Многофакторное оценивание показателей процесса железнодорожных перевозок с целью прогнозирования момента достижения результативными показателями заранее заданных конкретных значений / А. С. Яхина, О. К. Куклина // Современные технологии. Системный анализ. Моделирование. – 2019. – Т. 61, № 1. – С. 139–144. – DOI: 10.26731/1813-9108.2019.1(61).139–144
10.26731/1813-9108.2019.1(61).139–144
С помощью многофакторных моделей II порядка и инструмента подбора параметров создана модель для оценивания момента достижения показателями грузооборота и объема погрузки грузов заранее заданных конкретных значений. Работа выполнена по стат. данным работы Улан-Баторской железной дороги. Из 10 факторов часть оказались незначимыми, часть оказывающими несущественное влияние на результативные показатели. В результате используемыми в модели оказались следующие факторы: для грузооборота – средняя зарплата, млн. тугр; эксплуатационный парк локомотивов, лок/сут; среднесуточный пробег локомотива, км/сут; для погрузки грузов – это среднесуточный пробег локомотива, км/сут и средняя заработная плата, тыс. тугр. При использовании на практике полученных двухфакторных моделей в задаче прогнозирования результативных показателей необходимо для каждого фактора создать прогнозную модель, как функцию времени (т. н. факторную модель). Определив прогнозные значения по факторам, можно подставлять эти значения в многофакторную модель и вычислять прогнозные значения результативных показателей, а далее с использованием механизма подбора параметров, получить тот временной период, по окончании которого грузооборот и объем погрузки грузов превысят заранее заданное конкретное значение. Все классические задачи прогнозирования заключаются в прогнозировании значений параметров моделей либо в прогнозировании значений результативного показателя при известных значениях параметров, в данной же работе предлагается механизм, позволяющий определять время достижения результативным показателем желаемого значения.
1. Давааням Т., Михайлова Е.А., Яхина А.С. Модели многофакторного оценивания основных показателей перевозки грузов // Вестн. Заб. гос. ун-та. 2015. № 12. С. 80–86.
2. Давааням Т., Михайлова Е.А., Яхина А.С. Модели многофакторного оценивания основных показателей перевозки грузов // Вестн. Челяб. гос. ун-та. 2015. № 12. С. 80.
3. Краковский Ю.М., Давааням Т. Разработка многофакторных моделей прогнозирования грузооборота и объема перевезенных грузов // Современные технологии. Системный анализ. Моделирование. 2014. № 4. С. 110–113.
4. Краковский Ю.М., Михайлова Е.А., Яхина А.С. Статистический анализ многофакторных регрессий моделей для погрузки грузов // Транспортная инфраструктура Сибирского региона. Иркутск : Изд-во ИрГУПС, 2018. Т.1. С. 421–424.
5. Краковский Ю.М., Тамир Д., Яхина А.С. Многофакторное оценивание показателей перевозочного процесса на основе моделей второго порядка // Современные технологии. Системный анализ. Моделирование. 2016. № 2. С. 82–85.
6. Краковский Ю. М., Домбровский И. А. Прогнозирование грузооборота дороги на основе статистической и эксплуатационной информации // Вестник стипендиатов DAAD. 2013. Т.1. № 1-1 (10). С. 18–25.
7. Краковский Ю.М., Домбровский И.А. Прогнозирование показателей грузовых перевозок Улан-Баторской железной дороги // Современные технологии. Системный анализ. Моделирование. 2013. № 4 (13). С. 225–228.
8. Краковский Ю.М., Лузгин А.Н. Программное обеспечение интервального прогнозирования нестационарных динамических показателей // Вестник ИрГТУ. 2015. № 4. С. 12–16.
9. Краковский Ю.М., Ботавина Д.В. Вероятност. моделирование показателей перевозочного процесса грузов на основе регресс. анализа // Транспортная инфраструктура Сибирского региона. 2018. Т.1. С. 417–421.
10. Huijun Wu, Guiyun Liu Container Sea-Rail Transport Volume Forecasting of Ningbo Port Based on Combination Forecasting Model // International Conference on Advances in Energy, Environment and Chemical Engineering (AEECE-2015). 2015. Р. 449–454.
11. Youan Wanga , Xumei Chena, Yanhui Hana , Shuxia Guob Forecast of Passenger and Freight Traffic Volume Based on Elasticity Coefficient Method and Grey Model // 13th COTA International Conference of Transportation Professionals (CICTP 2013). Procedia - Social and Behavioral Sciences 96 (2013). Р. 136–147.
12. Rudakov K.V., Strizhov V.V., Kashirin D.O. Motrenko and M. M. Stenina Selecting an Optimal Model for Forecasting the Volumes of Railway Goods Transportation // Avtomatika i Telemekhanika. 2017. №1. Р. 91–105.
13. Воскобойников Ю.Е. Эконометрика в Excel: парные и множественные регрессивные модели. СПб. : Лань, 2018. 260 с.
14. Панков А.Р., Горяинова Е.Р., Жерносек А.И. Статистические методы обработки данных. М. : Изд-во МАИ, 2013. 84 с.