УДК 004.896 УДК 656.2

ПОДХОД К ПОСТРОЕНИЮ ИНТЕЛЛЕКТУАЛЬНЫХ ТРАНСПОРТНЫХ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

Опубликовано в Автоматика на транспорте · Том 12, Номер 3, 2026 · Страницы 202–216 · Рубрика: ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ
DOI: https://doi.org/10.20295/2412-9186-2026-12-03-202-216
Получено: 18.09.2026 Одобрено: 20.09.2026 Опубликовано: 20.09.2026
В статье рассмотрена многоуровневая иерархическая архитектура интеллектуальной системы поддержки принятия решений, предназначенной для применения на транспорте. Архитектура объединяет уровни восприятия гетерогенных данных, формирования знаний и памяти, построения признаков, прогнозирования, принятия решений и обеспечения безопасности и доверия в едином замкнутом контуре. Для каждого уровня введена единая система математических обозначений и формализованных моделей, обеспечивающая методологическую совместимость уровней и переносимость моделей между ними. На примере интеллектуальной системы динамического ценообразования пассажирских перевозок продемонстрировано сквозное применение всех шести уровней архитектуры: от обработки транзакционных данных продаж и трехуровневой кластеризации поездов до формирования рекомендаций по тарифной политике методом Single-Player Monte Carlo Tree Search с многокритериальной функцией наград, учитывающей плановые показатели средней доходной ставки, коэффициента использования вместимости вагонов и количества отправленных пассажиров. Показано, что обозначения функции наград, состояний и действий интеллектуальной системы динамического ценообразования соответствуют единой системе обозначений архитектуры интеллектуальной системы поддержки принятия решений, что подтверждает переносимость предложенного решения на различные классы задач управления транспортом.
интеллектуальная транспортная система, система поддержки принятия решений, динамическое ценообразование, марковский процесс принятия решений, обучение с подкреплением, многокритериальная оптимизация, функция наград, SP-MCTS
Текст Список литературы
Текст (PDF)
Читать Скачать

1. Веригина А. В., Никифорова А. Н. Цифровая трансформация и пути ее реализации в ОАО «РЖД» // Теория и практика общественного развития. 2022. № 10 (176). С. 85–90. DOI:https://doi.org/10.24158/tipor.2022.10.11. EDN SHOVAS

2. Давлятов А. Б. Цифровая трансформация и управление качеством железнодорожных перевозок на базе современных информационных технологий // Вестник науки и образования. 2025. № 6–3 (161). С. 32–37. EDN YVSPSI

3. Power D. J. A Brief History of Decision Support Systems: version 4.0 // DSSResources.COM. 10 March, 2007. URL: http://dssresources.com/history/dsshistory.html (дата обращения: 28.05.2026).

4. Аветисян А. И. Доверенный искусственный интеллект // Вестник Российской академии наук. 2024. Т. 94, № 3. С. 200–209. DOI:https://doi.org/10.31857/S0869587324030039. EDN GHFCAB

5. Scott Morton M. S. Management Decision Systems: Computer-Based Support of Decision Making. Boston: Harvard University, 1971. 216 p.

6. Keen P. G. W., Scott Morton M. S. Decision Support Systems: An Organizational Perspective. KeenReading, MA: Addison-Wesley, 1978. 264 p.

7. Sprague R. H., Jr. A. Framework for the Development of Decision Support Systems // MIS Quarterly. 1980. Vol. 4, no. 4. Pp. 1–26. DOI:https://doi.org/10.2307/248957

8. Turban E., Aronson J. E., Liang T.-P. Decision Support Systems and Intelligent Systems. 7th ed. Upper Saddle River. NJ: Pearson Prentice Hall, 2005. 936 p.

9. Power D. J. Decision Support Systems: Concepts and Resources for Managers. Westport, CT: Quorum Books, 2002. 251 p.

10. Архитектуры систем поддержки принятия решений / В. И. Ключко [и др.] // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2013. № 86. С. 290–299. EDN TJAOIT

11. Zak J. Decision Support Systems in Transportation // Handbook on Decision Making. Vol. 1. Eds. L. C. Jain, C. P. Lim. Berlin: Springer, 2010. Pp. 249–294. DOI:https://doi.org/10.1007/978-3-642-13639-9_11

12. A Literature Review of Artificial Intelligence Applications in Railway Systems / R. Tang [et al.] // Transportation Research. Part C: Emerging Technologies. 2022. Vol. 140, art. 103679. DOI:https://doi.org/10.1016/j.trc.2022.103679

13. Zieger S., Richta T. ADA-PMB: AI-Based Decision Support for Railway Dispatchers Using Continuous Simulation // arXiv preprint, 2025. arXiv:2505.10085. DOI: 10.48550/ arXiv.2505.10085

14. Баранов Л. А. Автоматическое управление движением поездов метрополитена // Мир транспорта. 2018. Т. 16, № 3 (76). С. 156–165. EDN XVYLAL

15. Построение архитектуры интеллектуальной системы управления городской рельсовой транспортной системой / В. М. Алексеев [и др.] // Мир транспорта. 2021. Т. 19, № 1 (92). С. 18–46. DOI:https://doi.org/10.30932/1992-3252-2021- 19-1-18-46. EDN EJAGGL

16. Sidorenko V. G., Kulagin M. A. Prediction of Anomalies in Operation of Traction Motors // Russian Electrical Engineering. 2024. Vol. 95, no. 9. Pp. 768–772. DOI:https://doi.org/10.3103/S1068371224700974. EDN COXJZG

17. A Survey of Monte Carlo Tree Search Methods / C. B. Browne [et al.] // IEEETransactions on Computational Intelligence and AI in Games. 2012. Vol. 4, no. 1. Pp. 1–43. DOI:https://doi.org/10.1109/TCIAIG.2012.2186810

18. Концепции обеспечения комплексной безопасности АСУ ТП верхнего уровня управления для объектов КИИ железнодорожного транспорта / П. А. Попов [и др.] // Надежность. 2025. Т. 25, № 3. С. 42–49. DOI:https://doi.org/10.21683/1729-2646-2025-25-3-42-49. EDN TZLJFV

19. Шевская Н. В. Объяснимый искусственный интеллект и методы интерпретации результатов // Моделирование, оптимизация и информационные технологии. 2021. Т. 9, № 2 (33). DOI:https://doi.org/10.26102/2310- 6018/2021.33.2.024. EDN VRKUIL

20. Кулагин М. А., Сидоренко В. Г. Интеграция подходов к интеллектуализации управления производственным и человеческим потенциалом на железнодорожном транспорте // Наука и техника транспорта. 2024. № 4. С. 95–100. EDN ANLBHL

21. Bellman R. The Theory of Dynamic Programming / R. Bellman // Bulletin of the American Mathematical Society. 1954. Vol. 60, no. 6. Pp. 503–516. URL: https:// www.ams.org/journals/bull/1954-60-06/S0002-9904- 1954-09848-8/S0002-9904-1954-09848-8.pdf (дата обращения: 28.05.2026).

22. Responsible Artifi Intelligence Systems: A Roadmap to Society’s Trust through Trustworthy AI, Auditability, Accountability, and Governance / A. Herrera- Poyatos [et al.]. arXiv preprint. 2025. DOI: 10.48550/ arXiv.2503.04739

23. Вакуленко С. П., Куликова Е. Б., Мадяр О. Н. Прогнозирование пассажиропотоков — важнейший инструмент эффективной организации пассажирских перевозок в пригородно-городской зоне крупного транспортного узла // Наука и техника транспорта. 2019. № 1. С. 8–15. EDN ZDFVQL

24. Первов П. А., Звездин В. В. Методика динамического ценообразования пассажирского железнодорожного транспорта // Научно-методический электронный журнал «Концепт». 2014. № S14. С. 41–45. EDN: https://elibrary.ru/SNYTTL

Войти или Создать
* Забыли пароль?