350 руб
Журнал «Нелинейный мир» №4 за 2023 г.
Статья в номере:
Совершенствование интеллектуальных методов обработки данных мониторинга элементов транспортной инфраструктуры
Тип статьи: научная статья
DOI: https://doi.org/10.18127/j20700970-202304-02
УДК: 004.8, 519.6
Авторы:

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

Аннотация:

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.

Страницы: 15-23
Для цитирования

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

Список источников
  1. Dulhare U.N., Bin Ahmad K.A., Ahmad K. Machine Learning and Big Data: Concepts, Algorithms, Tools and Applications. Wiley. 2020.
  2. Антамошин А.Н, Близнова О.В., Бобов А.В. Интеллектуальные системы управления организационно-техническими системами. М.: РиС. 2016.
  3. Кужелев П.Д. Принципы управления транспортом мегаполиса // Наука и технологии железных дорог. 2017. № 1(1). С. 27–33.
  4. Дружинина О.В., Масина О.Н. Методы анализа устойчивости динамических ситсем интеллектного управления.
    М.: Изд. группа URSS. 2016.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. 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.
  14. 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.
  15. 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.
  16. Venkatraman A., Hebert M., Bagnell J.A. Improving multi-step prediction of learned time series models // In AAAI, 2015. P. 3024–3030.
Дата поступления: 18.10.2023
Одобрена после рецензирования: 31.10.2023
Принята к публикации: 20.11.2023