مواعيد القطارات

استعلم عن مواعيد القطارات اليوم في جميع محطات مصر بسهولة

منهجية البيانات

المنهج العلمي في جمع ومعالجة البيانات

في قطارات مصر، نتبع منهجاً علمياً صارماً في جمع ومعالجة وتحليل بيانات السكك الحديدية المصرية. هذه الوثيقة توضح بالتفصيل الطرق والتقنيات والخوارزميات التي نستخدمها لضمان أعلى مستوى من الدقة والموثوقية.

1. إطار العمل المنهجي

النهج العام

المبادئ الأساسية

2. مصادر البيانات والتحقق

التسلسل الهرمي للمصادر

عملية التحقق من المصادر

1. فحص صحة المصدر
   ├── هل المصدر رسمي؟
   ├── ما مستوى موثوقيته؟
   └── متى آخر تحديث؟

2. تحليل البيانات الواردة
   ├── هل البيانات منطقية؟
   ├── هل تتطابق مع الأنماط المعتادة؟
   └── هل توجد قيم شاذة؟

3. التحقق المتقاطع
   ├── مقارنة مع مصادر أخرى
   ├── فحص التناسق التاريخي
   └── التحقق من السياق العام

3. خوارزميات معالجة البيانات

خوارزمية تنظيف البيانات

def remove_duplicates(train_data):
    unique_trains = {}
    for train in train_data:
        key = f"{train.number}_{train.date}_{train.route}"
        if key not in unique_trains:
            unique_trains[key] = train
        else:
            if train.last_updated > unique_trains[key].last_updated:
                unique_trains[key] = train
    return list(unique_trains.values())

خوارزمية كشف القيم الشاذة

def detect_schedule_anomalies(train_schedule):
    anomalies = []
    for i in range(len(train_schedule.stops) - 1):
        distance = calculate_distance(
            train_schedule.stops[i], 
            train_schedule.stops[i+1]
        )
        time_diff = train_schedule.stops[i+1].time - train_schedule.stops[i].time
        speed = distance / time_diff.hours
        if speed > 200 or speed < 10:
            anomalies.append({
                'type': 'unrealistic_speed',
                'calculated_speed': speed,
                'segment': f"{train_schedule.stops[i].name} - {train_schedule.stops[i+1].name}"
            })
    return anomalies

خوارزمية التنبؤ بالتأخير

from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

def train_delay_prediction_model(historical_data):
    features = extract_features(historical_data)
    delays = extract_delays(historical_data)
    X_train, X_test, y_train, y_test = train_test_split(
        features, delays, test_size=0.2, random_state=42
    )
    model = RandomForestRegressor(
        n_estimators=100,
        max_depth=10,
        random_state=42
    )
    model.fit(X_train, y_train)
    accuracy = model.score(X_test, y_test)
    return model, accuracy

دقة النموذج الحالية: 87.3% للتنبؤ بالتأخير خلال ±10 دقائق

4. عمليات التحقق والتحليل

def calculate_daily_accuracy_metrics(actual_times, predicted_times):
    mae = mean_absolute_error(actual_times, predicted_times)
    rmse = sqrt(mean_squared_error(actual_times, predicted_times))
    accuracy_5min = sum(
        abs(actual - predicted) <= 5 
        for actual, predicted in zip(actual_times, predicted_times)
    ) / len(actual_times) * 100
    return {
        'mae': mae,
        'rmse': rmse,
        'accuracy_5min': accuracy_5min
    }

5. تقنيات معالجة البيانات الكبيرة

6. ضمان الجودة والاختبارات

def test_distance_calculation():
    cairo_coords = (30.0626, 31.2497)
    alexandria_coords = (31.2001, 29.9187)
    calculated_distance = calculate_distance(cairo_coords, alexandria_coords)
    expected_distance = 208.5
    assert abs(calculated_distance - expected_distance) <= 5

7. التحسين المستمر والتطوير

آخر تحديث: يونيو 2025
الإصدار: 2.1
المراجعة القادمة: ديسمبر 2025
لأي استفسار تقني حول المنهجية، يُرجى التواصل معنا على: methodology@egypttrains.com