Применение методов машинного обучения для прогнозирования потребностей в транспортных ресурсах при перевозке зерновых грузов на дальние расстояния
Третьяков Г.М.1, Фокеев А.Б.2, Мазько Н.Н.2, Варламов А.В.2, Варламова Н.Х.2
1 Волжско-Уральская транспортная компания (ВолгаУралТранс), ,
2 Приволжский государственный университет путей сообщения (ПривУПС), ,
Статья в журнале
Экономика сельскохозяйственных и перерабатывающих предприятий (РИНЦ, ВАК)
опубликовать статью | оформить подписку
Том 101, Номер 1 (Январь 2026)
Аннотация:
Эффективное прогнозирование потребностей в транспортных ресурсах при перевозке зерновых грузов является критически важной задачей для обеспечения продовольственной безопасности и оптимизации логистических процессов. Рост объемов производства и экспорта зерна создает значительную нагрузку на транспортную инфраструктуру, требуя применения современных аналитических инструментов для точного планирования грузоперевозок. В данном исследовании проведен комплексный анализ применимости методов машинного обучения для решения задачи прогнозирования спроса на железнодорожные транспортные ресурсы при перевозке зерновых грузов на дальние расстояния. Исследование основано на эмпирических данных о перевозках зерновых культур по сети российских железных дорог за период 2020-2024 годов с общим объемом выборки более 58 месяцев наблюдений. Проведено сравнительное тестирование трех групп алгоритмов: рекуррентных нейронных сетей с длинной краткосрочной памятью, ансамблевых методов градиентного бустинга и классических моделей временных рядов. Результаты показали, что гибридная архитектура, объединяющая возможности LSTM-сетей для выявления сложных временных зависимостей и XGBoost для обработки экзогенных факторов, демонстрирует наилучшие показатели точности со средней абсолютной процентной ошибкой 4,73% на тестовом наборе данных. Разработанная модель позволяет прогнозировать месячную потребность в подвижном составе с точностью до 94,2%, что превышает результаты традиционных эконометрических подходов на 31,8 процентных пунктов. Практическая реализация предложенного подхода способна обеспечить снижение транспортных издержек на 18-23% за счет оптимизации планирования ресурсов и минимизации простоев вагонов-зерновозов в периоды сезонных колебаний спроса.
Ключевые слова: машинное обучение, прогнозирование грузоперевозок, транспортная логистика, зерновые грузы, LSTM, XGBoost, железнодорожный транспорт
Страница обновлена: 04.06.2026 в 14:43:00
Machine learning methods for forecasting transport resource requirements for long-distance grain transportation
Tretiakov G.M., Fokeev A.B., Mazyko N.N., Varlamov A.V.Journal paper
Economy of agricultural and processing enterprises
Volume 101, Number 1 (January 2026)
Abstract:
Effectively forecasting the demand for transportation resources during grain transportation is a critical task for ensuring food security and optimizing logistics processes. Growing grain production and export volumes puts significant strain on transport infrastructure, requiring the use of modern analytical tools for accurate freight transportation planning. This study provides a comprehensive analysis of the applicability of machine learning methods for forecasting demand for rail transport resources during long-distance grain transportation. The study is based on empirical data on grain transportation on the Russian railway network for the period 2020-2024, with a total sample size of over 58 months. Three groups of algorithms were comparatively tested: recurrent neural networks with long short-term memory, ensemble gradient boosting methods, and classical time series models. The results showed that a hybrid architecture combining LSTM networks for capturing complex temporal dependencies and XGBoost for processing exogenous factors demonstrated the best accuracy, with an average absolute percentage error of 4.73% on the test dataset. The developed model predicts monthly rolling stock demand with an accuracy of up to 94.2%, exceeding the results of traditional econometric approaches by 31.8 percentage points. Practical implementation of the proposed approach can reduce transportation costs by 18-23% by optimizing resource planning and minimizing grain car downtime during periods of seasonal demand fluctuations.
Keywords: Machine Learning, Freight Forecasting, Transport Logistics, Grain Cargo, LSTM, XGBoost, Rail Transport