2014
Permanent URI for this communityhttp://crust.ust.edu.ua/handle/123456789/9935
Browse
Item Дослідження тривалості руху вантажних поїздів між технічними станціями залізничного напрямку(ДНУЗТ, 2014) Єльнікова, Лідія ОлегівнаUKR: Однією з ключових задач функціонування залізничного транспорту є вчасна доставка вантажів замовникам транспортних послуг при забезпеченні ефективного використання рухомого складу. Однією з важливих складових, необхідних для вирішення цієї задачі, є отримання якісного прогнозу щодо руху вантажних поїздів між технічними станціями, оскільки це дозволяє чітко планувати як експлуатаційну роботу залізниці по переробці вагонопотоків, так і ефективно організувати її взаємодію з вантажовласниками. Для точного прогнозу прибуття поїздів необхідно визначити основні фактори, що впливають на величину тривалості руху поїздів між технічними станціями залізничного напрямку, та характер цього впливу. Для проведення досліджень з банку даних АСК ВП УЗ-Є були отримані дані про тривалість руху вантажних поїздів на залізничному напрямку Синельниково - І – Нижньодніпровськ - Вузол – П’ятихатки. В результаті статистичної обробки даних було визначено, що випадкова величина тривалості руху поїзда підпорядковується логарифмічно-нормальному закону розподілу; цю гіпотезу була перевірено та підтверджено за допомогою критерію Пірсона. Було висунуте припущення, що на тривалість руху поїзда впливають такі фактори: момент відправлення поїзда з сусідньої технічної станції протягом доби, день тижня, місяць, а також маса поїзда та тип локомотива. Кількісну оцінку ступеню зв’язку між тривалістю руху поїзда та кожним вказаним фактором було виконано за допомогою кореляційного аналізу. Виявлено, що на тривалість руху значний вплив має сезонність, тобто місяць відправлення поїзда, помірний вплив мають день тижня та період відправлення поїзда протягом доби, а маса поїзда та тип локомотива мають слабкий вплив.Item Можливості використання штучних нейронних мереж при прогнозуванні поїзної роботи залізничних напрямків(Дніпропетровcький національний університет залізничного транспорту імені академіка В. Лазаряна, Дніпропетровcьк, 2014) Вернигора, Роман Віталійович; Єльнікова, Лідія ОлегівнаUKR: Ефективне оперативне планування перевізного процесу повинне базуватись на точному прогнозі надходження поїздів, вагонів, локомотивів, вантажів тощо. Цей прогноз можна реалізувати за допомогою сучасного математичного методу – апарату штучних нейронних мереж. Нейронні мережі мають такі властивості як адаптивне навчання, самоорганізація, узагальнення, обчислення в реальному часі та стійкість до перебоїв. Основними сферами застосування нейронних мереж є апроксимація функцій, асоціативна пам'ять, стиснення даних, розпізнавання та класифікація, оптимізаційні задачі, керування складними процесами та прогнозування. Складовими елементами формального нейрону являються х1, х2, …, хn – вхідні сигнали мережі, кожний з яких характеризується своєю вагою w1, w2, …, wn відповідно. Суматор Σ підсумовує вхідні сигнали, функція активації f описує правило переходу нейрона при надходженні нових сигналів. За архітектурою зв'язків нейромережі можуть бути згруповані в два класи: мережі прямого поширення, в яких графи не мають петель, і рекурентні мережі, або мережі зі зворотними зв'язками. Під навчанням нейромережі мається на увазі налаштування архітектури мережі і ваг зв'язків для ефективного виконання завдання. Методи навчання можна розділити на дві групи: з учителем та без учителя. Нейромережі можна використати для оперативного прогнозу моментів прибуття поїздів на технічні станції на основі відомих параметрів відправлення поїздів: інформації про час відправлення з сусідньої технічної станції, масу поїзда та даних про сезонну та тижневу нерівномірність. При розробці нейромережі для вирішення певної задачі слід розглянути декілька варіантів, що відрізняються, наприклад, кількістю нейронів у шарах, кількістю прихованих шарів тощо. Основними показниками, за якими можна виконати порівняння обраних архітектур нейромереж, можуть бути такі параметри як мінімальна похибка, а також високий коефіцієнт кореляції між фактичними та розрахованими даними. Таким чином, штучні нейронні мережі можуть бути широко використані при розробці систем оперативного керування рухом поїздів, оскільки дозволяють отримати точний прогноз з врахуванням багатьох факторів та є відносно простими для розробки.