پیش بینی تاخیر قطارهای مسافری با در نظر گرفتن عوامل آب و هوایی از طریق یادگیری ماشین: مطالعه موردی راه آهن جمهوری اسلامی ایران

هدف از این مقاله، پیش‌بینی تاخیرات قطارهای مسافری در نواحی ریلی راه آهن جمهوری اسلامی ایران با استفاده از داده های تاریخی حرکت قطارهای مسافری و داده های آب و هوایی با روش های یادگیری ماشین است. پیش بینی تاخیرات در نواحی ریلی با شرایط آب و هوایی در آن ناحیه در فصل زمستان می تواند برای تصمیم گیری و اقدامات پیشگیرانه موثر واقع شود. داده های بکار گرفته شده در این مطالعه شامل داده های تاخیرات قطار های مسافری از سال 1396 تا 1400 و داده های آب و هوایی ایستگاه های سینوپتیک از سال 1396 تا 1400 است. که در بردارنده 46596 رکورد می باشد. متغیر های مستقل شامل سال، ماه، روز ماه، روز هفته، محور حرکت، نوع قطار، ناحیه ریلی، حداکثر سرعت باد، حداقل دید افقی، دمای کمینه، دمای بیشینه، تعداد گزارش های یخ زدگی در سطح زمین و بارش 24 ساعته باران و برف هستند. روش پیشنهادی برای حل مسئله موجود مبتنی بر crisp-dm یک متدولوژی برتر در زمینه پیاده-سازی تکنیک های یادگیری ماشین و داده کاوی در حوزه تحقیقاتی و اجرایی می باشد مدلسازی پیش بینی به صورت طبقه بندی انجام شده است. جهت پیش بینی طبقه بندی متغیر وابسته تاخیر به دو طبقه به موقع و با تاخیر تقسیم شده اند. از روش های یادگیری نظارت شده از نوع طبقه بندی برای پیش بینی تاثیر عوامل آب و هوایی در به وجود آمدن تاخیر در نواحی ریلی استفاده شده است. برای ارزیابی نتایج پیش بینی از اعتبارسنجی متقابل برای بررسی صحت مدل استفاده شده است. نتایج نشان می دهد که تاثیر عوامل آب و هوایی در فصل زمستان در طی دوره 5 ساله در بررسی های سال به سال در به وجود آمدن تاخیر در نواحی ریلی تاثیر مثبت، منفی یا خنثی داشته است. در ادامه برای انطباق صنعت ریلی با تهدیدات اقلیمی در آینده اقدامات پیشگیرانه ای ارائه شده است.

predicting the delay of passenger trains by considering weather factors through machine learning: a case study of the islamic republic of iran railways

the purpose of this article is to predict passenger train delays in the railway areas of the islamic republic of iran using historical passenger train movement data and weather data with machine learning methods. forecasting delays in railway areas with weather conditions in that area in the winter season can be effective for decision-making and preventive measures. the data used in this study includes passenger train delay data from 1396 to 1400 and weather data from synoptic stations from 1396 to 1400. which contains 46596 records. the independent variables include year, month, day of the month, day of the week, axis of movement, type of train, railway area, maximum wind speed, minimum horizontal visibility, minimum temperature, maximum temperature, number of frost reports on the ground surface and 24-hour rain and snow precipitation. the proposed method for solving the existing problem based on crisp-dm is a superior methodology in the field of implementing machine learning and data mining techniques in research and executive fields. predictive modeling has been carried out in the form of classification. in order to predict the classification of the delay dependent variable, they are divided into two classes, on time and with delay. supervised learning methods of the classification type have been used to predict the influence of weather factors on the occurrence of delays in railway areas. to evaluate the prediction results, cross-validation has been used to check the validity of the model. the results show that the impact of weather factors in the winter season during the 5-year period in the year-by-year surveys has had a positive, negative or neutral effect on the occurrence of delays in railway areas. at the end of the article, preventive measures are presented to adapt the railway industry to climate threats in the future.