А.Д. Совастюк1, А.В. Катков2

1,2 ОАО «АГАТ-системы управления» – управляющая компания холдинга «Геоинформационные системы управления» (Минск, Республика Беларусь)

1sovastyuk-ad@agat.by, 2katkov@agat.by

Постановка проблемы. Рост интенсивности транспортных потоков и увеличение сложности городской транспортной инфраструктуры снижают эффективность традиционных методов управления дорожным движением. В этих условиях особую актуальность приобретает внедрение методов искусственного интеллекта в интеллектуальные транспортные системы для повышения качества анализа транспортной обстановки и поддержки принятия управленческих решений.

Цель. Рассмотреть развитие существующих интеллектуальных транспортных систем, провести анализ современных направлений применения искусственного интеллекта в управлении дорожным движением и определить перспективные задачи прогнозирования дорожной обстановки и моделирования транспортных потоков.

Результаты. Рассмотрены предпосылки внедрения искусственного интеллекта в транспортную отрасль. Описан современный этап развития интеллектуальных транспортных систем. Выполнен сравнительный анализ существующих решений в области управления дорожным движением. Выделены основные направления применения искусственного интеллекта, связанные с прогнозированием параметров транспортных потоков и моделированием дорожной обстановки. Показаны возможности использования рекуррентных и графовых нейронных сетей для прогнозирования транспортной ситуации и имитационного моделирования для анализа последствий различных сценариев функционирования транспортной сети.

Практическая значимость. Результаты работы могут быть использованы при разработке и совершенствовании интеллектуальных транспортных систем, ориентированных на прогнозирование дорожной обстановки, оценку последствий нештатных ситуаций и повышение эффективности управления транспортными потоками.

Совастюк А.Д., Катков А.В. Применение искусственного интеллекта в дорожном движении // Информационно-измерительные и управляющие системы. 2026. Т. 24. № 4. С. 50−56. DOI: https://doi.org/10.18127/j20700814-202604-06

1. Meyer M.D., Miller E.J. Urban transportation planning: a decision-oriented approach. New York: McGraw-Hill. 2001.
2. Ortúzar J.D., Willumsen L.G. Modelling transport. Chichester: Wiley. 2011.
3. McNally M.G. The four-step model // Handbook of transport modelling. Oxford: Elsevier. 2000. P. 35−53.
4. Box G.E.P., Jenkins G.M., Reinsel G.C. Time series analysis: forecasting and control. Hoboken: Wiley. 2015.
5. Ahmed M.S., Cook A.R. Analysis of Freeway Traffic Time-Series Data by Using Box-Jenkins Techniques // Transportation Research Record. 1979. № 722. P. 1−9.
6. World urbanization prospects. New York: United Nations. 2018.
7. Баранов А.В., Гусев С.А. Интеллектуальные транспортные системы: анализ и перспективы развития // Информационные технологии и вычислительные системы. 2019. № 3. С. 45−58.
8. Афанасьев А.А., Лебедев И.С. Применение методов искусственного интеллекта в транспортных системах // Транспорт Российской Федерации. 2021. № 2. С. 33−41.
9. Ковалев В.В., Синицын И.Н. Моделирование транспортных потоков в городских сетях // Вестник МАДИ. 2020. № 4. С. 15−27.
10. Intelligent transport systems. eSafety. Pan-European eCall operating requirements: BS EN 16072:2025. London: British Standards Institution. 2025. 34 p.
11. 511: America’s Traveler Information Telephone Number. Washington. D.C.: U.S. Department of Transportation.
    https://www.fhwa.dot.gov/trafficinfo/511what.htm (15.06.2026).
12. TMC Location Codes (road traffic) // Open Transport Data Switzerland. https://opentransportdata.swiss/en/cookbook/road-traffic-cookbook/tmc-location-codes-strassenverkehr/ (15.06.2026).
13. Hunt P.B., Robertson D.I., Bretherton R.D., Winton R.I. SCOOT – A Traffic Responsive Method of Coordinating Signals. Crowthorne: Transport and Road Research Laboratory. 1981. 198 p.
14. Lowrie P.R. SCATS: Sydney Coordinated Adaptive Traffic System – A traffic responsive method of controlling urban traffic. Sydney: Roads and Traffic Authority of New South Wales. 1982. 160 p.
15. Государственное казенное учреждение города Москвы «Центр организации дорожного движения». Интеллектуальная транспортная система города Москвы. М.: ЦОДД. https://transport.mos.ru/ (15.06.2026).
16. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. V. 9. № 8. P. 1735−1780.
17. Li Y., Yu R., Shahabi C., Liu Y. Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting // International Conference on Learning Representations (ICLR). 2018.
18. Roosta A., Kaths H., Barthauer M., Erdmann J., Behrisch M. Microscopic traffic simulation using SUMO // IEEE Intelligent Transportation Systems Conference (ITSC). 2018.