Россия
Россия
Россия
Сформулировать направления развития принципов управления транспортной работой припортовых грузовых станций на основе интеллектуальных алгоритмов, использования аксиомат техноло-гических процессов и обработки массивов данных временных параметров. Методы: На основе анализа научных работ в направлении данных исследований применена методологическая база интеллектуальных алгоритмов, авторские модели цифровых аксиомат транспортных процессов припортовых станций, учитываемых при выборе вариантов местной работы. Результаты: В статье представлены принципы формирования алгоритмов управления транспортной работой припортовых грузовых станций на основе авторской аксиоматики технологических процессов и выбора эффективных вариантов решения транспортных конфликтов в условиях множества вариантов обслуживания, их оценки и выбора рациональных с применением интеллектуальных методов. Исследованы возможные перспективы адаптации интеллектуальных алгоритмов управления к транспортной работе припортовых грузовых станций с целью выбора эффективных технологических параметров местной работы. Практическая значимость: На примере транспортно-технологической схемы станции представлены авторский подход к формированию блок-схем управляющих алгоритмов с учетом возможных вариантов обслуживания, решением вероятных транспортных конфликтов и сокращением временных задержек.
Припортовая грузовая станция, параметры транспортной работы, аксиоматика, нейросеть, блок-схемы алгоритмов управления, интеллектуализация, аналитическое моделирование, модельные схемы транспортных конфликтов
1. Transport of Russia: All-Russian transport weekly information and analytical newspaper. URL: http://www. transportrussia.ru (дата обращения: 22.05.2025).
2. Северо-Кавказская железная дорога. URL: http:// skzdservice.ru/page/4 (дата обращения: 22.05.2025).
3. Солодкий А. И. Развитие интеллектуальных транспортных систем в России: проблемы и пути их решения. Новый этап / А. И. Солодкий // Интеллект. Инновации. Инвестиции. — 2020. — № 6. — С. 10–19. — DOI: https://doi.org/10.25198/2077-7175-2020-6-10.
4. Селиверстов С. А. Аксиоматические методы организации транспортно-логистической инфраструктуры / С. А. Селиверстов, Я. А. Селиверстов // Развитие инфраструктуры и логистических технологий в транспортных системах: Сборник трудов, Санкт-Петербург, 23–25 сентября 2015 г. — СПб.: ПГУПС, 2016. — С. 67–77.
5. Мамаев Э. А. Математическая модель организации эксплуатационной работы в задачах повышения пропускной способности железнодорожного участка / Э. А. Мамаев, Е. А. Чеботарева // Известия Петербургского университета путей сообщения. — 2025. — Т. 22. — № 1. — С. 60–74. — DOI: https://doi.org/10.20295/1815-588X-2025-1-60-74.
6. Мировой опыт применения системных решений в области ИТС. URL: https://dr.rosavtodor.gov.ru/ department/deyatelnost-dr/intellektualnye-transportnye- sistemy/mirovoj-opyt-vnedreniya-i-razvitiya-its (дата обра- щения: 19.07.2025).
7. Осокин О. В. Интеллектуальное сопровождение производственных процессов на железнодорожном транспорте: специальность 05.22.08 «Управление процессами перевозок»: дис. … д-ра техн. наук / О. В. Осокин. — Екатеринбург, 2014. — 355 с.
8. Покровская О. Д. Логистические транспортные системы России в условиях новых санкций / О. Д. Покровская // Бюллетень результатов научных исследований. — 2022. — № 1. — С. 80–94. — DOI:https://doi.org/10.20295/2223- 9987-2022-1-80-94.
9. Рахмангулов А. Н. Имитационные модели в цифровых двойниках железнодорожных узлов / А. Н. Рахмангулов и др. // Вестник Уральского государственного университета путей сообщения. — 2022. — № 3. — С. 43–59.
10. Chislov O. Fuzzy modelling of the transportation logistics processes / O. Chislov, N. Lyabakh, M. Kolesnikov, M. Bakalov et al. // Journal of Physics: Conference Series. — 2021. — Vol. 2131. — Iss. 032007. — DOI:https://doi.org/10.1088/1742- 6596/2131/3/032007.
11. Положишников В. Б. О применении искусственных нейронных сетей на железнодорожном транспорте / В. Б. Положишников, В. А. Акманов, С. Н. Томащенко, Т. В. Шипунов // Железнодорожный транспорт. — 2019. — № 3. — С. 33–36.
12. Колесников В. И. Интеллектуализация транспортных процессов на основе гибридных технологий и мультиагентных систем / В. И. Колесников, С. М. Ковалев, В. Н. Иванченко // Вестник Ростовского государственного университета путей сообщения. — 2012. — № 1(45). — С. 107–113.
13. Лецкий Э. К. Цифровые сервисы интеллектуальной поддержки принятия решений при управлении грузовыми перевозками на железнодорожном транспорте / Э. К. Лецкий, А. В. Семин // Транспорт: наука, техника, управление. — 2019. — № 9. — С. 17–20.
14. Ефанов Д. В. Технологии цифрового моделирования в железнодорожной отрасли / Д. В. Ефанов, А. С. Шиленко // Автоматика, связь, информатика. — 2020. — № 2. — С. 34–38. — DOI 10.34649/ AT.2020.2.2.007.
15. Числов О. Н. Методы цифровизации и интеллектуализации параметров логистического взаимодействияв системе «ж.-д. станция — порт» в условиях мультиагентности транспортно-технологических процессов: монография / О. Н. Числов, М. В. Колесников, В. М. Задорожний, М. В. Бакалов и др.; ФГБОУ ВО РГУПС; АНО ВО НТУ «Сириус». — Ростов-на-Дону: РГУПС, 2022. — 396 с.
16. Луганченко Н. М. Принципы интеллектуализации в методах моделирования железнодорожных транспортно-логистических процессов / Н. М. Луганченко, О. Н. Числов // Интеллектуальные транспортные системы: материалы III Международной научно-практической конференции, Москва, 30 мая 2024 года. — Москва: Российский университет транспорта (МИИТ), 2024. — С. 239–246. — DOI:https://doi.org/10.30932/9785002446094-2024-239-246.
17. Karpathy A. The Unreasonable Effectiveness of Recurrent Neural Networks / A. Karpathy. URL: https:// karpathy.github.io/2015/05/21/rnn-effectiveness (дата обращения: 12.08.2025).
18. Макаров Д. Рекуррентная нейронная сеть / Д. Макаров / URL: https://www.dmitrymakarov.ru/learning/ rnn (дата обращения: 12.08.2025).
19. Инструкция по расчету пропускной и провозной способностей железных дорог ОАО «РЖД»: Утв. распоряжением ОАО «РЖД» от 04.03.2022 г. № 545/р. — 364 с.
20. Свид. 2022681955 Российская Федерация. Свидетельство о государственной регистрации программы для ЭВМ. Axiomatic v. 1 — программа расчета параметров транспортных процессов / О. Н. Числов, Н. М. Луганченко, Д. С. Безусов и др. — № 2022681124: заявл. 07.11.2022: опубл. 17.11.2022. DOI:https://doi.org/10.21307/tp-2021-031.
