Концепция пространственно-временной оптимизации транспортно-логистических процессов промышленных предприятий

Обложка

Цитировать

Полный текст

Аннотация

Предложена концепция пространственно-временной оптимизации транспортно-логистических процессов промышленных предприятий на основе комбинирования методов многокритериального анализа, маршрутизации на специализированных графах транспортной инфраструктуры, динамической оптимизации на пространственно-временных графах, имитационного моделирования и графовой нейронной сети. Сочетание методов необходимо для прогнозирования и оптимизации параметров транспортно-логистических процессов в режиме реального времени. Показана возможность использования предлагаемой комбинации методов при формировании оптимальных последовательностей транспортно-логистических процессов и синхронизации оперативного управления элементами транспортно-логистической системы промышленного предприятия. Разработанный подход позволит повысить эффективность транспортно-логистических процессов промышленных предприятий в результате комплексной реализации методов пространственно-временной оптимизации.

Об авторах

П. Н. Мишкуров

Магнитогорский государственный технический университет им. Г. И. Носова

Автор, ответственный за переписку.
Email: p.mishkurov@magtu.ru
кандидат технических наук, доцент, кафедра "Логистика и управление транспортными системами" Магнитогорск

Список литературы

  1. Козлов П. А. Автоматизированное управление процессами в транспортном узле / П. А. Козлов, О. В. Осокин, В. Ю. Пермикин // Вестник Ростовского государственного университета путей сообщения. – 2013. – № 2 (50). – С. 118–122. – ISSN 0201-727Х.
  2. Рахмангулов А. Н. Железнодорожные транспортно-технологические системы: организация функционирования / А. Н. Рахмангулов, О. А. Копылова, П. Н. Мишкуров. – Магнитогорск: Магнитогорский государственный технический университет им. Г. И. Носова, 2014. – 300 с. – ISBN 978-5-9967-0458-0.
  3. Методы гибридной технологии имитационного моделирования при выборе вариантов реконструктивных мероприятий по развитию железнодорожных направлений и крупных узлов / А. Ф. Бородин, А. А. Кравченко, К. Ю. Николаев [и др.] // Управление развитием крупномасштабных систем (MLSD'2021): труды Четырнадцатой международной конференции. – Москва, 2021. – С. 963–971. – doi: 10.25728/4783.2021.67.10.001.
  4. Транспортно-логистические системы в условиях системных изменений в экономике / Э. А. Мамаев, А. Н. Гуда, В. А. Финоченко, К. А. Годованый // Вестник Ростовского государственного университета путей сообщения. – 2022. – № 2 (86). – С. 145–154. – doi: 10.46973/0201-727X_2022_2_145.
  5. Keita K. A three-step Benders decomposition for the real-time Railway Traffic Management Problem / K. Keita, P. Pellegrini, J. Rodriguez // Journal of Rail Transport Planning & Management. – 2020. – Vol. 13. – Article no. 100170. – ISSN 2210-9706.
  6. Design of an ITS for Industrial Enterprises / A. Rakhmangulov, A. Sładkowski, N. Osintsev // Studies in Systems, Decision and Control. – 2016. – Vol. 32. – P. 161–215. – doi: 10.1007/978-3-319-19150-8_6.
  7. Industry 4.0 technologies applied to the rail transportation industry: A systematic review / C. Laiton-Bonadiez, J. W. Branch-Bedoya, J. Zapata-Cortes [et al.] // Sensors (Basel, Switzerland). – 2022. – Vol. 22, No. 7. – P. 2491. – ISSN 1424-8220.
  8. An overview of current challenges and emerging technologies to facilitate increased energy efficiency, safety, and sustainability of railway transport / Z. Kljaić, D. Pavković, M. Cipek [et al.] // Future Internet. – 2023. – Vol. 15, No. 11. – P. 347. – ISSN 1999-5903.
  9. Spatio-temporal graph neural networks for predictive learning in urban computing: A survey / G. Jin, Y. Liang, Y. Fang [et al.] // IEEE Transactions on Knowledge and Data Engineering. – 2023. – Vol. 36, No. 10. – P. 5388–5408. – ISSN 1041–4347.
  10. The application of Industry 4.0 technologies in sustainable logistics: a systematic literature review (2012–2020) to explore future research opportunities / X. Sun, H. Yu, W. D. Solvang [et al.] // Environmental Science and Pollution Research International. – 2022. – Vol. 29, No. 7. – P. 9560–9591. – ISSN 0944-1344.
  11. Anda C. Transport modelling in the age of big data / Cuauhtemoc Anda, Alexander Erath, Pieter Jacobus Fourie // International Journal of Urban Sciences. – 2017. – Vol. 21, No. S1. – P. 19–42. – doi: 10.1080/12265934.2017.1281150.
  12. Инновационные процессы логистического менеджмента в интеллектуальных транспортных системах: монография. В 4 т. Т. 4 / Л. А. Андреева, В. В. Багинова, А. С. Балалаев [и др.]. – Москва: Учебно-методический центр по образованию на железнодорожном транспорте, 2015. – 499 с. – ISBN 978-5-89035-870-7.
  13. Adamko N. Agent based simulation of transportation logistic systems / N. Adamko, A. Kavicka, V. Klima // DAAAM International Scientific Book 2007, chapter 36 / B. Katalinic (ed.). – Vienna, Austria: DAAAM International Publishing, 2007. – P. 407–422. – doi: 10.2507/daaam.scibook.2007.36.
  14. Имитационные модели в цифровых двойниках железнодорожных узлов / А. Н. Рахмангулов, С. Н. Корнилов, П. Н. Мишкуров, Д. В. Александрин // Вестник Уральского государственного университета путей сообщения. – 2022. – № 3 (55). – С. 43–59. – doi: 10.20291/2079-0392-2022-3-43-59.
  15. Ерофеев А. А. Прогнозирование продолжительности выполнения технологических операций в интеллектуальной системе управления перевозочным процессом / А. А. Ерофеев, С. Ю. Чапский // Вестник Белорусского государственного университета транспорта: Наука и транспорт. – 2022. – № 1 (44). – С. 52–56. – ISSN 2227-1120.
  16. Осокин О. В. Интеллектуальное сопровождение производственных процессов на железнодорожном транспорте / О. В. Осокин // Транспорт Урала. – 2013. – № 4. – С. 3–7. – ISSN 1815-9400.
  17. Козлов П. А. О построении интеллектуальных систем управления железнодорожными станциями / П. А. Козлов, С. П. Вакуленко, В. С. Колокольников // Наука и техника транспорта. – 2019. – № 2. – С. 70–76. – ISSN 2074-9325.
  18. Performance evaluation of a parallel ant colony optimization for the real-time train routing selection problem in large instances / B. Pascariu, M. Samà, P. Pellegrini [et al.] // European Conference on Evolutionary Computation in Combinatorial Optimization (Part of EvoStar). – Cham: Springer International Publishing, 2022. – P. 46–61. – doi: 10.1007/978-3-031-04148-8_4.
  19. Осьминин А. Т. О разработке интеллектуальной системы управления перевозочным процессом / А. Т. Осьминин // Железнодорожный транспорт. – 2021. – № 3. – С. 17–27. – ISSN 0044-4448.
  20. Интеллектуализация транспортного обслуживания металлургических предприятий / А. Н. Рахмангулов, Н. А. Осинцев, П. Н. Мишкуров, О. А. Копылова // Сталь. – 2014. – № 4. – С. 115–118. – doi: 10.6084/m9.figshare.14134226.v1.
  21. Карелин В. П. Модели и методы теории графов в системах поддержки принятия решений / В. П. Карелин // Вестник Таганрогского института управления и экономики. – 2014. – № 2 (20). – С. 69–73. – ISSN 2071-9604.
  22. Rakhmangulov A. Spatio-temporal graphs in transportation: challenges, optimization, and prospects / A. Rakhmangulov, N. Osintsev, P. Mishkurov // Systems. – 2025. – Vol. 13, No. 4. – P. 263. – doi: 10.3390/systems13040263.
  23. Ahuja R. Network flows: theory, algorithms, and applications / R. Ahuja, T. Magnanti, J. Orlin // Prentice-Hall, Upper Saddle River, 1993. – 840 p. – ISBN 0-13-617549-X.
  24. El-Sherbeny N. A. The algorithm of the time-dependent shortest path problem with time windows / N. A. El-Sherbeny // Applied Mathematics. – 2014. – No. 5 (17). – P. 2764–2770. – doi: 10.4236/am.2014.517264.
  25. Мишкуров П. Н. Методика формирования транспортной сети железнодорожной станции / П. Н. Мишкуров, А. Н. Рахмангулов, О. В. Фридрихсон // Вестник Уральского государственного университета путей сообщения. – 2021. – № 3 (51). – С. 50–64. – doi: 10.20291/2079-0392-2021-3-50-64.
  26. Völz W. D. Ermittlung der Leistungsfähigkeit von Knotenpunkten spurgeführter Verkehrssysteme mittels Graphentheorie / W. D. Völz // Vorträge der Jahrestagung 1977 / Papers of the Annual Meeting 1977 DGOR. Physica-Verlag HD, 1978. – P. 440–449.
  27. Montigel M. Formal representation of track topologies by double vertex graphs / M. Montigel // Computers in Railways III: Proceedings of the Third International Conference on Computer Aided Design, Manufacture, and Operation in the Railway and Other Advanced Mass Transit Systems (Comprail 92) / edited by T. K. Murthy. – Washington, DC, U.S.A.: WIT Press, 1992. – P. 359–370.
  28. A multi scalable model based on a connexity graph representation / L. Gély, G. Dessagne, P. Pesneau, F. Vanderbeck // COMPRAIL 2010 / edited by B. Ning, C. A. Brebbia: WIT Transactions on The Built Environment. – Beijing, China: WIT Press Southampton, UK, 2010. – P. 193–204. – doi: 10.2495/CR100191.
  29. An improved multi-objective quantum-behaved particle swarm optimization for railway freight transportation routing design / Q. Zhang, S. Liu, D. Gong, H. Zhang // IEEE Access. – 2019. – Vol. 7. – P. 157353–157362. – doi: 10.1109/ACCESS.2019.2948197.
  30. Осинцев Н. А. Мультикритериальные методы принятия решений на транспорте и в логистике / Н. А. Осинцев // Транспорт Урала. – 2021. – № 4 (71). – С. 3–17. – doi: 10.20291/1815-9400-2021-4-3-17.
  31. Козлов П. А. Метод динамического согласования производства и транспорта / П. А. Козлов, С. П. Миловидов // Сборник трудов Института комплексных транспортных проблем. Вып. 105. – Москва, 1985. – С. 156–163.
  32. Мишкуров П. Н. Динамическая оптимизация вагонопотоков / П. Н. Мишкуров, А. Н. Рахмангулов. – Москва: Русайнс, 2017. – 110 с. – ISBN 978-5-4365-1820-6.
  33. Нейро-нечеткое моделирование транспортно-логистических процессов / О. Н. Числов, Н. Н. Лябах, М. В. Бакалов [и др.] // Транспорт: наука, техника, управление. Научный информационный сборник. – 2022. – № 10. – С. 23–27. – doi: 10.36535/0236-1914-2022-10-4.
  34. Zhao S. An attention and wavelet based spatial-temporal graph neural network for traffic flow and speed prediction / S. Zhao, S. Xing, G. Mao // Mathematics. – 2022. – No. 19 (10). – P. 3507. – doi: 10.3390/math10193507.
  35. Jiang W. Graph Neural Network for traffic forecasting: A survey / W. Jiang, J. Luo // Expert Systems with Applications. – 2022. – No. 207. – P. 117921. – ISSN 0957-4174.
  36. Мишкуров П. Н. Метод представления управленческих решений в имитационных моделях железнодорожных станций / П. Н. Мишкуров, А. Н. Рахмангулов // Исследование и развитие рельсового и автомобильного транспорта: сборник трудов Международной научно-практической конференции, Екатеринбург, 22–23 мая 2024 г. – Екатеринбург: Уральский государственный университет путей сообщения, 2024. – С. 197–201.
  37. Tominac P. A. Spatio-temporal economic properties of multi-product supply chains / P. A. Tominac, W. Zhang, V. M. Zavala // Computers & Chemical Engineering. – 2022. – Vol. 159. – Article no. 107666. – doi: 10.48550/arXiv.2106.13836.
  38. Jiang W. Graph neural network for traffic forecasting: A survey / W. Jiang, J. Luo // Expert Systems with Applications. – 2022. – No. 207. – Article no. 117921. – doi: 10.48550/arXiv.2101.11174.
  39. Multi-View Multi-Attention Graph Neural Network for Traffic Flow Forecasting / F. Wu, C. Zheng, C. Zhang [et al.] // Applied Sciences. – 2023. – No. 2 (13). – P. 711. – doi: 10.3390/app13020711.
  40. Трофимов С. В. Научно-методические основы функционирования и развития промышленных транспортных систем: диссертация на соискание ученой степени доктора технических наук: 05.22.01 / Трофимов Сергей Владимирович. – Москва, 2004. – 245 с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Мишкуров П.Н., 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

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».