إدارة السكك الحديدية المدفوعة بالبيانات: توقع عدد ركاب القطارات شهريًا على خط سورابايا-جاكرتا باستخدام خوارزمية XGBoost Data-driven railway management: Forecasting monthly train passengers on the Surabaya-Jakarta route using XGBoost algorithm

شارك:
المجلة: International Journal of Data and Network Science، المجلد: 10، العدد: 3
DOI: https://doi.org/10.5267/j.ijdns.2026.3.007
تاريخ النشر: 2026-01-01
المؤلف: Muhammad Ahsan وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها

نظرة عامة

تقدم هذه الدراسة نموذجًا تنبؤيًا لطلب الركاب على قطار في مسار سورابايا-جاكرتا، باستخدام خوارزمية تعزيز التدرج المتطرف (XGBoost) لمعالجة تعقيدات البيانات التاريخية غير الخطية المتأثرة بجائحة COVID-19. تم اعتبار طرق التنبؤ الخطية التقليدية، مثل ARIMA، غير كافية بسبب الخصائص غير الخطية للبيانات. قامت الدراسة بتقييم استراتيجيتين للإدخال – وظيفة الارتباط الذاتي الجزئي (PACF) والتقنية المتحركة – ووجدت أن الأخيرة، بحجم نافذة 4 أشهر، تفوقت بشكل كبير على نهج PACF، محققة خطأ متوسط النسبة المطلقة (MAPE) قدره 10.94%. بالإضافة إلى ذلك، سلطت الدراسة الضوء على فعالية التنبؤ متعدد الخطوات المتكرر مقارنة بالتنبؤ المباشر في التقاط الأنماط الموسمية وتجنب التناقضات المنطقية في التنبؤات.

توفر النتائج إطارًا قويًا لإدارة السكك الحديدية لتحسين تخصيص الموارد، وجدولة العمليات، وتخطيط السعة بناءً على أحجام الركاب المتوقعة، والتي تشير إلى اتجاهات موسمية واضحة لعام 2025. تقترح الدراسة استكشاف المزيد من طرق التعلم الجماعي، مثل التجميع مع الغابات العشوائية، لتعزيز دقة التنبؤ. بالإضافة إلى ذلك، تشمل التوصيات لشركة القطارات إعادة تقييم أسعار التذاكر وتعزيز الخدمات على متن القطار لجذب المزيد من الركاب على مسار سورابايا-جاكرتا.

مقدمة

ت outlines مقدمة ورقة البحث أهمية طرق التنبؤ المتقدمة في قطاع النقل، لا سيما في إندونيسيا، حيث أدى النمو الاقتصادي إلى زيادة الحركة العامة. تؤكد الدراسة على أهمية التنبؤ بدقة بطلب الركاب لخدمة القطارات الرائدة التي تديرها شركة القطارات، والتي تقدم فئات متميزة بأسعار مرتفعة. تتطلب تقلبات أعداد الركاب، المتأثرة بعوامل مثل تغييرات الأسعار وجائحة COVID-19، تقنيات تنبؤ فعالة لتعزيز الاستراتيجيات التشغيلية والحفاظ على جودة الخدمة.

تسلط الورقة الضوء على قيود الطرق الإحصائية التقليدية في التعامل مع بيانات السلاسل الزمنية غير الثابتة وغير الخطية، لا سيما في سياق تأثير الجائحة على سلوك السفر. لمعالجة هذه التحديات، تقترح الدراسة استخدام خوارزمية تعزيز التدرج المتطرف (XGBoost)، المعروفة بقدرتها على نمذجة العلاقات المعقدة وتحسين دقة التنبؤ. تهدف الدراسة إلى تطوير نموذج XGBoost محسن للتنبؤ بأعداد الركاب الشهرية على مسار قطار سورابايا-جاكرتا، باستخدام البيانات التاريخية من 2019 إلى 2024. من المتوقع أن تدعم النتائج التخطيط التشغيلي، وتعزز كفاءة الخدمة، وتساهم في النقاش الأكاديمي حول تطبيقات التعلم الآلي في التنبؤ بالنقل.

نقاش

في هذا القسم، يتركز النقاش على تطبيق تقنيات التعلم الجماعي، مع التركيز بشكل خاص على خوارزمية XGBoost لتنبؤ أعداد ركاب القطارات. يتم تصنيف التعلم الجماعي، الذي يجمع بين نماذج متعددة لتعزيز دقة التنبؤ والاستقرار، إلى التجميع، والتعزيز، والتكديس. تعتبر XGBoost، وهي طريقة تعزيز، تصحح بشكل تكراري أخطاء التنبؤ من النماذج السابقة، مما يجعلها فعالة بشكل خاص لمجموعات البيانات التي تحتوي على تقلبات كبيرة وأنماط غير خطية. تقوم الخوارزمية بتحسين دالة خسارة من خلال تطوير النموذج بشكل تدريجي، وهو أمر حاسم لتحسين الدقة مع تقليل الإفراط في التكيف.

تستخدم الدراسة بيانات الركاب التاريخية من يناير 2019 إلى ديسمبر 2024، مع استخدام تقنيات مثل وظيفة الارتباط الذاتي الجزئي (PACF) ونهج النافذة المتحركة لتحديد المتغيرات المدخلة الهامة لنموذج XGBoost. يؤكد اختبار Terasvirta الطبيعة غير الخطية للبيانات، مما يبرر استخدام XGBoost لتنبؤات أكثر موثوقية. تسلط النتائج الضوء على أهمية اختيار ميزات الإدخال المناسبة وضبط المعلمات الفائقة من خلال طرق مثل البحث الشبكي لتعزيز أداء النموذج. بشكل عام، تؤكد الدراسة على فعالية XGBoost في التقاط الأنماط الزمنية المعقدة في بيانات السلاسل الزمنية، مما يوفر إطارًا قويًا لتنبؤ اتجاهات الركاب.

Journal: International Journal of Data and Network Science, Volume: 10, Issue: 3
DOI: https://doi.org/10.5267/j.ijdns.2026.3.007
Publication Date: 2026-01-01
Author(s): Muhammad Ahsan et al.
Primary Topic: Forecasting Techniques and Applications

Overview

This study presents a predictive model for train passenger demand on the Surabaya-Jakarta route, utilizing the Extreme Gradient Boosting (XGBoost) algorithm to address the complexities of non-linear historical data affected by the COVID-19 pandemic. Traditional linear forecasting methods, such as ARIMA, were deemed inadequate due to the data’s non-linear characteristics. The research evaluated two input strategies—Partial Autocorrelation Function (PACF) lag and a sliding window method—finding that the latter, with a window size of 4 months, significantly outperformed the PACF approach, achieving a Mean Absolute Percentage Error (MAPE) of 10.94%. Additionally, the study highlighted the effectiveness of recursive multi-step forecasting over direct forecasting in capturing seasonal patterns and avoiding logical inconsistencies in predictions.

The findings provide a robust framework for railway management to optimize resource allocation, operational scheduling, and capacity planning based on projected passenger volumes, which indicate clear seasonal trends for 2025. The study suggests further exploration of ensemble learning methods, such as bagging with random forests, to enhance predictive accuracy. Additionally, recommendations for the train company include reevaluating ticket pricing and enhancing onboard services to attract more passengers on the Surabaya-Jakarta route.

Introduction

The introduction of the research paper outlines the significance of advanced forecasting methods in the transportation sector, particularly in Indonesia, where economic growth has led to increased public mobility. The study emphasizes the importance of accurately predicting passenger demand for a flagship train service operated by Train Company, which offers premium classes at high prices. Fluctuations in passenger numbers, influenced by factors such as fare changes and the COVID-19 pandemic, necessitate effective forecasting techniques to enhance operational strategies and maintain service quality.

The paper highlights the limitations of traditional statistical methods in handling non-stationary and nonlinear time series data, particularly in the context of the pandemic’s impact on travel behavior. To address these challenges, the study proposes the use of the Extreme Gradient Boosting (XGBoost) algorithm, known for its ability to model complex relationships and improve predictive accuracy. The research aims to develop an optimized XGBoost model to forecast monthly passenger numbers on the Surabaya-Jakarta train route, utilizing historical data from 2019 to 2024. The findings are expected to support operational planning, enhance service efficiency, and contribute to the academic discourse on machine learning applications in transportation forecasting.

Discussion

In this section, the discussion centers on the application of ensemble learning techniques, particularly focusing on the XGBoost algorithm for time series forecasting of train passenger numbers. Ensemble learning, which combines multiple models to enhance predictive accuracy and stability, is categorized into Bagging, Boosting, and Stacking. XGBoost, a boosting method, iteratively corrects prediction errors from previous models, making it particularly effective for datasets with significant fluctuations and non-linear patterns. The algorithm optimizes a loss function through incremental model development, which is crucial for improving accuracy while minimizing overfitting.

The study utilizes historical passenger data from January 2019 to December 2024, employing techniques such as the Partial Autocorrelation Function (PACF) and a sliding window approach to determine significant input variables for the XGBoost model. The Terasvirta test confirms the non-linear nature of the data, justifying the use of XGBoost for more reliable predictions. The findings highlight the importance of selecting appropriate input features and tuning hyperparameters through methods like Grid Search to enhance model performance. Overall, the research underscores the effectiveness of XGBoost in capturing complex temporal patterns in time series data, providing a robust framework for forecasting passenger trends.