Инструменты машинного обучения информационной системы для сегментации грузовых железнодорожных станций
(Стр. 13-23)
Подробнее об авторах
Игнатов Юрий Юрьевич
кандидат социологических наук, доцент; доцент, Академия «Высшая инженерная школа»
Российский университет транспорта (МИИТ)
г. Москва, Российская Федерация
Российский университет транспорта (МИИТ)
г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
В данной работе исследуются методы интеллектуальной сегментации железнодорожных станций с использованием моделей машинного обучения путем анализа закономерностей грузовой работы. Автоматизированные методы сегментации позволяют выявить ключевые показатели эффективности и модели принятия решений, полезные для эффективного управления. Применяются алгоритмы предварительной обработки данных и кластеризации с использованием оптимальных моделей машинного обучения. Разработаны архитектура нейронной сети и методика глубокого обучения для динамической классификации станций в процессе оперативного контроля погрузки. Приводятся практические рекомендации по проектированию программных модульных систем, способных интеллектуально распределять железнодорожные станции, клиентов и прочие объекты анализа по целевым сегментам с учетом нелинейности и особенностей данных.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Игнатов Ю.Ю. Инструменты машинного обучения информационной системы для сегментации грузовых железнодорожных станций // Computational Nanotechnology. 2026. Т. 13. № 1. С. 13-23. DOI: 10.33693/2313-223X-2026-13-1-13-23. EDN: LXNFFT
Список литературы:
Григорьев А. Машинное обучение. Портфолио реальных проектов. СПб.: Питер, 2023. 496 с.
Дейтел П., Дейтел Х. Python: искусственный интеллект, большие данные облачные вычисления. СПб.: Питер, 2020. 864 с.
Лакшманан В., Робинсон С., Мунн М. Машинное обучение. Паттерны проектирования / пер. с англ. СПб.: БХВ-Петербург, 2022. 448 с.
Николенко С.И., Кадурин А.А., Архангельская Е.О. Глубокое обучение. 2-е изд. СПб.: Питер, 2022. 480 с.
Пател А. Прикладное машинное обучение без учителя с использованием Python / пер. с англ. А.Г. Гузикевича. СПб.: Диалектика, 2020. 432 с.
Просиз Дж. Прикладное машинное обучение искусственный интеллект для инженеров / пер. с англ. Астана: АЛИСТ, 2024. 432 с.
Серрано Л. Грокаем машинное обучение. СПб.: Питер, 2024. 512 с.
Уатт Дж., Борхани Р., Катсаггелос А. Машинное обучение: основы, алгоритмы и практика применения. СПб.: БХВ-Петербург, 2022. 640 с.
Шолле Ф. Глубокое обучение на Python. 2-е изд. СПб.: Питер, 2023. 576 с.
Kabir M.F., Rana M.I.C., Shahiduzzaman M. Comprehensive customer segmentation and behavior prediction using advanced machine learning and neural network models // International Journal of Creative Research Thoughts (IJCRT). 2025. Vol. 13. No. 1. Pp. a558–a574.
Дейтел П., Дейтел Х. Python: искусственный интеллект, большие данные облачные вычисления. СПб.: Питер, 2020. 864 с.
Лакшманан В., Робинсон С., Мунн М. Машинное обучение. Паттерны проектирования / пер. с англ. СПб.: БХВ-Петербург, 2022. 448 с.
Николенко С.И., Кадурин А.А., Архангельская Е.О. Глубокое обучение. 2-е изд. СПб.: Питер, 2022. 480 с.
Пател А. Прикладное машинное обучение без учителя с использованием Python / пер. с англ. А.Г. Гузикевича. СПб.: Диалектика, 2020. 432 с.
Просиз Дж. Прикладное машинное обучение искусственный интеллект для инженеров / пер. с англ. Астана: АЛИСТ, 2024. 432 с.
Серрано Л. Грокаем машинное обучение. СПб.: Питер, 2024. 512 с.
Уатт Дж., Борхани Р., Катсаггелос А. Машинное обучение: основы, алгоритмы и практика применения. СПб.: БХВ-Петербург, 2022. 640 с.
Шолле Ф. Глубокое обучение на Python. 2-е изд. СПб.: Питер, 2023. 576 с.
Kabir M.F., Rana M.I.C., Shahiduzzaman M. Comprehensive customer segmentation and behavior prediction using advanced machine learning and neural network models // International Journal of Creative Research Thoughts (IJCRT). 2025. Vol. 13. No. 1. Pp. a558–a574.
Ключевые слова:
датасет, кластеризация, машинное обучение, модель, нейронная сеть, нормализация, размерность, станция.
