М.А. Людаговская1, Н.С. Антонов2, М.А. Кабанов3, С.В. Черномордов4
1 Российский университет транспорта (Москва, Россия)
2-4 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)
1 m.ludagovskaya@gmail.com; 2 nikolayantonov888@yandex.ru; 3 nicsor2010@yandex.ru; 4 chernomor96@list.ru
Постановка проблемы. Анализ перспектив применения интеллектуальных методов обработки данных мониторинга транспортных систем, развитие методов нейросетевого моделирования и машинного обучения для автоматизированных средств мониторинга являются актуальными задачами. В статье рассмотрено совершенствование нейросетевых методов обработки данных технического состояния элементов транспортной инфраструктуры и использование технологий искусственного интеллекта в разработке и внедрении средств мониторинга.
Цель. Предложить подход к совершенствованию интеллектуальных методов обработки данных мониторинга элементов транспортной инфраструктуры на основе нейросетевого моделирования и машинного обучения, разработать структуру интеллектуальной системы мониторинга, а также проанализировать возможности применения гибридных нейросетей.
Результаты. Рассмотрены аспекты разработки и совершенствования интеллектуальной системы мониторинга транспортно-пересадочного узла в рамках функционирования систем управления безопасностью и управления пассажиропотоками. Предложено описание структуры указанной интеллектуальной системы, представлены особенности блока обеспечения интеллектуального анализа данных и моделирования, описан нейросетевой подход к анализу данных. Показан подход к интеллектуальному анализу данных в автоматизированных системах диспетчерского управления на основе применения алгоритма кластеризации данных с учетом экспертных знаний. Охарактеризованы возможности применения гибридных нейросетей для оценки состояния верхнего строения железнодорожного пути. Приведена модель гибридной нейронной сети с экспоненциальным сглаживанием, объединяющая в себе возможности рекуррентных и сверточных нейронных сетей.
Практическая значимость. Результаты исследования могут найти применение в задачах компьютерного моделирования технических систем, в задачах создания инструментального обеспечения систем мониторинга элементов транспортной инфраструктуры, а также в задачах, связанных с применением нейросетевых алгоритмов и машинного обучения.
Людаговская М.А., Антонов Н.А., Кабанов М.А., Черномордов С.В. Совершенствование интеллектуальных методов обработки данных мониторинга элементов транспортной инфраструктуры // Нелинейный мир. 2023. Т. 21. №4.С. 15-23. DOI: https://doi.org/10.18127/j20700970-202304-02
- Dulhare U.N., Bin Ahmad K.A., Ahmad K. Machine Learning and Big Data: Concepts, Algorithms, Tools and Applications. Wiley. 2020.
- Антамошин А.Н, Близнова О.В., Бобов А.В. Интеллектуальные системы управления организационно-техническими системами. М.: РиС. 2016.
- Кужелев П.Д. Принципы управления транспортом мегаполиса // Наука и технологии железных дорог. 2017. № 1(1). С. 27–33.
- Дружинина О.В., Масина О.Н. Методы анализа устойчивости динамических ситсем интеллектного управления.
М.: Изд. группа URSS. 2016. - Баймульдин М.К., Яворский В.В., Кочеткова Л.И. Совершенствование диспетчерского управления на городском пассажирском транспорте с использованием автоматизированных информационных систем // Международный журнал прикладных и фундаментальных исследований. 2015. № 2. С. 214–216.
- Мороз Д.Г., Титова С.С., Коротаев А.С. Особенности планирования и организации транспортно-пересадочных узлов // Наука, техника и образование. 2017. №2(32). С. 39–42.
- Баранов Л.А., Сидоренко В.Г., Логинова Л.Н. Подходы к моделированию пассажиропотоков в рамках функционирования интеллектуальной системы управления городскими рельсовыми транспортными системами // Автоматика на транспорте. 2021. № 4. C. 539–564.
- 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.
- Никитин А.Б., Королев М.Ю. Реализация комплексной автоматизированной системы диспетчерского управления линией метрополитена // Наука и транспорт. Метрополитены будущего. Приложение. к журналу «Транспорт Российской Федерации». 2010. С. 39–41.
- Лазарев В.А., Лазарев А.А., Лазарева Н.В. Обработка данных архивов комплексной автоматизированной системы диспетчерского управления // Проблемы безопасности и надежности микропроцессорных комплексов. 2015. № 1. C. 66–69.
- Дружинина О.В., Корепанов Э.Р., Петров А.А., Макаренкова И.В., Максимова В.В. Построение модели генерации данных для решения задач классификации в диагностике неисправностей транспортных систем // Нелинейный мир. 2023. Т. 21. № 3. С. 16–26. DOI: https://doi.org/10.18127/j20700970-202303-02.
- Druzhinina О.V., Masina O.N., Petrov А.А. Up-to-date software and methodological support for studying models of controlled dynamic systems using artificial intelligence // Lecture Notes in Networks and Systems (LNNS). Springer, 2021. V. 228. P. 670–681.
- Белоусов В.В., Дружинина О.В., Корепанов Э.Р., Макаренкова И.В., Максимова В.В. Применение нейронных сетей для решения задач классификации при выявлении неисправностей транспортных систем // Нейрокомпьютеры: разработка, применение. 2022. Т. 24. № 4. С. 18–27. DOI: https://doi.org/10.18127/j19998554-202204-02.
- Hoseinzade E., Haratizadeh S. CNNpred: CNN-based stock market prediction using a diverse set of variables // Expert Syst Appl. 2019. V. 129. P. 273–285.
- 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.
- Venkatraman A., Hebert M., Bagnell J.A. Improving multi-step prediction of learned time series models // In AAAI, 2015. P. 3024–3030.