Analysis of distribution of statistical data about wagon flows. Part I

Cover Page

Cite item

Full Text

Abstract

The features of the analysis of fluctuations in wagon flows in the direction of the ports of the Far East are considered, taking into account the passage through the junction points of adjacent railways entering the borders of the Eastern polygon. At the same time, the incoming wagon traffic is presented as a time series as an array of data. The distribution of wagon flow is estimated using statistical hypotheses. Selection the type of distribution when working with a volume of data is an important stage of the analysis. The data set of operational indicators “loading” and “unloading” is analyzed. Statistical data on the volume of wagon traffic passing through the Eastern polygon through junction points was studied using a unified methodology with a sample of five years. To process static data on changes in wagon flows and form predictive models, the complex of statistical parameters is used as the main tool.

About the authors

A. K. Mozalevskaya

Irkutsk State Transport University

Author for correspondence.
Email: mozalevskay@mail.ru
ORCID iD: 0000-0002-0590-176X
applicant Irkutsk, 664074, Russia

E. V. Malovetskaya

Irkutsk State Transport University

Email: Katerina8119@mail.ru
ORCID iD: 0000-0003-1549-5336
Candidate of technical sciences, docent Irkutsk, 664074, Russia

R. S. Bolshakov

Irkutsk State Transport University

Email: bolshakov_rs@mail.ru
ORCID iD: 0000-0002-1187-5932
Candidate of technical sciences, docent Irkutsk, 664074, Russia

References

  1. Bychkov I. V., Kazakov A. L., Lempert A. А., Zharkov M. L. (2021). Modeling of railway stations based on queuing networks. Applied Sciences (Switzerland). 5(11). doi: 10.3390/app11052425.
  2. Bychkov I. V., Zharkov M. L., Kazakov A. L. (2023). Application of queuing theory for modeling the Ulaanbaatar railway. Computational technologies. 6(28): 17-36. (In Russian)
  3. Byshlyago A. A., Dudakova A. V. (2018). On the organization of the passage of connected trains in order to increase the carrying and throughput capacities of the Baikal-Amur Mainline. Young Science of Siberia. 1(1): 1-7.
  4. Domojirova A. D., Upyr R. Yu., Eremenko M. N. (2021). Predicting for train movement based on historical statistical data. Journal of Physics: Conference Series, Novosibirsk. 012036. doi: 10.1088/1742-6596/2032/1/012036.
  5. Eremenko M. N., Upyr R. Yu., Domojirova A. D. (2021). Stability of train traffic in the event of failures and the mechanism of phantom traffic jams on the railway. International Scientific and Practical Conference "Railway Transport and Technologies" (RTT-2021). (1)2624: 040018. doi: 10.1063/5.0133388.
  6. Ghosh S, Mitra J. (2020). Importance of Normality Testing, Parametric and Non-Parametric Approach, Association, Correlation and Linear Regression (Multiple & Multivariate) of Data in Food & Bio-Process Engineering. In: Mathematical and Statistical Applications in Food Engineering. CRC Press; 2020; 112-126.
  7. Golts G. A. (1982). Studying the patterns of transport development in the USSR. Problems of forecasting and optimization of transport operations. Moscow: Nauka, 1982. pp. 23-63. (In Russian)
  8. Gorelik M. A. (1982). Forecasting promising cargo flows in maritime transport. Problems of forecasting and optimization of transport operations. Moscow: Nauka, 1982. pp. 63-78.
  9. Kabanov A. B., Osminin A. T. (2022). Scientific approach to planning rail freight transportation. Railway transport. 18: 12-16. (In Russian)
  10. Kremer N. Sh. (2010). Probability Theory and Mathematical Statistics. 3rd ed., revised and enlarged. Moscow: UNITY-DANA, 2010. 551 p. (In Russian)
  11. Krol N. V., Poletaev A. S., Upyr R. Yu., Dudakova A. V. (2019). Technology for constructing an optimal route when organizing multimodal passenger transportation, taking into account the choice of place of stay. Modern technologies. Systems analysis. Modeling. 2 (62): 109-118. doi: 10.26731/1813-9108.2019.2(62).109-118.
  12. Lapidus B. M. (2023). Tasks of advanced development of Russian railways. Railway transport. 2: 4–14.
  13. Makhutov N. A., Lapidus B. M., Gadenin M. M., Titov E. Yu. (2023). Tasks and Prospects for the Development of Scientific Research within the Framework of Cooperation between Russian Railways and the Russian Academy of Sciences. Railway Transport. 7: 6-11.
  14. Malovetskaya E. V., Mozalevskaya A. K. (2022). Assessing the Impact of Irregularities on the Transportation Process. Problems of Transport Safety: Proceedings of the XII International Scientific and Practical Conference Dedicated to the 160th Anniversary of the Belarusian Railway. In 2 parts, Gomel, November 24–25, 2022. Gomel: Belarusian State University of Transport. 207-209.
  15. Malovetskaya E. V., Mozalevskaya A. K. (2023). Possibilities of Improving the Efficiency of the Transportation Process Based on the Construction of Comprehensive Forecast Models of Infrastructure Loading. T-Comm: Telecommunications and Transport. 7(17): 38–46. doi: 10.36724/2072-8735-2023-17-7-38-46.
  16. Malovetskaya E. V., Voskresenskaya E. V., Mozalevskaya A. K. (2023). Prospects for comprehensive forecasts when assessing the load of railway transport infrastructure. Finance, Economics, and Industry for Sustainable Development (ESG 2023). 217-225.
  17. Mamaev E. A., Valchuk E. S. (2016). Forecasting container turnover of world seaports. Bulletin of the Rostov State University of Railway Engineering. 2 (62): 94-101.
  18. Pravdin I. V., Negrey V. Ya. (1980). Forecasting passenger flows. Moscow: Transport, 1980. 224 p.
  19. Pravdin N. V., Negrey V. Ya., Shelelyaev A. I. (1980). On the issue of constructing theoretical models of fluctuations in traffic flows. Problems of perspective development of railway stations and junctions. 3-20.
  20. Razali N. M., Wah Y. B. (2011). Power comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling tests. Journal of Statistical Modeling and Analytics. 2(1): 21-33.
  21. Strategy for the Development of Railway Transport in the Russian Federation until 2030: of June 17, 2008 No. 877-r: approved by the order of the Government of the Russian Federation (2008). Available at: https://mintrans.gov.ru/documents/1/1010 (accessed 30 April 2025).
  22. Ugryumov A. K. (1968). The unevenness of train movement. Moscow: Transport, 1968. 112 p.
  23. Yap B. W., Sim C. H. (2011). Comparisons of various types of normality tests. Journal of Statistical Computation and Simulation. 81(12): 2141-2155.
  24. Yazici B., Yolacan S. (2007). A comparison of various tests of normality. Journal of Statistical Computation and Simulation. 77(2): 175-183.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».