Россия
Цель: Машинное обучение — это одна из самых популярных технологий в настоящее время, которая находит применение в различных отраслях. Одной из таких отраслей является железнодорожный транспорт, где машинное обучение может существенно улучшить процессы управления локомотивами и электропоездами. Статья посвящена исследованию возможности применения машинного обучения для анализа технических характеристик и параметров подвижного состава на примере электропоездов, эксплуатирующихся на высокоскоростных железнодорожных магистралях. В статье будут рассмотрены механизмы машинного обучения для анализа данных, а также предложены практические рекомендации по использованию машинного обучения для анализа данных на железнодорожном транспорте. Методы: Метод k-средних (k-means) — один из наиболее популярных алгоритмов машинного обучения для кластеризации, который позволяет разбить набор данных на k схожих групп или кластеров. Алгоритм основан на поиске центроидов (средних значений) каждого кластера и присваивании объектов к тому кластеру, который имеет наиболее близкий центроид. В зависимости от выбора начальных значений центроидов и параметров алгоритма, разбиение данных на кластеры может быть разным. Алгоритм k-средних является относительно простым в реализации и эффективным алгоритмом кластеризации, который может быть использован в качестве первоначальной оценки для более сложных алгоритмов кластеризации; метод линейной регрессии — это статистический алгоритм, используемый для определения связи между двумя непрерывными переменными. Алгоритм использует линейную функцию, которая описывает связь между зависимой переменной и одной или несколькими независимыми переменными. Результаты: Алгоритм обработки и первичного анализа характеристик и параметров высокоскоростного подвижного состава, результаты кластеризации параметров, методика прогнозирования технических характеристик перспективного высокоскоростного подвижного состава. Практическая значимость: Показаны методы применения машинного обучения для анализа технических характеристик и параметров эксплуатируемого подвижного состава на высокоскоростных железнодорожных магистралях. Методы позволят обосновать и спрогнозировать необходимые характеристики при разработке технических требований для высокоскоростного транспорта в России. С помощью применения машинного обучения можно повысить точность расчета технико-экономических моделей высокоскоростных магистралей, а в дальнейшем сократить затраты на эксплуатацию подвижного состава.
Машинное обучение, подвижной состав, прогнозирование технических характеристик транспорта, анализ данных, высокоскоростной транспорт
1. Machine Learning // General Electric. - URL: https://www.ge.com/research/technology-domains/artificial-intelligence/machine learning (дата обращения: 21.03/2023).
2. Artificial intelligence at DB // Deutsche Bahn. - URL: https://www.deutschebahn.com/en/artificial_intelligence-6935068 (дата обращения: 21.03.2023).
3. Artificial Intelligence // BNSF Railway URL: https://www.bnsf.com/news-media/railtalk/innovation/artificial-intelligence.html (дата обращения: 21.03/2023).
4. High-speed Data // INTERNATIONAL UNION OF RAILWAYS (UIC). - URL: https://uic.org/passenger/highspeed/article/high-speed-data-and-atlas (дата обращения: 21.03.2023).
5. Highspeed // INTERNATIONAL UNION OF RAILWAYS (UIC). - URL: https://uic.org/passenger/highspeed/ (дата обращения: 21.03/2023).
6. Colab // Colab. - URL: https://colab.research.google.com/ (дата обращения: 21.03/2023).
7. Sklearn.cluster.KMeans // Scikit-learn. - URL: https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html (дата обращения: 21.03.2023).
8. Sklearn.linear_model.LinearRegression // Scikit-learn URL: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html (дата обращения: 21.03.2023).
