М.А. Людаговская1, Е.Д. Ларионова2
1, 2 Российский университет транспорта (Москва, Россия)

1 m.ludagovskaya@gmail.com, 2 Eva.sh.2363@gmail.com

Постановка проблемы. Область применения цифровых технологий на железнодорожном транспорте активно расширяется. При этом возрастает объем диагностической информации, собираемой измерительными устройствами и датчиками для дальнейшей передачи в различные автоматизированные системы управления железнодорожного транспорта. Для обработки больших объемов данных одним из эффективных направлений является привлечение нейросетевых моделей и инструментов, в том числе для решения задач анализа данных вагонов-путеизмерителей и для прогнозирования изменений технического состояния железнодорожного пути. Представляет интерес рассмотреть возможности применения гибридных нейронных сетей для решения задач прогнозирования на транспорте.

Цель. Развить подход к построению и анализу нейросетевых моделей для прогнозирования изменения технического состояния железнодорожного пути с учетом дальнейшей интеграции с автоматизированными системами мониторинга и диагностики верхнего строения пути.

Результаты. Рассмотрены проблемы анализа данных и нейросетевого моделирования в диагностике технического состояния железнодорожного пути. Охарактеризованы возможности применения гибридных нейросетей для оценки и прогнозирования состояния верхнего строения железнодорожного пути. Исследована модель гибридной нейронной сети, объединяющая в себе возможности рекуррентных и сверточных нейронных сетей. Предложены нейросетевые алгоритмы на основе модели с LSTM и на основе сочетания моделей CNN и LSTM. Изучена проблема подготовки данных в случае пограничных значений параметров по отступлениям от нормативов.

Практическая значимость. Результаты работы могут быть использованы при решении задач создания и совершенствования автоматизированных систем управления техническим состоянием транспортных систем, задач нейросетевого моделирования технических систем, в задачах создания инструментального обеспечения систем мониторинга элементов транспортной инфраструктуры.

Людаговская М.А., Ларионова Е.Д. Применение гибридных нейронных сетей для прогнозирования изменения технического состояния железнодорожного пути // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 2. С. 62–68. DOI: https://doi.org/ 10.18127/j19998554-202502-07

1. Dulhare U.N., Bin Ahmad K.A., Ahmad K. Machine learning and big data: Concepts, algorithms, tools and applications. Wiley. 2020.
2. Hoseinzade E., Haratizadeh S. CNNpred: CNN-based stock market prediction using a diverse set of variables // Expert System with Applications. 2019. V. 129. P. 273–285.
3. Платонов Е.Н., Просвирин К.В. Прогнозирование дефектов верхнего строения железнодорожного пути методами машинного обучения // Вестник компьютерных и информационных технологий. 2022. Т. 19. № 2. С. 8–18.
4. Дружинина О.В., Людаговская М.А. Анализ данных и нейросетевое моделирование в диагностике технического состояния железнодорожного пути // Транспорт: наука, техника, управление. 2022. № 6. С. 19–25.
5. Инструкция по текущему содержанию железнодорожного пути, утвержденная распоряжением ОАО «РЖД» от 14.11.2016 № 2288р // Техэксперт [Электронный ресурс] / URL: https://docs.cntd.ru/document/456052478 (дата обращения: 19.11.2024).
6. Людаговская М.А. Алгоритмы анализа временных рядов в системах диагностики и удаленного мониторинга железнодорожного пути // Сб. материалов Всеросс. науч.-практич. конф. аспирантов и молодых ученых, посвященной Дню аспиранта «Научные исследования и разработки молодых ученых». Ульяновск. 2024. С. 52–56.
7. Людаговская М.А. Возможности применения гибридных нейросетей на железнодорожном транспорте // Студенческий вестник: Актуальные вопросы науки и образования. Елец: Изд-во ЕГУ им. И.А. Бунина. 2023. С. 54–57.
8. Mahmoud A.A., Ammar M. Survey on deep learning for time-series forecasting // Machine Learning and Big Data Analytics Paradigms: Analysis, Applications and Challenges. 2021. P. 365–392.
9. Yang B., Sun S., Li J., Lin X., Tian Y. Traffic flow prediction using LSTM with feature enhancement // Neurocomputing. 2019. V. 332. P. 320–327.
10. Корольков Е.П., Дружинина О.В., Ларионова Е.Д. Аналитическое и численное исследование математической модели для контроля ширины рельсовой колеи при отступлениях от нормативных параметров // Транспорт: наука, техника, управление. 2023. № 12. С. 32–37. DOI: 10.36535/0236-1914-2023-12-4.