Data Preparation Issues for Training Neural Networks to Analyze and Forecast Maritime Transport Tariffs
Abstract
The article addresses challenges in preparing training datasets for a neural network analyzing maritime freight tariffs for standard containers between ports in China and Russia’s Primorsky Krai. The model aims to predict tariff changes with acceptable accuracy in the future.
About the Authors
A. O. Barannikova
Admiral G. I. Nevelskoy Maritime State University
Russian Federation
Russian Federation
Anastasia O. Barannikova, Candidate of Historical Sciences, Researcher, Scientific Laboratory of Spatial Logistics.
A. K. Voronenko
Admiral G. I. Nevelskoy Maritime State University
Russian Federation
Russian Federation
Anna K. Voronenko, Expert, Scientific Laboratory of Spatial Logistics.
References
1. Иващенко М. Г., Нестеренков С. Н., Ситников А. В. Эффективное использование нейронных сетей в решении задач автоматизации в логистике // BIG DATA и анализ высокого уровня: сборник научных статей X Международной научно-практической конференции в двух частях, 13 марта 2024 г., Минск. Минск: Белорусский государственный университет информатики и радиоэлектроники, 2024. С. 368–372. EDN: MQURLR.
2. Ли Ш., Сюе В. Особенности применения современных цифровых технологий для оптимизации логистических // Russian Economic Bulletin. 2024. Т. 7. № 4. С. 119–126. DOI: 10.58224/2658-5286-2024-7-4-119-126. EDN: QWWTFJ.
3. Дмитриев А. В. Цифровизация транспортно-логистических услуг на основе применения технологии дополненной реальности // Вестник ЮУрГУ. Серия: Экономика и менеджмент. 2018. № 2. URL: https://cyberleninka.ru/article/n/tsifrovizatsiya-transportnologisticheskih-uslug-na-osnoveprimeneniya-tehnologii-dopolnennoyrealnosti (дата обращения: 30.11.2024).
4. Баранникова А. О., Вороненко А. К., Смирнов С. М. О некоторых аспектах применения технологий Индустрии 4.0 в морских портах // Транспортное дело России. 2024. № 2. С. 122–126. EDN: DFLKEM.
5. Астраханцева И. А., Кутузова А. С., Астраханцев Р. Г. Рекуррентные нейронные сети для прогнозирования региональной инфляции // Научные труды Вольного экономического общества России. 2020. № 3. URL: https://cyberleninka.ru/article/n/rekurrentnye-neyronnye-seti-dlyaprognozirovaniya-regionalnoy-inflyatsii (дата обращения: 01.12.2024).
6. Афанасьев С., Смирнова А., Ахметсафин И., Молоканов И. LGD-модели для розничного кредитования. Часть 2: разработка «ядра» модели // Риск-менеджмент в кредитной организации. 2021. № 4.
7. Качановский Ю. П., Коротков Е. А. Предобработка данных для обучения нейронной сети // Фундаментальные исследования. 2011. № 12–1. С. 117–120. EDN: OFYRIV.
8. Жанаева С. Б. К вопросу о подготовке данных при разработке модели нейронной сети // Вестник СибГУТ И. 2022. Т. 16. № 4. С. 69–79. DOI: 10.55648/1998-6920-2022-16-4-69-79. EDN: DJHMSW.
9. Маслов И. А. Оптическое распознавание символов в информационных системах и проблемы внедрения // E-Scio. 2023. № 3 (78). URL: https://cyberleninka.ru/article/n/opticheskoe-raspoznavanie-simvolovv-informatsionnyh-sistemah-iproblemy-vnedreniya (дата обращения: 29.11.2024).
Review
For citations:
Barannikova A.O., Voronenko A.K. Data Preparation Issues for Training Neural Networks to Analyze and Forecast Maritime Transport Tariffs. Transport of the Russian Federation. 2025;(3):26-30. (In Russ.)
Views:
12
Email this article 