org/10.25728/pu.2023.2.5
- ID: 291585
Цитировать
Полный текст
Аннотация
Диагностика железнодорожного полотна выявляет отступления параметров рельс в плане и профиле от нормативных значений. Приближение размеров отступлений к предельным значениям требует ограничения скоростей движения поездов. Поэтому прогноз изменений размеров отступлений является актуальной проблемой. Несмотря на значительный объем собираемых данных, эксплуатирующие организации недостаточно применяют методы машинного обучения для повышения качества прогноза параметров отступлений. Предлагаемый метод отличается от известных тем, что позволяет: увеличить размерность пространства признаков путем вычисления отклонений амплитуд отступлений от нормативных значений, площадей отступлений по длинам и амплитудам или отклонениям амплитуд с последующим представлением пространства признаков в виде 3D-матрицы; сформировать множество управляющих параметров (шаг дискретизации по времени, вид сезонных колебаний, количество точек изменения тренда и др.); прогнозировать размеры отступлений в группах, отличающихся видом и положением вдоль железнодорожного полотна. Прогноз ведут в рамках оптимизационной задачи по критерию минимума эмпирического риска и в результате получают семейство авторегрессионных моделей для каждого интервала дискретизации по длине полотна.
Ключевые слова
Об авторах
А. Ю Владова
Институт проблем управления им. В.А. Трапезникова РАН; Финансовый университет при Правительстве РФ
Email: avladova@ipu.ru
г. Москва, Россия
Список литературы
- Kostrzewski, M., Melnik, R. Condition Monitoring of Rail Transport Systems: A Bibliometric Performance Analysis and Systematic Literature Review // Sensors. – 2021. – Vol. 21, no. 14. – Art. no. 4710.
- Tsunashima, H. Condition Monitoring of Railway Tracks from Car-Body Vibration Using a Machine Learning Technique // Applied Sciences. – 2019. – Vol. 9. – Art. no. 2734.
- Liu, X., Markine, V.L. Train Hunting Related Fast Degradation of a Railway Crossing-Condition Monitoring and Numerical Verification // Sensors. – 2020. – Vol. 20, no. 8. – Art. no. 2278.
- Vladova, A.Yu. Identification of the Railway Track Technical State // 2021 14th International Conference Management of large-scale system development (MLSD). – Moscow: IEEE, 2021. – P. 1–5.
- Дубицкий И.С., Енин А.В., Владова А.Ю. Анализ динамики износа железнодорожных путей // Материалы 14-й междунар. конф. «Управление развитием крупномасштабных систем» (MLSD’2021). – Москва, 2021. – C. 979–985. [Dubitskii I.S., Enin A.V., Vladova A.Yu. Analiz dinamiki iznosa zheleznodorozhnykh putei // Materialy 14-i mezhdu-nar. konf. «Upravlenie razvitiem krupnomasshtabnykh sistem» (MLSD’2021). – Moskva, 2021. – C. 979–985. (In Russian)]
- Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. – М: Финансы и статистика (ФС), 2003. [Lukashin, Yu.P. Adaptivnye metody kratkosrochnogo prognozirovaniya vremennyh ryadov. – M: Finansy i statistika (FS), 2003. (In Russian)]
- Владова А.Ю. Гармонический анализ температур мерзлого грунта полосы отведения линейного объекта // Безопасность труда в промышленности. – 2017. – № 7. – С. 25–30. [Vladova, A.Yu. Garmonicheskij analiz temperatur merzlogo grunta polosy otvedeniya linejnogo ob'ekta // Bezopasnost' truda v promyshlennosti. – 2017. – No. 7. – P. 25–30. (In Russian)]
- Vladova, A.Yu. Remote Geotechnical Monitoring of a Buried Oil Pipeline // Mathematics. – 2022. – Vol. 10, no. 11. – Art. no.. 1813.
- Любушин А.А. Анализ данных систем геофизического и экологического мониторинга. – М.: Наука, 2007. [Lyubushin, A.A. Analiz dannyh sistem geofizicheskogo i ekologicheskogo monitoringa. – M.: Nauka, 2007. (In Russian)]
- Валеев С.Г. Регрессионное моделирование при обработке данных. – Казань: Изд-во ФЭН Академии наук Республики Татарстан, 2001. [Valeev, S.G. Regressionnoe modelirovanie pri obrabotke dannyh. – Kazan’: Izd-vo FEN Akademii nauk Respubliki Tatarstan, 2001. (In Russian)]
- Herzen, J., Lässig, F., Piazetta, S.G., et al. Darts: User-Friendly Modern Machine Learning for Time Series // Journal of Machine Learning Research. – 2022. – Vol. 23. – P. 1–6.
- Hosseini, R., Yang, K., Chen, A., Patra, S. A flexible forecasting model for production systems // ArXiv: 2105.01098v1. – 2021. – DOI: https://doi.org/10.48550/arXiv.2105.01098.
- Taylor, S., Letham, B. Forecasting at scale // The American Statistician. – 2018. – Vol. 72, no. 1. – P. 37-45.
- Vandeput, N. Forecast KPI: RMSE, MAE, MAPE & Bias Towards Data Science. – URL: https://towardsdatascience.com/forecast-kpi-rmse-mae-mape-bias-cdc5703d242d (Дата обращения 04.02.2023) [Accessed February 4, 2023].
- Hartomo, K., Nataliani, Y. A new model for learning-based forecasting procedure by combining k-means clustering and time series forecasting algorithms // PeerJ Computer Science. – 2021. – Vol. 7, no. 2. – Art. no. e534. – DOI: https://doi.org/7717/peerj-cs.534.
- Vivas E., Allende-Cid H., Salas R. A Systematic Review of Statistical and Machine Learning Methods for Electrical Power Forecasting with Reported MAPE Score // Entropy. – 2020. – Vol. 22, no. 12. – Art. no. 1412.
Дополнительные файлы
