Data-driven predictive model for dynamic expected travel time estimation in rail freight networks: A case study
Notice bibliographique
Résumé
Rail freight is vital for economic growth due to its efficiency and environmental benefits, but its lack of fixed schedules due to various delay factors poses challenges for accurate Expected Travel Time (ETT) predictions. This research addresses the need for real-time, accurate and dynamic ETT predictions crucial for maintaining efficient supply chains by developing a novel predictive model that leverages real-time data. The model ensembles Graph Convolutional Network-Long Short-Term Memory (GCN-LSTM) and Kalman Filters (KF) models to capture the complex spatiotemporal interactions and diverse traction behaviours within the freight train railway network. The methodology comprises three phases: modeling, schedule generation, and dynamic updating. In the modeling phase, historical train movement data is used to develop predictive models, with KF handling state-space representation and GCN-LSTM capturing spatial and temporal dependencies. These models are ensembled to enhance prediction accuracy. The schedule generation phase estimates travel times using the ensembled model, the dynamic updating phase refines predictions using real-time data, while congestion is assessed by clustering congested areas with Density-Based Spatial Clustering of Applications with Noise (DBSCAN) and propagating these clusters through KF. The proposed model is compared with different state-of-art predictive models. The methodology’s effectiveness was validated using real-world data from Indian Railway freight operations. The proposed model demonstrated superior accuracy, with Mean Absolute Percentage Error of 19.51%, while the moving average-based model which was previously being used by the Indian Railway had an error of 44.34%. This approach, implemented as a decision support system for Indian Railways’ daily operations, provides advanced planning solutions to manage the growing complexities of rail freight logistics effectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».