Прогнозирование материальных потоков современных логистических центров железнодорожных грузовых станций на примере Сианя (Китайская Народная Республика)

   Цель исследования — создание более точной модели прогнозирования материальных потоков грузовой железнодорожной станции Сиань в Китае.

   Комбинированная модель прогнозирования является более обоснованной в прогнозировании грузопотоков региональной логистики по сравнению с тремя методами: серого прогнозирования, цепей Маркова, взвешивания энтропии. Благодаря созданию комбинированной модели метод прогнозирования серого сочетается с коррекцией цепи Маркова, а прогнозируемые данные сравниваются с фактическими данными, чтобы получить более высокую точность модели прогнозирования. Создана комбинированная модель с использованием метода прогнозирования серого в сочетании с коррекцией цепей Маркова, при этом прогнозируемые данные сравниваются с фактическими данными для получения высокой точности модели прогнозирования.

   Практическая значимость — в условиях современного постпандемийного экономического развития логистические предприятия, которые не работают в соответствии с современными методами логистики, могут быть вытеснены конкурентами.

   Если железная дорога не усовершенствует логистическую инфраструктуру, логистическое оборудование, платформу железнодорожной логистической сети и т. д., она проиграет конкурентную борьбу другим видам транспорта. Для удовлетворения потребностей логистики и, таким образом, повышения рыночной конкурентоспособности, основным показателем грузовой станции является погрузка и логистический поток. Поэтому точное прогнозирование будущих изменений в логистическом потоке грузовой станции может позволить определению, нуждается ли станция в модернизации, как железнодорожная станция, или преобразовании в определенный тип логистического центра.

1. Меркулова Ю.В. Ситуационно-стратегическое планирование в экономике: монография в 2 томах. Т. 2. Моделирование оптимальных стратегий и программ. М.: Экономика, 2015. 464 с.

2. Владимирова Л.П. Прогнозирование и планирование в условиях рынка. М.: Дашков и К, 2012. 308 с.

3. Pamula T. Neural networks in transportation research-recent applications // Transport Problems. 2016. Vol. 11. Issue 2. Pp. 27–39. DOI: 10.20858/tp.2016.11.2.3

4. Gosasang V., Watcharavee C., Kiattisin S. An Application of Neural Networks for Forecasting Container Throughput at Bangkok Port // Proceedings of the World Congress on Engineering 2010 Vol I WCE 2010. 2010.

5. Schmidhuber J. Deep learning in neural networks: An overview // Neural Networks. 2014. Vol. 61. Issue 3. DOI: 10.1016/j.neunet.2014.09.003

6. 刘海燕.浅谈铁路货运转型发展车站到物流中心交通技术与经济，2013，15(5)：71-73 [Лю Хайянь. Рассуждая о преобразовании и развитии железнодорожных грузовых станций в логистические центры // Транспортные технологии и экономика. 2013. Т. 15. № 5. С. 71–73].

7. 邹鑫，吉长林.区域物流园区建设规模预测与分析.铁路运输与经济，2015（10）：11-15 [Цзоу Синь, Цзи Чанлинь. Прогнозирование и анализ масштабов строительства региональных логистических парков // Железнодорожный транспорт и экономика. 2015. № 10. С. 11–15].

8. 张进，物流系统规划与设计，成都：西南交通大学出版社，2009 [Чжан Цзинь. Планирование и проектирование логистической системы. Чэнду: Издательство Юго-Западного университета Цзяотун, 2009].

9. 崔向东，现有货运火车站改造成现代物流中心站的策略研究，2014年 [Цуй Сяндун. Исследование стратегии преобразования существующей грузовой железнодорожной станции в станцию современного логистического центра, 2014].

10. 谢秀深.铁路货运站向现代物流基地转型发展的思考.铁路运输，2014(5):1-5 [Се Сюшень. Размышления о преобразовании и развитии железнодорожных грузовых станций в современные логистические базы // Железнодорожные перевозки. 2014. № 5. С. 1–5].

11. Щербанин Ю.А., Ивин Е.А., Курбацкий А.Н., Глазунова А.А. Эконометрическое моделирование и прогнозирование спроса на грузовые перевозки в России в 1992–2015 гг. 2017.

12. 陈实.货运量预测及应用方法研究.武汉理工大学（硕士论文），2008 [Чен Ши. Исследование метода прогнозирования и применения объемов грузоперевозок. Ухань: Уханьский технологический университет (магистерская диссертация), 2008].

13. Гаспарян А.А. Прогноз и план логистической деятельности предприятии. Ростовский государственный университет путей сообщения, 2018.

14. 等.基于信息熵的数据流集成自适应分类算法.中国科学技术大学学报，2017，第572-573页 [Сунь Янэ и др. Алгоритм адаптивной классификации ансамбля потока данных, основанный на информационной энтропии // Журнал Университета науки и технологий Китая. 2017. С. 572–573].

15. 芮海天，吴群奇，袁华志，等. 基于指数平滑法和马尔可夫模型的公路客流预测方法 交通运输工程学报，2013，13(4)：88 [Rui Haitian, Wu Qunqi, Yuan Huazhi и др. Метод прогнозирования пассажиропотока на автомагистралях на основе метода экспоненциального сглаживания и модели Маркова // Китайский журнал транспортного машиностроения. 2013. № 13 (4). С. 88].