Исследование комплексных подходов к цифровизации транспортных систем с применением методов искусственного интеллекта

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. Требуется перейти от «точечных» решений к комплексной цифровизации транспортных систем, объединяющей инфраструктурный мониторинг покрытия, оперативное управление движением и стратегическое планирование. Для этого целесообразно интегрировать машинное обучение (прогнозы), генетические алгоритмы (оптимизация) и мультиагентное моделирование (проверка устойчивости).

Цель – оценить эффект такой интеграции по совокупности метрик (задержки, издержки, риск, прибыль, сервис) и интегральной функции F.

Материалы и методы. Инфраструктурный уровень: компьютерное зрение (YOLO), mAP≈0.84; прогноз дефектообразования (XGBoost), ошибка ≤12%. Оперативный уровень: краткосрочные прогнозы интенсивности (LSTM/XGBoost, RMSE 8–10%) и оптимизация фаз светофоров генетическим алгоритмом. Стратегический уровень: прогноз спроса и тарифов, оптимизационные сценарии. Устойчивость решений проверялась в мультиагентной имитации; сравнение велось с базовыми («как есть») сценариями.

Результаты. Суммарные задержки снижены на 37%, совокупные логистические издержки – на 12%, прибыльность выросла на 10–11%; при росте спроса на 20% выполнено >90% доставок в SLA. Интегральная функция

F улучшилась на 22-24%. Показана робастность планов и чувствительность к весам критериев.

Об авторах

Александр Александрович Подберёзкин

ФГБОУ ВО «Московский автомобильно-дорожный государственный технический университет»

Автор, ответственный за переписку.
Email: a.podberezkin@gmail.com

старший преподаватель кафедры «Автоматизированные системы управления»

 

Россия, Ленинградский проспект, 64, г. Москва, 125319, Российская Федерация

Андрей Владимирович Остроух

ФГБОУ ВО «Московский автомобильно-дорожный государственный технический университет»

Email: ostroukh@mail.ru

доктор технических наук, профессор, профессор кафедры «Автоматизированные системы управления»

 

Россия, Ленинградский проспект, 64, г. Москва, 125319, Российская Федерация

Александр Михайлович Борзенков

ФГБОУ ВО «Московский автомобильно-дорожный государственный технический университет»

Email: borzenkov03h@mail.ru

студент, магистрант кафедры «Автоматизированные системы управления»

 

Россия, Ленинградский проспект, 64, г. Москва, 125319, Российская Федерация

Артём Михайлович Шмонин

ФГБОУ ВО «Московский автомобильно-дорожный государственный технический университет»

Email: shmoninam@mail.ru

студент кафедры «Автоматизированные системы управления»

 

Россия, Ленинградский проспект, 64, г. Москва, 125319, Российская Федерация

Цезарь Борисович Пронин

ФГБОУ ВО «Московский автомобильно-дорожный государственный технический университет»

Email: caesarpr12@gmail.com

старший преподаватель кафедры «Автоматизированные системы управления»

 

Россия, Ленинградский проспект, 64, г. Москва, 125319, Российская Федерация

Список литературы

  1. Министерство внутренних дел Российской Федерации [МВД России]. Аналитические обзоры состояния безопасности дорожного движения. Получено с https://нцбдд.мвд.рф/ресурсы/аналитические-обзоры-состояния-безопасно (дата обращения: 20.07.2025).
  2. Росстандарт. (2017). ГОСТ Р 50597-2017. Автомобильные дороги и улицы. Требования к эксплуатационному состоянию. Москва: Стандартинформ. 21 с.
  3. Министерство регионального развития Российской Федерации [Минрегион России]. (2012). СП 78.13330.2012. Автомобильные дороги. Актуализированная редакция СНиП 2.05.02-85. Москва. 89 с.
  4. Akopov, A. S. (2025). MBHGA: A matrix-based hybrid genetic algorithm for solving an agent-based model of controlled trade interactions. IEEE Access, 13, 26843–26863. https://doi.org/10.1109/ACCESS.2025.3539460. EDN: https://elibrary.ru/NPLKCJ
  5. Borzenkov, A. M., Ostroukh, A. V., Pronin, C. B., Podberezkin, A. A., & Kuftinova, N. G. (2024). Multi-criteria analysis of genetic algorithm applications in transportation logistics. В 2024 Intelligent Technologies and Electronic Devices in Vehicle and Road Transport Complex (TIRVED) (с. 1–4). Moscow. https://doi.org/10.1109/TIRVED63561.2024.10769798
  6. Ceylan, H., & Bell, M. G. H. (2018). Traffic signal timing optimization based on genetic algorithm approach, including driver’s route choice. Transportation Research Part B: Methodological, 114, 25–41. https://doi.org/10.1016/j.trb.2018.05.009
  7. World Health Organization [WHO]. (2023). Global status report on road safety 2023. Geneva. 232 p. Получено с https://www.who.int/publications/i/item/9789241565684 (дата обращения: 05.07.2025).
  8. Hauer, E. (2004). The harm done by tests of significance. Accident Analysis & Prevention, 36(3), 495–500. https://doi.org/10.1016/S0001-4575(03)00036-8. Получено с https://www.sciencedirect.com/science/article/abs/pii/S0001457503000368 (дата обращения: 05.08.2025).
  9. Kiselev, S. A., Podberezkin, A. A., Borzenkov, A. M., Ostroukh, A. V., & Pronin, C. B. (2025). Dynamic pricing in air cargo: Machine learning and genetic algorithm-based optimization. В 2025 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF) (с. 1–5). St. Petersburg, Russian Federation. https://doi.org/10.1109/WECONF65186.2025.11017136
  10. Mansurova, M. et al. (2024). Multi-level intelligent control system for inter-vehicle communication between smart traffic lights with computer vision and autonomous electric vehicles. В 2024 International Symposium on Sensing and Instrumentation in 5G and IoT Era (ISSI) (с. 1–6). Lagoa, Portugal. https://doi.org/10.1109/ISSI63632.2024.10720507
  11. Ostroukh, A., Kuftinova, N., Borzenkov, A., Podberezkin, A., & Ostroukh, I. (2024). Research on using deep learning for transport demand prediction. В 2024 Intelligent Technologies and Electronic Devices in Vehicle and Road Transport Complex (TIRVED) (с. 1–5). Moscow. https://doi.org/10.1109/TIRVED63561.2024.10769599
  12. Puscar, F. M. (2017). Safety diagnosis of vehicle-bicycle interactions using computer vision systems: A case study in Vancouver, B.C. (Магистерская диссертация). University of British Columbia, Vancouver, BC, Canada. https://doi.org/10.14288/1.0343989. Получено с https://open.library.ubc.ca/soa/cIRcle/collections/ubctheses/24/items/1.0343989 (дата обращения: 06.08.2025).
  13. Radeev, N., & Vinogradova, K. (2025). Semi-automated framework for feature engineering in machine learning and data analysis. В 2025 IEEE 26th International Conference of Young Professionals in Electron Devices and Materials (EDM) (с. 1520–1525). Altai, Russian Federation. https://doi.org/10.1109/EDM65517.2025.11096892
  14. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. В 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (с. 779–788). Las Vegas, NV, USA. https://doi.org/10.1109/CVPR.2016.91
  15. St-Aubin, P., Saunier, N., & Miranda-Moreno, L. (2017). Large-scale automated proactive road safety analysis using video data. University of British Columbia. https://doi.org/10.1016/j.trc.2015.04.007. Получено с https://www.researchgate.net/publication/275412773_Large-scale_automated_proactive_road_safety_analysis_using_video_data (дата обращения: 06.08.2025).
  16. Yan, S., Fu, Y., Zhang, W., Yang, W., Yu, R., & Zhang, F. (2023). Multi-target instance segmentation and tracking using YOLOv8 and BoT-SORT for video SAR. В 2023 5th International Conference on Electronic Engineering and Informatics (EEI) (с. 506–510). Wuhan, China. https://doi.org/10.1109/EEI59236.2023.10212903
  17. Zhang, Z., Zhu, H., Zhang, W., Cai, Z., Zhu, L., & Li, Z. (2023). Multi-objective optimization of traffic signal timing at typical junctions based on genetic algorithms. Computer Systems Science and Engineering, 47, 1901–1917. https://doi.org/10.32604/csse.2023.039395. EDN: https://elibrary.ru/FPUNQR

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Подберёзкин А.А., Остроух А.В., Борзенков А.М., Шмонин А.М., Пронин Ц.Б., 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 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».