Разработка гибридной модели прогнозирования спроса на транспортные услуги на основе интеллектуальных методов SARIMA и XGBoost
DOI: 10.21293/1818-0442-2025-28-4-127-135
☷
- О ТУСУРе
- Абитуриентам
-
Студентам
- Первокурсникам
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Групповое проектное обучение
- Журнал посещаемости
- Журнал успеваемости
- Клубы по интересам
- Спорт в ТУСУРе
- Профком студентов
- Содействие трудоустройству
- Облачное хранилище ТУСУРа
- Поддержка студенческих семей
- Поддержка участников СВО и их детей
- Многофункциональный центр
- Аспирантам
-
Сотрудникам
- Телефонный справочник
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Журнал посещаемости
- Журнал успеваемости
- Генератор рабочих программ
- Генератор ОПОП
- Генератор ИПРП
- Показатели эффективности труда ППС
- Спорт в ТУСУРе
- Профком сотрудников
- Облачное хранилище ТУСУРа
- Выпускникам
- Партнёрам
Аннотация: Прогнозирование спроса на автомобильные грузоперевозки представляет задачу повышенной сложности ввиду нелинейной динамики временных рядов, выраженной сезонности и влияния других экзогенных факторов. Тра-диционные статистические модели временных рядов эффективно идентифицируют автокорреляционные струк-туры и сезонные паттерны, однако показывают не всегда удовлетворительные результаты при моделировании нелинейных зависимостей. Алгоритмы машинного обучения, напротив, успешно выявляют скрытые закономер-ности в многомерных данных, но требуют значительных объемов обучающих выборок и демонстрируют неста-бильность при экстраполяции. Исходя из обозначенного, целью работы выступает разработка гибридной модели прогнозирования спроса на транспортные услуги, объединяющей преимущества статистических и алгоритмиче-ских подходов. Методология базируется на последовательной интеграции SARIMA для выделения временной структуры данных и XGBoost для моделирования остаточной вариации с учетом сконструированного набора признаков (временные, лаговые переменные, агрегированные статистики). В качестве эмпирической базы ис-пользованы данные цифровой платформы грузоперевозок за период с января 2024 по декабрь 2025 г. – около 10 000 ежедневных наблюдений. На проведенной автором тестовой выборке (октябрь–декабрь 2025 г.) гибридная модель оказалась точнее изолированных SARIMA, XGBoost и Random Forest по всем метрикам: средняя абсо-лютная процентная ошибка составила 5,21% при R² = 0,928, что на 38,1% ниже, чем у SARIMA, и на 11,2%, чем у XGBoost. Среди предикторов, как удалось отметить, наибольший вклад в прогнозную способность модели вно-сят показатели недельной сезонности и среднесрочные тренды. Полученные результаты предлагается использо-вать операторам логистических платформ при планировании транспортных мощностей и оптимизации маршрут-ных сетей.
Ключевые слова: прогнозирование спроса, грузоперевозки, гибридная модель, SARIMA, XGBoost, временные ряды, машинное обучение
Библиография статьи:
Бокарев Д. В. Разработка гибридной модели прогнозирования спроса на транспортные услуги на основе интеллектуальных методов SARIMA и XGBoost / Д. В. Бокарев // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2025. – Т. 28, № 4. – С. 127–135. DOI: 10.21293/1818-0442-2025-28-4-127-135
Авторы и правообладатели:
- Бокарев Д. В. , Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации (Москва, Россия)
- 1. Транспорт в России. 2024: стат. сб. – М.: Росстат, 2024. – 100 с.
- 2. Rodrigue J.-P. The Geography of Transport. – 5th ed. – New York: Routledge, 2020. – 456 p.
- 3. Литвинов А.В. Оценка эластичности транспортного спроса на основе моделей выбора способа передвижения в городах / А.В. Литвинов, В.В. Донченко // Международный журнал перспективных исследований. – 2020. – Т. 10, № 4. – С. 40–57. DOI: 10.12731/2227-930X-2020-4-40-57.
- 4. Karlaftis M.G. Statistical methods versus neural networks in transportation research: Differences, similarities and some insights / M.G. Karlaftis, E.I. Vlahogianni // Transportation Research Part C: Emerging Technologies. – 2011. – Vol. 19, No. 3. – P. 387–399. DOI: 10.1016/j.trc.2010.10.004.
- 5. Маловецкая Е.В. Возможности применения моделей ARIMA при построении прогнозных значений вагонопотоков / Е.В. Маловецкая, А.К. Мозалевская // T-Comm: Телекоммуникации и транспорт. – 2023. – Т. 17, № 1. – С. 33–41. DOI: 10.36724/2072-8735-2023-17-1-33-41.
- 6. Dong H. Road Traffic Flow Prediction with a Time-Oriented ARIMA Model / H. Dong, L. Jia, X. Sun, C. Li, Y. Qin // Proceedings of the Fifth International Joint Conference on INC, IMS and IDC. – Seoul, Korea: IEEE, 2009. – P. 1649–1652. DOI: 10.1109/NCM.2009.224.
- 7. Mrówczyńska B. Application of artificial intelligence in prediction of road freight transportation / B. Mrówczyńska, M. Cieśla, A. Król, A. Sładkowski // PROMET – Traffic & Transportation. – 2017. – Vol. 29, No. 4. – P. 363–370. DOI: 10.7307/ptt.v29i4.2227.
- 8. Agafonov A.A. An algorithm for traffic flow parameters estimation and prediction using composition of machine learning methods and time series models / A.A. Agafonov, V. Myasnikov // Computer Optics. – 2014. – Vol. 38. – P. 539–549. DOI: 10.18287/0134-2452-2014-38-3-539-549.
- 9. Mohsen B. An AI-Driven Framework for Forecasting Freight Demand: Integrating the Transportation Services Index with Energy and Modal Indicators / B. Mohsen, M. Mohsen // SSRN Electronic Journal. – 2025. DOI: 10.2139/ssrn.5352403.
- 10. Chen T. XGBoost: A scalable tree boosting system / T. Chen, C. Guestrin // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – San Francisco, USA: ACM, 2016. – P. 785–794. DOI: 10.1145/2939672.2939785.
- 11. Semanjski I. Forecasting Transport Mode Use with Support Vector Machines Based Approach / I. Semanjski, A. Lopez, S. Gautama // Transactions on Maritime Science. – 2016. – Vol. 5. – P. 111–120. DOI: 10.7225/toms.v05.n02.002.
- 12. Yuan F. Traffic flow forecasting: STL decomposition and hybrid models / F. Yuan, Y. Fan, X. Bing, Z. Tian, Ch. Yuan, Y. Li // arXiv preprint. – 2025. – arXiv:2510.23668.
- 13. Khan N. Machine Learning Approaches for Disaggregated and Intermittent Demand Forecasting for Last-mile Logistics / N. Khan, A. Hanbali // Transportation Research Procedia. – 2025. – Vol. 84. – P. 307–314. DOI: 10.1016/j.trpro.2025.03.077.
- 14. Salais-Fierro T.E. Demand Forecasting for Freight Transport Applying Machine Learning into the Logistic Distribution / T.E. Salais-Fierro, J.A.S. Martínez // Mobile Networks and Applications. – 2022. – Vol. 27. – P. 2172–2181. DOI: 10.1007/s11036-021-01854-x.
- 15. Thejovathi M. Optimizing Product Demand Forecasting with Hybrid Machine Learning and Time Series Models / M. Thejovathi et al. // SSRN Electronic Journal. – 2024. DOI: 10.2139/ssrn.5076161.
- 16. Ajiboye A.O. Hybrid Modeling for Sales Prediction Using SARIMA, CNN, LSTM, and Stacking Ensemble // International Journal of Computer (IJC). – 2024. – Vol. 53, № 1. – P. 114–149.
- 17. Tsolaki K. Utilizing machine learning on freight transportation and logistics applications: A review / K. Tsolaki, T. Vafeiadis, A. Nizamis, D. Ioannidis, D. Tzovaras // ICT Express. – 2022. – Vol. 9. DOI: 10.1016/j.icte.2022.02.001.
- 18. Sonnleitner B. Forecasting for optimization in road freight transport: A review / B. Sonnleitner, N. Kourentzes, C. Ehrig, A. Pflaum // Transportation Research Part E: Logistics and Transportation Review. – 2025. – Vol. 204. – P. 104378. DOI: 10.1016/j.tre.2025.104378.
-2026-1_%D0%BA%D0%BE%D0%BF%D0%B8%D1%8F.jpg)
Адрес редакции
Подписка на обновления
