Текущий выпуск
На главную
Выпуск 4
30.12.2025
RUS
ENG
АЛГОРИТМИЗАЦИЯ ПОРЯДКА НАЗНАЧЕНИЯ ЛОКОМОТИВНЫХ БРИГАД В ГРАФИКЕ ОБОРОТА ПРИГОРОДНЫХ ЭЛЕКТРОПОЕЗДОВ
Аннотация
В представленной статье описывается алгоритм, разработанный авторами для построения графика оборота
пригородных поездов. Целью разработки является минимизация совокупного времени простоя локомотивных
бригад в периоды ожидания движения поездов. Следствием данной оптимизации выступает сокращение
потребности штатной численности бригад и операционных затрат на организацию перевозок на участках с
высокой интенсивностью движения электропоездов. Описание предложенного алгоритма формализовано в
виде блок-схемы, которая определяет логику назначения локомотивных бригад. В модель заложены следующие
ограничения: минимально допустимое время оборота, а также установленные нормы труда и отдыха для
персонала
Ключевые слова
График оборота поездов, локомотивная бригада, оборотный тупик, путь оборота, график
движения, блок-схема
Список литературы
1. Разработка единой технологии работы пригородных участков с различными межпоездными
интервалами / С. П. Вакуленко, Д. Ю. Роменский, К. А. Калинин, А. Д. Ершов //
Интеллектуальные транспортные системы: материалы III Междунар. науч.-практ.
конф., Москва, 30 мая 2024 г. – М.: Рос. ун-т транспорта (МИИТ), 2024. – С. 63–70. – DOI
10.30932/9785002446094-2024-63-70.
2. Роменский Д. Ю. Пригородно-городские железнодорожные пассажирские перевозки на диаметральных маршрутах крупных транспортных узлов (на примере Московского транспортного узла): дис. … канд. техн. наук: 05.22.08. – М., 2021. – 240 с.
3. Биленко Г. М., Волков В. С. График оборота локомотивов как основа графика движения грузовых поездов // Наука и техника транспорта. – 2016. – № 2. – С. 79–86;
4. Роменский Д. Ю., Калинин К. А., Кулалаева М. В. Разработка принципов формирования клиентоориентированного графика движения поездов в пригородно-городских пассажирских перевозках // Интеллектуальные транспортные системы: материалы II Междунар. науч.-практ. конф., Москва, 25 мая 2023 г. – М.: Рос. ун-т транспорта, 2023. – С. 330–337. – DOI 10.30932/9785002182794-2023-330-337.
5. Бакин А. А. Алгоритм построения графика движения поездов с тактовым расписанием движения пригородных поездов // Кочневские чтения – 2023: современная теория и практика эксплуатационной работы железных дорог: труды II Междунар. науч.-практ. конф., Москва, 19–20 апр. 2023 г. – М.: Рос. ун-т транспорта (МИИТ), 2023. – С. 316–321.
6. Козлов П. А., Копылова Е. В. Оптимизация оборота составов по обеспечению ниток графика пригородного движения // Наука и техника транспорта. – 2020. – № 2. – С. 68–73.
7. Бакин А. А. Метод разработки тактового графика движения пригородных поездов: автореф. дис. … канд. техн. наук: 05.22.08. – М.: Рос. ун-т транспорта, 2024. – 24 с.
8. Организация пригородных железнодорожных перевозок: транспортные средства. Эксплуатация железных дорог: учеб. пособие / Ю. О. Пазойский, С. П. Вакуленко, А. В. Колин и др.; Учеб.-метод. центр по образованию на железнодорожном транспорте. – М.: ФГБУ ДПО «Учебно-методический центр по образованию на железнодорожном транспорте», 2015. – 270 с. – ISBN 978-5-89035-816-5.
9. Использование системы «ЭЛЬБРУС-Учебный» для подготовки студентов по специальности «Эксплуатация железных дорог» / С. П. Вакуленко, М. И. Мехедов, Д. Ю. Роменский и др. // Железнодорожный транспорт. – 2023. – № 4. – С. 50–54.
10. Цифровая прогнозная макромодель движения поездопотоков ЭЛЬБРУС-М / В. Ю. Кирякин, А. Г. Сахаров, С. А. Виноградов и др. // Железнодорожный транспорт. – 2024. – № 4. – С. 4–11.
11. Управление качеством графика движения поездов в железнодорожных узлах с интенсивным пригородным движением / С. П. Вакуленко, Д. Ю. Роменский, К. А. Калинин, М. В. Лукинская // Транспорт: наука, техника, управление. – 2024. – № 5. – С. 30–40. – DOI 10.36535/0236-1914-2024-05-5.
2. Роменский Д. Ю. Пригородно-городские железнодорожные пассажирские перевозки на диаметральных маршрутах крупных транспортных узлов (на примере Московского транспортного узла): дис. … канд. техн. наук: 05.22.08. – М., 2021. – 240 с.
3. Биленко Г. М., Волков В. С. График оборота локомотивов как основа графика движения грузовых поездов // Наука и техника транспорта. – 2016. – № 2. – С. 79–86;
4. Роменский Д. Ю., Калинин К. А., Кулалаева М. В. Разработка принципов формирования клиентоориентированного графика движения поездов в пригородно-городских пассажирских перевозках // Интеллектуальные транспортные системы: материалы II Междунар. науч.-практ. конф., Москва, 25 мая 2023 г. – М.: Рос. ун-т транспорта, 2023. – С. 330–337. – DOI 10.30932/9785002182794-2023-330-337.
5. Бакин А. А. Алгоритм построения графика движения поездов с тактовым расписанием движения пригородных поездов // Кочневские чтения – 2023: современная теория и практика эксплуатационной работы железных дорог: труды II Междунар. науч.-практ. конф., Москва, 19–20 апр. 2023 г. – М.: Рос. ун-т транспорта (МИИТ), 2023. – С. 316–321.
6. Козлов П. А., Копылова Е. В. Оптимизация оборота составов по обеспечению ниток графика пригородного движения // Наука и техника транспорта. – 2020. – № 2. – С. 68–73.
7. Бакин А. А. Метод разработки тактового графика движения пригородных поездов: автореф. дис. … канд. техн. наук: 05.22.08. – М.: Рос. ун-т транспорта, 2024. – 24 с.
8. Организация пригородных железнодорожных перевозок: транспортные средства. Эксплуатация железных дорог: учеб. пособие / Ю. О. Пазойский, С. П. Вакуленко, А. В. Колин и др.; Учеб.-метод. центр по образованию на железнодорожном транспорте. – М.: ФГБУ ДПО «Учебно-методический центр по образованию на железнодорожном транспорте», 2015. – 270 с. – ISBN 978-5-89035-816-5.
9. Использование системы «ЭЛЬБРУС-Учебный» для подготовки студентов по специальности «Эксплуатация железных дорог» / С. П. Вакуленко, М. И. Мехедов, Д. Ю. Роменский и др. // Железнодорожный транспорт. – 2023. – № 4. – С. 50–54.
10. Цифровая прогнозная макромодель движения поездопотоков ЭЛЬБРУС-М / В. Ю. Кирякин, А. Г. Сахаров, С. А. Виноградов и др. // Железнодорожный транспорт. – 2024. – № 4. – С. 4–11.
11. Управление качеством графика движения поездов в железнодорожных узлах с интенсивным пригородным движением / С. П. Вакуленко, Д. Ю. Роменский, К. А. Калинин, М. В. Лукинская // Транспорт: наука, техника, управление. – 2024. – № 5. – С. 30–40. – DOI 10.36535/0236-1914-2024-05-5.
ALGORITHMIZATION OF THE ORDER OF APPOINTMENT OF LOCOMOTIVE CREWS IN THE SCHEDULE OF TURNOVER OF SUBURBAN ELECTRIC TRAINS
Abstract
This article describes an algorithm developed by the authors for constructing a commuter train turnaround schedule. The
goal is to minimize the total downtime of locomotive crews while waiting for trains to depart. This optimization results in
a reduction in the required crew complement and operating costs for organizing service on sections with high commuter
train traffic. The description of the proposed algorithm is formalized in the form of a flowchart that defines the logic for
assigning locomotive crews. The model incorporates the following constraints: minimum allowable turnaround time, as
well as established work and rest standards for personnel.
Keywords
Train turnaround schedule, locomotive crew, turnaround dead end, turnaround route, traffic schedule, block
diagram.
References
1. Разработка единой технологии работы пригородных участков с различными межпоездными
интервалами / С. П. Вакуленко, Д. Ю. Роменский, К. А. Калинин, А. Д. Ершов //
Интеллектуальные транспортные системы: материалы III Междунар. науч.-практ.
конф., Москва, 30 мая 2024 г. – М.: Рос. ун-т транспорта (МИИТ), 2024. – С. 63–70. – DOI
10.30932/9785002446094-2024-63-70.
2. Роменский Д. Ю. Пригородно-городские железнодорожные пассажирские перевозки на диаметральных маршрутах крупных транспортных узлов (на примере Московского транспортного узла): дис. … канд. техн. наук: 05.22.08. – М., 2021. – 240 с.
3. Биленко Г. М., Волков В. С. График оборота локомотивов как основа графика движения грузовых поездов // Наука и техника транспорта. – 2016. – № 2. – С. 79–86;
4. Роменский Д. Ю., Калинин К. А., Кулалаева М. В. Разработка принципов формирования клиентоориентированного графика движения поездов в пригородно-городских пассажирских перевозках // Интеллектуальные транспортные системы: материалы II Междунар. науч.-практ. конф., Москва, 25 мая 2023 г. – М.: Рос. ун-т транспорта, 2023. – С. 330–337. – DOI 10.30932/9785002182794-2023-330-337.
5. Бакин А. А. Алгоритм построения графика движения поездов с тактовым расписанием движения пригородных поездов // Кочневские чтения – 2023: современная теория и практика эксплуатационной работы железных дорог: труды II Междунар. науч.-практ. конф., Москва, 19–20 апр. 2023 г. – М.: Рос. ун-т транспорта (МИИТ), 2023. – С. 316–321.
6. Козлов П. А., Копылова Е. В. Оптимизация оборота составов по обеспечению ниток графика пригородного движения // Наука и техника транспорта. – 2020. – № 2. – С. 68–73.
7. Бакин А. А. Метод разработки тактового графика движения пригородных поездов: автореф. дис. … канд. техн. наук: 05.22.08. – М.: Рос. ун-т транспорта, 2024. – 24 с.
8. Организация пригородных железнодорожных перевозок: транспортные средства. Эксплуатация железных дорог: учеб. пособие / Ю. О. Пазойский, С. П. Вакуленко, А. В. Колин и др.; Учеб.-метод. центр по образованию на железнодорожном транспорте. – М.: ФГБУ ДПО «Учебно-методический центр по образованию на железнодорожном транспорте», 2015. – 270 с. – ISBN 978-5-89035-816-5.
9. Использование системы «ЭЛЬБРУС-Учебный» для подготовки студентов по специальности «Эксплуатация железных дорог» / С. П. Вакуленко, М. И. Мехедов, Д. Ю. Роменский и др. // Железнодорожный транспорт. – 2023. – № 4. – С. 50–54.
10. Цифровая прогнозная макромодель движения поездопотоков ЭЛЬБРУС-М / В. Ю. Кирякин, А. Г. Сахаров, С. А. Виноградов и др. // Железнодорожный транспорт. – 2024. – № 4. – С. 4–11.
11. Управление качеством графика движения поездов в железнодорожных узлах с интенсивным пригородным движением / С. П. Вакуленко, Д. Ю. Роменский, К. А. Калинин, М. В. Лукинская // Транспорт: наука, техника, управление. – 2024. – № 5. – С. 30–40. – DOI 10.36535/0236-1914-2024-05-5.
2. Роменский Д. Ю. Пригородно-городские железнодорожные пассажирские перевозки на диаметральных маршрутах крупных транспортных узлов (на примере Московского транспортного узла): дис. … канд. техн. наук: 05.22.08. – М., 2021. – 240 с.
3. Биленко Г. М., Волков В. С. График оборота локомотивов как основа графика движения грузовых поездов // Наука и техника транспорта. – 2016. – № 2. – С. 79–86;
4. Роменский Д. Ю., Калинин К. А., Кулалаева М. В. Разработка принципов формирования клиентоориентированного графика движения поездов в пригородно-городских пассажирских перевозках // Интеллектуальные транспортные системы: материалы II Междунар. науч.-практ. конф., Москва, 25 мая 2023 г. – М.: Рос. ун-т транспорта, 2023. – С. 330–337. – DOI 10.30932/9785002182794-2023-330-337.
5. Бакин А. А. Алгоритм построения графика движения поездов с тактовым расписанием движения пригородных поездов // Кочневские чтения – 2023: современная теория и практика эксплуатационной работы железных дорог: труды II Междунар. науч.-практ. конф., Москва, 19–20 апр. 2023 г. – М.: Рос. ун-т транспорта (МИИТ), 2023. – С. 316–321.
6. Козлов П. А., Копылова Е. В. Оптимизация оборота составов по обеспечению ниток графика пригородного движения // Наука и техника транспорта. – 2020. – № 2. – С. 68–73.
7. Бакин А. А. Метод разработки тактового графика движения пригородных поездов: автореф. дис. … канд. техн. наук: 05.22.08. – М.: Рос. ун-т транспорта, 2024. – 24 с.
8. Организация пригородных железнодорожных перевозок: транспортные средства. Эксплуатация железных дорог: учеб. пособие / Ю. О. Пазойский, С. П. Вакуленко, А. В. Колин и др.; Учеб.-метод. центр по образованию на железнодорожном транспорте. – М.: ФГБУ ДПО «Учебно-методический центр по образованию на железнодорожном транспорте», 2015. – 270 с. – ISBN 978-5-89035-816-5.
9. Использование системы «ЭЛЬБРУС-Учебный» для подготовки студентов по специальности «Эксплуатация железных дорог» / С. П. Вакуленко, М. И. Мехедов, Д. Ю. Роменский и др. // Железнодорожный транспорт. – 2023. – № 4. – С. 50–54.
10. Цифровая прогнозная макромодель движения поездопотоков ЭЛЬБРУС-М / В. Ю. Кирякин, А. Г. Сахаров, С. А. Виноградов и др. // Железнодорожный транспорт. – 2024. – № 4. – С. 4–11.
11. Управление качеством графика движения поездов в железнодорожных узлах с интенсивным пригородным движением / С. П. Вакуленко, Д. Ю. Роменский, К. А. Калинин, М. В. Лукинская // Транспорт: наука, техника, управление. – 2024. – № 5. – С. 30–40. – DOI 10.36535/0236-1914-2024-05-5.
ПРИМЕНЕНИЕ ГЛУБИННОГО ОБУЧЕНИЯ ДЛЯ ПРЕДСКАЗАНИЯ ОТКАЗОВ ПОДВИЖНОГО СОСТАВА
Аннотация
Эта работа открывает серию исследований, объясняющих необходимость и возможность прогрессивной
диагностики технического состояния железнодорожного подвижного состава, и предлагает принципиально
новое решение этой проблемы на основе современного интеллектуального алгоритма глубокого обучения. Здесь
сформирована абстрактная концепция аномальности данных, дана формальная математическая постановка
задач поиска и прогнозирования отказов промышленного оборудования, описаны основные компоненты
программной реализации решения этих задач с применением модели рекуррентной нейросети (LSTMавтоэнкодера), а также приведены оценка качества работы и аргументация в пользу выбора глубокого обучения
среди актуальных методов в области искусственного интеллекта.
Ключевые слова
искусственный интеллект, нейросеть, прескриптивная аналитика, аномалия, отказ,
железнодорожный подвижной состав
Список литературы
1. D. Hawkins, Identification of Outliers. London: Chapman and Hall, 1980
2. J. J. Hopfield, “Neural networks and physical systems with emergent collective computational abilities,” Proc. Nat. Acad. Sci. U.S.A., vol. 79, no. 8, pp. 2554–2558, 1982.
3. S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural Comput., vol. 9, no. 8, pp. 1735–1780, 1997.
4. N. Srivastava, E. Mansimov, and R. Salakhutdinov, “Unsupervised Learning of Video Representations using LSTMs,” in Proc. Int. Conf. Mach. Learn. (ICML), 2016, pp. 843–852.
5. J. F. Kolen and S. C. Kremer, A Field Guide to Dynamical Recurrent Networks. New York: WileyIEEE Press, 2001.
6. I. Sutskever, O. Vinyals, and Q. V. Le, “Sequence to Sequence Learning with Neural Networks,” in Adv. Neural Inf. Process. Syst. (NIPS), 2014, pp. 3104–3112.
7. A. Sagheer and M. Kotb, “Unsupervised pre-training of a deep LSTM-based stacked autoencoder for multivariate time series forecasting problems,” Sci. Rep., vol. 9, p. 19038, 2019.
8. N. Whiteley, A. Gray, and P. Rubin-Delanchy, “Statistical exploration of the Manifold Hypothesis,” J. Amer. Stat. Assoc., 2025. (Early Access).
9. A. Vaswani et al., “Attention is all you need,” in Adv. Neural Inf. Process. Syst. (NIPS), 2017, pp. 5998–6008.
10. K. Besbes et al., “Sizing of an electric powertrain using a hybrid model combining Simcenter Amesim and Modelica components,” in Proc. IEEE Veh. Power Propuls. Conf. (VPPC), 2020, pp. 1–6.
2. J. J. Hopfield, “Neural networks and physical systems with emergent collective computational abilities,” Proc. Nat. Acad. Sci. U.S.A., vol. 79, no. 8, pp. 2554–2558, 1982.
3. S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural Comput., vol. 9, no. 8, pp. 1735–1780, 1997.
4. N. Srivastava, E. Mansimov, and R. Salakhutdinov, “Unsupervised Learning of Video Representations using LSTMs,” in Proc. Int. Conf. Mach. Learn. (ICML), 2016, pp. 843–852.
5. J. F. Kolen and S. C. Kremer, A Field Guide to Dynamical Recurrent Networks. New York: WileyIEEE Press, 2001.
6. I. Sutskever, O. Vinyals, and Q. V. Le, “Sequence to Sequence Learning with Neural Networks,” in Adv. Neural Inf. Process. Syst. (NIPS), 2014, pp. 3104–3112.
7. A. Sagheer and M. Kotb, “Unsupervised pre-training of a deep LSTM-based stacked autoencoder for multivariate time series forecasting problems,” Sci. Rep., vol. 9, p. 19038, 2019.
8. N. Whiteley, A. Gray, and P. Rubin-Delanchy, “Statistical exploration of the Manifold Hypothesis,” J. Amer. Stat. Assoc., 2025. (Early Access).
9. A. Vaswani et al., “Attention is all you need,” in Adv. Neural Inf. Process. Syst. (NIPS), 2017, pp. 5998–6008.
10. K. Besbes et al., “Sizing of an electric powertrain using a hybrid model combining Simcenter Amesim and Modelica components,” in Proc. IEEE Veh. Power Propuls. Conf. (VPPC), 2020, pp. 1–6.
APPLICATION OF DEEP LEARNING FOR ROLLING STOCK FAILURE PREDICTION
Abstract
This paper begins a series of publications, making a case and opportunity for creation of advanced diagnostics of
technical condition of the railway rolling stock and provides essentially new artificial intelligence (AI) solution based
on deep learning techniques. Here, the abstraction for anomalous data is formed, statements of industrial equipment
failure detection and forecasting problems are set, core components of software implementation of the solution algorithm
using the recurrent network (LSTM autoencoder) are described as well as the quality assessments and the reasoning
for choosing deep learning over the rest AI methods
Keywords
artificial intelligence, neural network, long short-term memory, prescriptive analytics, anomaly, failure,
railway rolling stock
References
1. D. Hawkins, Identification of Outliers. London: Chapman and Hall, 1980
2. J. J. Hopfield, “Neural networks and physical systems with emergent collective computational abilities,” Proc. Nat. Acad. Sci. U.S.A., vol. 79, no. 8, pp. 2554–2558, 1982.
3. S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural Comput., vol. 9, no. 8, pp. 1735–1780, 1997.
4. N. Srivastava, E. Mansimov, and R. Salakhutdinov, “Unsupervised Learning of Video Representations using LSTMs,” in Proc. Int. Conf. Mach. Learn. (ICML), 2016, pp. 843–852.
5. J. F. Kolen and S. C. Kremer, A Field Guide to Dynamical Recurrent Networks. New York: WileyIEEE Press, 2001.
6. I. Sutskever, O. Vinyals, and Q. V. Le, “Sequence to Sequence Learning with Neural Networks,” in Adv. Neural Inf. Process. Syst. (NIPS), 2014, pp. 3104–3112.
7. A. Sagheer and M. Kotb, “Unsupervised pre-training of a deep LSTM-based stacked autoencoder for multivariate time series forecasting problems,” Sci. Rep., vol. 9, p. 19038, 2019.
8. N. Whiteley, A. Gray, and P. Rubin-Delanchy, “Statistical exploration of the Manifold Hypothesis,” J. Amer. Stat. Assoc., 2025. (Early Access).
9. A. Vaswani et al., “Attention is all you need,” in Adv. Neural Inf. Process. Syst. (NIPS), 2017, pp. 5998–6008.
10. K. Besbes et al., “Sizing of an electric powertrain using a hybrid model combining Simcenter Amesim and Modelica components,” in Proc. IEEE Veh. Power Propuls. Conf. (VPPC), 2020, pp. 1–6.
2. J. J. Hopfield, “Neural networks and physical systems with emergent collective computational abilities,” Proc. Nat. Acad. Sci. U.S.A., vol. 79, no. 8, pp. 2554–2558, 1982.
3. S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural Comput., vol. 9, no. 8, pp. 1735–1780, 1997.
4. N. Srivastava, E. Mansimov, and R. Salakhutdinov, “Unsupervised Learning of Video Representations using LSTMs,” in Proc. Int. Conf. Mach. Learn. (ICML), 2016, pp. 843–852.
5. J. F. Kolen and S. C. Kremer, A Field Guide to Dynamical Recurrent Networks. New York: WileyIEEE Press, 2001.
6. I. Sutskever, O. Vinyals, and Q. V. Le, “Sequence to Sequence Learning with Neural Networks,” in Adv. Neural Inf. Process. Syst. (NIPS), 2014, pp. 3104–3112.
7. A. Sagheer and M. Kotb, “Unsupervised pre-training of a deep LSTM-based stacked autoencoder for multivariate time series forecasting problems,” Sci. Rep., vol. 9, p. 19038, 2019.
8. N. Whiteley, A. Gray, and P. Rubin-Delanchy, “Statistical exploration of the Manifold Hypothesis,” J. Amer. Stat. Assoc., 2025. (Early Access).
9. A. Vaswani et al., “Attention is all you need,” in Adv. Neural Inf. Process. Syst. (NIPS), 2017, pp. 5998–6008.
10. K. Besbes et al., “Sizing of an electric powertrain using a hybrid model combining Simcenter Amesim and Modelica components,” in Proc. IEEE Veh. Power Propuls. Conf. (VPPC), 2020, pp. 1–6.
СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ УПРАВЛЕНИЯ ВОЗВРАТАМИ В ЭЛЕКТРОННОЙ КОММЕРЦИИ НА ОСНОВЕ АЛГОРИТМА ДОЖДЕВЫХ ЧЕРВЕЙ И НЕЧЕТКОГО СЛУЧАЙНОГО ЛЕСА
Аннотация
Статья посвящена исследованию возможностей применения методов интеллектуального анализа данных и
биоинспирированных алгоритмов оптимизации при управлении возвратами товаров в электронной коммерции. В
работе предлагается архитектура системы поддержки принятия решений (СППР), ориентированной на решение
задач многокритериальной оптимизации возвратных маршрутов и классификацию причин возвратов. Показано,
что применение биоэвристики позволяет формировать устойчивые и сбалансированные маршруты с учётом
расстояния, времени и сложности логистической сети, а использование нечеткого случайного леса обеспечивает
интерпретируемый анализ субъективных и неполных клиентских данных. Предложенная архитектура
СППР демонстрирует высокую гибкость, масштабируемость и возможность интеграции с логистическими
платформами и WMS-системами, обеспечивая комплексную поддержку процессов анализа возвратных потоков.
Рассмотрена экономическая эффективность внедрения системы, включающая снижение логистических затрат,
уменьшение числа необоснованных возвратов и повышение качества клиентского сервиса.
Ключевые слова
алгоритм дождевых червей, нечеткий случайный лес, система поддержки принятия решений,
возвратная логистика, электронная коммерция, многокритериальная оптимизация, интеллектуальный анализ
данных
Список литературы
1. Эльканова Е. А. Развитие электронной коммерции как фактор использования современных
подходов в логистических маршрутах // Вестник евразийской науки. – 2025. – Т. 17, № s4.
[Электронный ресурс]. – URL: ttps://esj.today/PDF/33FAVN425.pdf.
2. S. Kirkpatrick, C. D. Gelatt, and M. P. Vecchi, "Optimization by Simulated Annealing," Science, vol. 220, no. 4598, pp. 671–680, 1983.
3. M. Dorigo, V. Maniezzo, and A. Colorni, "Distributed Optimization by Ant Colonies," in Proc. Eur. Conf. Artif. Life (ECAL), pp. 134–142, 1991.
4. J. Kennedy and R. Eberhart, "Particle Swarm Optimization," in Proc. IEEE Int. Conf. Neural Netw., vol. 4, pp. 1942–1948, 1995.
5. Кошуняева Н. В., Тутыгин А. Г. Сравнительный анализ эффективности использования метаэвристических методов моделирования для решения задачи коммивояжёра // Моделирование и анализ данных. – 2025. – № 15(3). – С. 76–93.
6. A. Thakur, D. Giri, S. Panda, and R. Usharani, "Optimizing Electric Vehicle Routing: A Statistical Analysis of ACO, GA, and SA Algorithms," Int. J. Eng. Res. Technol., vol. 13, no. 4, 2024.
7. G.-G. Wang and S. Deb, "Earthworm optimisation algorithm: a bio-inspired metaheuristic algorithm for global optimisation problems," Int. J. Bio-Inspired Comput., vol. 12, no. 1, pp. 1–22, 2018.
8. Булыгина О. В. Конструирование экономико-математических моделей многокритериальной оптимизации на основе гибридных метаэвристик // Прикладная информатика. – 2025. – Т. 20, № 3. – С. 66–84.
9. A. Mishra and P. Dutta, "Return management in e-commerce firms: A machine learning approach to predict product returns and examine variables influencing returns," J. Clean. Prod., vol. 477, p. 143802, 2024.
10. M. Farber, S. Novgorodov, and I. Guy, "Learning reasons for product returns on e-commerce," in Proc. 7th Workshop e-Commer. NLP, pp. 1–7, 2024.
11. Y. Ren, X. Zhu, and K. Bai, "A New Random Forest Ensemble of Intuitionistic Fuzzy Decision Trees," IEEE Trans. Fuzzy Syst., vol. 31, no. 5, pp. 1729–1741, 2022.
12. Кириллова Е. А., Пучков А. Ю., Минин В. С., Ярцев Д. Д. Нейро-нечеткая модель ресурсного обеспечения инновационной деятельности промышленного предприятия // Прикладная информатика. – 2024. – Т. 19, № 5. – С. 126–142.
13. Булыгина О. В., Ярцев Д. Д., Прокимнов Н. Н., Верейкина Е. К. Направления гибридизации алгоритмов роевого интеллекта и нечеткой логики для решения оптимизационных задач в социально-экономических системах // Прикладная информатика. – 2024. – Т. 19, № 5. – С. 45–67
2. S. Kirkpatrick, C. D. Gelatt, and M. P. Vecchi, "Optimization by Simulated Annealing," Science, vol. 220, no. 4598, pp. 671–680, 1983.
3. M. Dorigo, V. Maniezzo, and A. Colorni, "Distributed Optimization by Ant Colonies," in Proc. Eur. Conf. Artif. Life (ECAL), pp. 134–142, 1991.
4. J. Kennedy and R. Eberhart, "Particle Swarm Optimization," in Proc. IEEE Int. Conf. Neural Netw., vol. 4, pp. 1942–1948, 1995.
5. Кошуняева Н. В., Тутыгин А. Г. Сравнительный анализ эффективности использования метаэвристических методов моделирования для решения задачи коммивояжёра // Моделирование и анализ данных. – 2025. – № 15(3). – С. 76–93.
6. A. Thakur, D. Giri, S. Panda, and R. Usharani, "Optimizing Electric Vehicle Routing: A Statistical Analysis of ACO, GA, and SA Algorithms," Int. J. Eng. Res. Technol., vol. 13, no. 4, 2024.
7. G.-G. Wang and S. Deb, "Earthworm optimisation algorithm: a bio-inspired metaheuristic algorithm for global optimisation problems," Int. J. Bio-Inspired Comput., vol. 12, no. 1, pp. 1–22, 2018.
8. Булыгина О. В. Конструирование экономико-математических моделей многокритериальной оптимизации на основе гибридных метаэвристик // Прикладная информатика. – 2025. – Т. 20, № 3. – С. 66–84.
9. A. Mishra and P. Dutta, "Return management in e-commerce firms: A machine learning approach to predict product returns and examine variables influencing returns," J. Clean. Prod., vol. 477, p. 143802, 2024.
10. M. Farber, S. Novgorodov, and I. Guy, "Learning reasons for product returns on e-commerce," in Proc. 7th Workshop e-Commer. NLP, pp. 1–7, 2024.
11. Y. Ren, X. Zhu, and K. Bai, "A New Random Forest Ensemble of Intuitionistic Fuzzy Decision Trees," IEEE Trans. Fuzzy Syst., vol. 31, no. 5, pp. 1729–1741, 2022.
12. Кириллова Е. А., Пучков А. Ю., Минин В. С., Ярцев Д. Д. Нейро-нечеткая модель ресурсного обеспечения инновационной деятельности промышленного предприятия // Прикладная информатика. – 2024. – Т. 19, № 5. – С. 126–142.
13. Булыгина О. В., Ярцев Д. Д., Прокимнов Н. Н., Верейкина Е. К. Направления гибридизации алгоритмов роевого интеллекта и нечеткой логики для решения оптимизационных задач в социально-экономических системах // Прикладная информатика. – 2024. – Т. 19, № 5. – С. 45–67
DECISION SUPPORT SYSTEM FOR MANAGING RETURNS IN E-COMMERCE BASED ON THE EARTHWORM ALGORITHM AND FUZZY RANDOM FOREST
Abstract
The article is devoted to the study of the possibilities of using intelligent data analysis methods and bioinspired
optimization algorithms in the management of returns in e-commerce. The paper proposes the architecture of a decision
support system (DSS) that combines an earthworm algorithm for multi-criteria optimization of return routes and a fuzzy
random forest for classifying the causes of returns. It is shown that the use of bioheuristics makes it possible to form
stable and balanced routes taking into account the distance, time and complexity of the logistics network, and the use
of a fuzzy random forest provides an interpretable analysis of subjective and incomplete customer data. The proposed
DSS architecture demonstrates high flexibility, scalability, and the ability to integrate with logistics platforms and WMS,
providing comprehensive support for return flow analysis. The economic efficiency of the implementation of the system
is considered, including reducing logistical costs, reducing the number of unjustified refunds and improving the quality
of customer service
Keywords
earthworm algorithm, fuzzy random forest, decision support system, return logistics, e-commerce, multicriteria optimization, intelligent data analysis
References
1. Эльканова Е. А. Развитие электронной коммерции как фактор использования современных
подходов в логистических маршрутах // Вестник евразийской науки. – 2025. – Т. 17, № s4.
[Электронный ресурс]. – URL: ttps://esj.today/PDF/33FAVN425.pdf.
2. S. Kirkpatrick, C. D. Gelatt, and M. P. Vecchi, "Optimization by Simulated Annealing," Science, vol. 220, no. 4598, pp. 671–680, 1983.
3. M. Dorigo, V. Maniezzo, and A. Colorni, "Distributed Optimization by Ant Colonies," in Proc. Eur. Conf. Artif. Life (ECAL), pp. 134–142, 1991.
4. J. Kennedy and R. Eberhart, "Particle Swarm Optimization," in Proc. IEEE Int. Conf. Neural Netw., vol. 4, pp. 1942–1948, 1995.
5. Кошуняева Н. В., Тутыгин А. Г. Сравнительный анализ эффективности использования метаэвристических методов моделирования для решения задачи коммивояжёра // Моделирование и анализ данных. – 2025. – № 15(3). – С. 76–93.
6. A. Thakur, D. Giri, S. Panda, and R. Usharani, "Optimizing Electric Vehicle Routing: A Statistical Analysis of ACO, GA, and SA Algorithms," Int. J. Eng. Res. Technol., vol. 13, no. 4, 2024.
7. G.-G. Wang and S. Deb, "Earthworm optimisation algorithm: a bio-inspired metaheuristic algorithm for global optimisation problems," Int. J. Bio-Inspired Comput., vol. 12, no. 1, pp. 1–22, 2018.
8. Булыгина О. В. Конструирование экономико-математических моделей многокритериальной оптимизации на основе гибридных метаэвристик // Прикладная информатика. – 2025. – Т. 20, № 3. – С. 66–84.
9. A. Mishra and P. Dutta, "Return management in e-commerce firms: A machine learning approach to predict product returns and examine variables influencing returns," J. Clean. Prod., vol. 477, p. 143802, 2024.
10. M. Farber, S. Novgorodov, and I. Guy, "Learning reasons for product returns on e-commerce," in Proc. 7th Workshop e-Commer. NLP, pp. 1–7, 2024.
11. Y. Ren, X. Zhu, and K. Bai, "A New Random Forest Ensemble of Intuitionistic Fuzzy Decision Trees," IEEE Trans. Fuzzy Syst., vol. 31, no. 5, pp. 1729–1741, 2022.
12. Кириллова Е. А., Пучков А. Ю., Минин В. С., Ярцев Д. Д. Нейро-нечеткая модель ресурсного обеспечения инновационной деятельности промышленного предприятия // Прикладная информатика. – 2024. – Т. 19, № 5. – С. 126–142.
13. Булыгина О. В., Ярцев Д. Д., Прокимнов Н. Н., Верейкина Е. К. Направления гибридизации алгоритмов роевого интеллекта и нечеткой логики для решения оптимизационных задач в социально-экономических системах // Прикладная информатика. – 2024. – Т. 19, № 5. – С. 45–67
2. S. Kirkpatrick, C. D. Gelatt, and M. P. Vecchi, "Optimization by Simulated Annealing," Science, vol. 220, no. 4598, pp. 671–680, 1983.
3. M. Dorigo, V. Maniezzo, and A. Colorni, "Distributed Optimization by Ant Colonies," in Proc. Eur. Conf. Artif. Life (ECAL), pp. 134–142, 1991.
4. J. Kennedy and R. Eberhart, "Particle Swarm Optimization," in Proc. IEEE Int. Conf. Neural Netw., vol. 4, pp. 1942–1948, 1995.
5. Кошуняева Н. В., Тутыгин А. Г. Сравнительный анализ эффективности использования метаэвристических методов моделирования для решения задачи коммивояжёра // Моделирование и анализ данных. – 2025. – № 15(3). – С. 76–93.
6. A. Thakur, D. Giri, S. Panda, and R. Usharani, "Optimizing Electric Vehicle Routing: A Statistical Analysis of ACO, GA, and SA Algorithms," Int. J. Eng. Res. Technol., vol. 13, no. 4, 2024.
7. G.-G. Wang and S. Deb, "Earthworm optimisation algorithm: a bio-inspired metaheuristic algorithm for global optimisation problems," Int. J. Bio-Inspired Comput., vol. 12, no. 1, pp. 1–22, 2018.
8. Булыгина О. В. Конструирование экономико-математических моделей многокритериальной оптимизации на основе гибридных метаэвристик // Прикладная информатика. – 2025. – Т. 20, № 3. – С. 66–84.
9. A. Mishra and P. Dutta, "Return management in e-commerce firms: A machine learning approach to predict product returns and examine variables influencing returns," J. Clean. Prod., vol. 477, p. 143802, 2024.
10. M. Farber, S. Novgorodov, and I. Guy, "Learning reasons for product returns on e-commerce," in Proc. 7th Workshop e-Commer. NLP, pp. 1–7, 2024.
11. Y. Ren, X. Zhu, and K. Bai, "A New Random Forest Ensemble of Intuitionistic Fuzzy Decision Trees," IEEE Trans. Fuzzy Syst., vol. 31, no. 5, pp. 1729–1741, 2022.
12. Кириллова Е. А., Пучков А. Ю., Минин В. С., Ярцев Д. Д. Нейро-нечеткая модель ресурсного обеспечения инновационной деятельности промышленного предприятия // Прикладная информатика. – 2024. – Т. 19, № 5. – С. 126–142.
13. Булыгина О. В., Ярцев Д. Д., Прокимнов Н. Н., Верейкина Е. К. Направления гибридизации алгоритмов роевого интеллекта и нечеткой логики для решения оптимизационных задач в социально-экономических системах // Прикладная информатика. – 2024. – Т. 19, № 5. – С. 45–67
ПОСТРОЕНИЕ КАРТЫ РАСПРЕДЕЛЕНИЯ АНОМАЛИЙ ИСПОЛНЕНИЯ ЛОГИСТИЧЕСКИХ ПРОЕКТОВ В УСЛОВИЯХ НЕОПРЕДЕЛЁННОСТИ
Аннотация
Для успешной реализации логистической операции необходимо прогнозировать возможность возникновения
непредвиденных ситуаций. Они способны вызвать нежелательные издержки. Требуется принятие решений,
способствующих преодолению ситуаций. Однако такие решения нередко приходится принимать в условиях
неполноты и неопределённости доступной информации. Изменчивость окружающей среды требует постоянной
актуализации информации о факторах, влияющих на реализацию логистических операций. Получить полное
представление обо всех этих факторах практически невозможно, поэтому при принятии решений важную роль
играют опыт и знания. Впрочем, применимость знаний о решении отдельно взятой ситуации ограничивается
факторами, которые были наблюдаемы в момент реализации. С целью преодоления данного недостатка в статье
предлагается разработка модели переноса полезного знания из прецедентов в новую ситуацию на примере
задачи определения зон влияния аномалий логистического проекта. Для реализации модели используется метод
рассуждений на основе прецедентов (Case-Based Reasoning). Он позволяет решить новую задачу, применяя или
адаптируя ранее используемое решение. Логистические проекты описываются геоинформационными моделями
Ключевые слова
интеллектуальные геоинформационные системы, геоинформационные системы,
прецедентный анализ, принятие решений в условиях неопределенности
Список литературы
1. Мусайбеков А. Г., Хабибулин Р. Ш., Ухатов В. С. Анализ результатов поиска и сходимости
прецедентов в системе поддержки управления ликвидации пожаров и чрезвычайных
ситуаций // Современные проблемы гражданской защиты. – 2020. – № 1(34). – С. 4–15.
2. Дли М. И., Соколов А. М., Воротилова М. Ю. Построение локальных нечетких моделей для ситуационного управления сложными объектами на основе прецедентов // Программные продукты и системы. – 2025. – № 3.
3. Рашевский Н. М., Руденко И. Е., Соколов Д. А., Феклистов В. А., Якунин О. А. Разработка системы поддержки принятия решений на основе рассуждения по прецедентам по оценке безопасности участка транспортной системы города // Информатика, вычислительная техника и управление (ИВД). – 2022. – № 7 (91).
4. Рожко А. И., Ханова А. А. Концептуальная структура системы управления транспортнологистическим проектом на основе имитационного моделирования // Вестник АГТУ.
Серия: Управление, вычислительная техника и информатика. – 2022. – № 1.
5. L. Marzantowicz, “The Impact of Uncertainty Factors on the Decision-Making Process of Logistics Management,” Processes, vol. 8, no. 5, p. 512, 2020. DOI: 10.3390/pr8050512
6. Беляков С. Л., Боженюк А. В., Белякова М. Л. Прецедентный анализ геоинформационных моделей проектов логистики // Наука и технологии железных дорог. – 2019. – № 2.
7. K. Guo, “Design of Human-Machine Collaborative Decision Support System in Emergency Logistics Scenarios,” Int. J. Glob. Econ. Manag., vol. 7, no. 3, pp. 98–106, 2025. DOI: 10.62051/ ijgem.v7n3.10.
8. I. Jażdżewska and K. Żerek, “A spatial analysis of one of the regional logistics clusters in central Poland using GIS,” Environ. Socio-Econ. Stud., vol. 12, no. 2, pp. 48–61, 2024. DOI: 10.2478/ environ-2024-0012.
9. K. R. Mudunuru, R. Remala, and S. K. Nagarajan, “Leveraging IoT and Data Analytics in Logistics: Optimized Routing, Safety, and Resource Planning,” Int. J. Comput. Trends Technol., vol. 72, no. 7, pp. 101–107, 2024. DOI: 10.14445/22312803/IJCTT-V72I7P113.
10. A. Robinson, “Geovisual Analytics,” in The Geographic Information Science & Technology Body of Knowledge, J. P. Wilson, Ed., 3rd Quart. 2017. [Online]. Available: https://doi.org/10.22224/ gistbok/2017.3.6.
11. C. Y. Krishna, “AI-Powered Supply Chain Optimization: Enhancing Demand Forecasting and Logistics,” J. Comput. Sci. Technol. Stud., vol. 7, no. 4, pp. 792–801, 2025.
12. J. Mašek, L. Duricova, and J. Čamaj, “Analysing factors influencing railway accidents: A predictive approach using multinomial logistic regression and data mining,” PLoS One, vol. 20, no. 10, p. e0256789, 2025.
13. J. Li et al., “ChatSync: Large Language Model Enabled Spatial-Temporal Knowledge Reasoning for Production Logistics Synchronization,” IEEE Internet Things J., vol. 12, no. 22, pp. 47499– 47518, 2025. DOI: 10.1109/JIOT.2025.3603073.
14. U. Olmez et al., “Evaluation of logistics risk factors with BWM method; Sivas province example,” Pesqui. Oper., vol. 44, p. e26745, 2024. DOI: 10.1590/0101-7438.2023.043.00286745.
15. J. Jiao, Y. Liu, and C. Xie, “The Optimization Model of E-Commerce Logistics Distribution Path Based on GIS Technology,” Adv. Multimedia, vol. 2022, p. 1234567, 2022. [Online]. Available: https://doi.org/10.1155/2022/1234567.
16. M. K. Pasupuleti, “Predictive Relief Logistics Models for Earthquakes and Floods Based on Traffic, Weather, and Supply Chain Data,” Int. J. Acad. Ind. Res. Innov., vol. 5, no. 4, pp. 142–150, 2025.
17. Зорькин Д. Ю., Самофалова Л. В., Асанова Н. В. Муравьиный алгоритм на Python // Известия ЮФУ. Технические науки. – 2025. – № 1 (243).
18. Кошуняева Н. В., Тутыгин А. Г. Сравнительный анализ эффективности использования метаэвристических методов моделирования для решения задачи коммивояжёра // Моделирование и анализ данных. – 2025. – Т. 15, № 3. – С. 76–93.
19. Конев К. А. Машинное обучение для поддержки принятия решений в сфере качества на промышленном предприятии // Экономика. Информатика. – 2023. – № 3.
20. G. Andrienko, N. Andrienko, G. Fuchs, and J. M. Cordero Garcia, “Clustering Trajectories by Relevant Parts for Air Traffic Analysis,” IEEE Trans. Vis. Comput. Graphics, vol. 24, no. 1, pp. 34–44, 2018. DOI: 10.1109/TVCG.2017.2744322.
21. T. Li et al., “HGeoKG: A Hierarchical Geographic Knowledge Graph for Geographic Knowledge Reasoning,” ISPRS Int. J. Geo-Inf., vol. 14, no. 1, p. 18, 2025.
22. R. Pierdicca, N. Muralikrishna, F. Tonetto, and A. Ghianda, “On the Use of LLMs for GIS-Based Spatial Analysis,” ISPRS Int. J. Geo-Inf., vol. 14, no. 10, p. 401, 2025.
23. Иванова Н. В., Белов В. С., Самаркин А. И. и др. Картографический анализ экстренных вызовов на дорожно-транспортные происшествия для оптимизации работы службы скорой медицинской помощи // Вестник Псковского государственного университета. Серия: Естественные и физико-математические науки. – 2023. – Т. 16, № 2. – С. 114–129.
24. Беляков С. Л., Израилев Л. А. Геоинформационные модели аварийных ситуаций с пространственными обобщениями // Известия ЮФУ. Технические науки. – 2025. – № 1 (243). – С. 153–164. DOI: 10.18522/2311-3103-2025-1-153-164.
25. N. Y. Uzun and A. Deran, “The importance of logistics costs in e-commerce businesses,” Mersin Univ. J. Marit. Fac., vol. 7, no. 1, pp. 9–25, 2025. DOI: 10.47512/meujmaf.1699397.
26. Маколова Л. В. Управление проектами в логистике: учеб. пособие. – Ростов-на-Дону: РГУПС, 2017
2. Дли М. И., Соколов А. М., Воротилова М. Ю. Построение локальных нечетких моделей для ситуационного управления сложными объектами на основе прецедентов // Программные продукты и системы. – 2025. – № 3.
3. Рашевский Н. М., Руденко И. Е., Соколов Д. А., Феклистов В. А., Якунин О. А. Разработка системы поддержки принятия решений на основе рассуждения по прецедентам по оценке безопасности участка транспортной системы города // Информатика, вычислительная техника и управление (ИВД). – 2022. – № 7 (91).
4. Рожко А. И., Ханова А. А. Концептуальная структура системы управления транспортнологистическим проектом на основе имитационного моделирования // Вестник АГТУ.
Серия: Управление, вычислительная техника и информатика. – 2022. – № 1.
5. L. Marzantowicz, “The Impact of Uncertainty Factors on the Decision-Making Process of Logistics Management,” Processes, vol. 8, no. 5, p. 512, 2020. DOI: 10.3390/pr8050512
6. Беляков С. Л., Боженюк А. В., Белякова М. Л. Прецедентный анализ геоинформационных моделей проектов логистики // Наука и технологии железных дорог. – 2019. – № 2.
7. K. Guo, “Design of Human-Machine Collaborative Decision Support System in Emergency Logistics Scenarios,” Int. J. Glob. Econ. Manag., vol. 7, no. 3, pp. 98–106, 2025. DOI: 10.62051/ ijgem.v7n3.10.
8. I. Jażdżewska and K. Żerek, “A spatial analysis of one of the regional logistics clusters in central Poland using GIS,” Environ. Socio-Econ. Stud., vol. 12, no. 2, pp. 48–61, 2024. DOI: 10.2478/ environ-2024-0012.
9. K. R. Mudunuru, R. Remala, and S. K. Nagarajan, “Leveraging IoT and Data Analytics in Logistics: Optimized Routing, Safety, and Resource Planning,” Int. J. Comput. Trends Technol., vol. 72, no. 7, pp. 101–107, 2024. DOI: 10.14445/22312803/IJCTT-V72I7P113.
10. A. Robinson, “Geovisual Analytics,” in The Geographic Information Science & Technology Body of Knowledge, J. P. Wilson, Ed., 3rd Quart. 2017. [Online]. Available: https://doi.org/10.22224/ gistbok/2017.3.6.
11. C. Y. Krishna, “AI-Powered Supply Chain Optimization: Enhancing Demand Forecasting and Logistics,” J. Comput. Sci. Technol. Stud., vol. 7, no. 4, pp. 792–801, 2025.
12. J. Mašek, L. Duricova, and J. Čamaj, “Analysing factors influencing railway accidents: A predictive approach using multinomial logistic regression and data mining,” PLoS One, vol. 20, no. 10, p. e0256789, 2025.
13. J. Li et al., “ChatSync: Large Language Model Enabled Spatial-Temporal Knowledge Reasoning for Production Logistics Synchronization,” IEEE Internet Things J., vol. 12, no. 22, pp. 47499– 47518, 2025. DOI: 10.1109/JIOT.2025.3603073.
14. U. Olmez et al., “Evaluation of logistics risk factors with BWM method; Sivas province example,” Pesqui. Oper., vol. 44, p. e26745, 2024. DOI: 10.1590/0101-7438.2023.043.00286745.
15. J. Jiao, Y. Liu, and C. Xie, “The Optimization Model of E-Commerce Logistics Distribution Path Based on GIS Technology,” Adv. Multimedia, vol. 2022, p. 1234567, 2022. [Online]. Available: https://doi.org/10.1155/2022/1234567.
16. M. K. Pasupuleti, “Predictive Relief Logistics Models for Earthquakes and Floods Based on Traffic, Weather, and Supply Chain Data,” Int. J. Acad. Ind. Res. Innov., vol. 5, no. 4, pp. 142–150, 2025.
17. Зорькин Д. Ю., Самофалова Л. В., Асанова Н. В. Муравьиный алгоритм на Python // Известия ЮФУ. Технические науки. – 2025. – № 1 (243).
18. Кошуняева Н. В., Тутыгин А. Г. Сравнительный анализ эффективности использования метаэвристических методов моделирования для решения задачи коммивояжёра // Моделирование и анализ данных. – 2025. – Т. 15, № 3. – С. 76–93.
19. Конев К. А. Машинное обучение для поддержки принятия решений в сфере качества на промышленном предприятии // Экономика. Информатика. – 2023. – № 3.
20. G. Andrienko, N. Andrienko, G. Fuchs, and J. M. Cordero Garcia, “Clustering Trajectories by Relevant Parts for Air Traffic Analysis,” IEEE Trans. Vis. Comput. Graphics, vol. 24, no. 1, pp. 34–44, 2018. DOI: 10.1109/TVCG.2017.2744322.
21. T. Li et al., “HGeoKG: A Hierarchical Geographic Knowledge Graph for Geographic Knowledge Reasoning,” ISPRS Int. J. Geo-Inf., vol. 14, no. 1, p. 18, 2025.
22. R. Pierdicca, N. Muralikrishna, F. Tonetto, and A. Ghianda, “On the Use of LLMs for GIS-Based Spatial Analysis,” ISPRS Int. J. Geo-Inf., vol. 14, no. 10, p. 401, 2025.
23. Иванова Н. В., Белов В. С., Самаркин А. И. и др. Картографический анализ экстренных вызовов на дорожно-транспортные происшествия для оптимизации работы службы скорой медицинской помощи // Вестник Псковского государственного университета. Серия: Естественные и физико-математические науки. – 2023. – Т. 16, № 2. – С. 114–129.
24. Беляков С. Л., Израилев Л. А. Геоинформационные модели аварийных ситуаций с пространственными обобщениями // Известия ЮФУ. Технические науки. – 2025. – № 1 (243). – С. 153–164. DOI: 10.18522/2311-3103-2025-1-153-164.
25. N. Y. Uzun and A. Deran, “The importance of logistics costs in e-commerce businesses,” Mersin Univ. J. Marit. Fac., vol. 7, no. 1, pp. 9–25, 2025. DOI: 10.47512/meujmaf.1699397.
26. Маколова Л. В. Управление проектами в логистике: учеб. пособие. – Ростов-на-Дону: РГУПС, 2017
BUILDING A DISTRIBUTION MAP OF ANOMALIES IN THE EXECUTION OF LOGISTICS PROJECTS UNDER CONDITIONS OF UNCERTAINTY
Abstract
For the successful implementation of a logistics operation, it is necessary to predict the possibility of unforeseen situations.
They can cause undesirable costs. It requires making decisions that help to overcome situations. However, such decisions
often have to be made in conditions of incompleteness and uncertainty of the available information. The variability of
the environment requires constant updating of information about the factors affecting the implementation of logistics
operations. It is almost impossible to get a complete picture of all these factors, so experience and knowledge play
an important role in making decisions. However, the applicability of knowledge about solving a particular situation is
limited by the factors that were observed at the time of implementation. In order to overcome this disadvantage, the
article proposes the development of a model for transferring useful knowledge from precedents to a new situation using
the example of the problem of determining the zones of influence of anomalies in a logistics project. The use-Case-Based
Reasoning method is used to implement the model. It allows you to solve a new problem by applying or adapting a
previously used solution. Logistics projects are described by geoinformation models
Keywords
intelligent geoinformation systems, geoinformation systems, precedent analysis, decision-making in
conditions of uncertainty
References
1. Мусайбеков А. Г., Хабибулин Р. Ш., Ухатов В. С. Анализ результатов поиска и сходимости
прецедентов в системе поддержки управления ликвидации пожаров и чрезвычайных
ситуаций // Современные проблемы гражданской защиты. – 2020. – № 1(34). – С. 4–15.
2. Дли М. И., Соколов А. М., Воротилова М. Ю. Построение локальных нечетких моделей для ситуационного управления сложными объектами на основе прецедентов // Программные продукты и системы. – 2025. – № 3.
3. Рашевский Н. М., Руденко И. Е., Соколов Д. А., Феклистов В. А., Якунин О. А. Разработка системы поддержки принятия решений на основе рассуждения по прецедентам по оценке безопасности участка транспортной системы города // Информатика, вычислительная техника и управление (ИВД). – 2022. – № 7 (91).
4. Рожко А. И., Ханова А. А. Концептуальная структура системы управления транспортнологистическим проектом на основе имитационного моделирования // Вестник АГТУ.
Серия: Управление, вычислительная техника и информатика. – 2022. – № 1.
5. L. Marzantowicz, “The Impact of Uncertainty Factors on the Decision-Making Process of Logistics Management,” Processes, vol. 8, no. 5, p. 512, 2020. DOI: 10.3390/pr8050512
6. Беляков С. Л., Боженюк А. В., Белякова М. Л. Прецедентный анализ геоинформационных моделей проектов логистики // Наука и технологии железных дорог. – 2019. – № 2.
7. K. Guo, “Design of Human-Machine Collaborative Decision Support System in Emergency Logistics Scenarios,” Int. J. Glob. Econ. Manag., vol. 7, no. 3, pp. 98–106, 2025. DOI: 10.62051/ ijgem.v7n3.10.
8. I. Jażdżewska and K. Żerek, “A spatial analysis of one of the regional logistics clusters in central Poland using GIS,” Environ. Socio-Econ. Stud., vol. 12, no. 2, pp. 48–61, 2024. DOI: 10.2478/ environ-2024-0012.
9. K. R. Mudunuru, R. Remala, and S. K. Nagarajan, “Leveraging IoT and Data Analytics in Logistics: Optimized Routing, Safety, and Resource Planning,” Int. J. Comput. Trends Technol., vol. 72, no. 7, pp. 101–107, 2024. DOI: 10.14445/22312803/IJCTT-V72I7P113.
10. A. Robinson, “Geovisual Analytics,” in The Geographic Information Science & Technology Body of Knowledge, J. P. Wilson, Ed., 3rd Quart. 2017. [Online]. Available: https://doi.org/10.22224/ gistbok/2017.3.6.
11. C. Y. Krishna, “AI-Powered Supply Chain Optimization: Enhancing Demand Forecasting and Logistics,” J. Comput. Sci. Technol. Stud., vol. 7, no. 4, pp. 792–801, 2025.
12. J. Mašek, L. Duricova, and J. Čamaj, “Analysing factors influencing railway accidents: A predictive approach using multinomial logistic regression and data mining,” PLoS One, vol. 20, no. 10, p. e0256789, 2025.
13. J. Li et al., “ChatSync: Large Language Model Enabled Spatial-Temporal Knowledge Reasoning for Production Logistics Synchronization,” IEEE Internet Things J., vol. 12, no. 22, pp. 47499– 47518, 2025. DOI: 10.1109/JIOT.2025.3603073.
14. U. Olmez et al., “Evaluation of logistics risk factors with BWM method; Sivas province example,” Pesqui. Oper., vol. 44, p. e26745, 2024. DOI: 10.1590/0101-7438.2023.043.00286745.
15. J. Jiao, Y. Liu, and C. Xie, “The Optimization Model of E-Commerce Logistics Distribution Path Based on GIS Technology,” Adv. Multimedia, vol. 2022, p. 1234567, 2022. [Online]. Available: https://doi.org/10.1155/2022/1234567.
16. M. K. Pasupuleti, “Predictive Relief Logistics Models for Earthquakes and Floods Based on Traffic, Weather, and Supply Chain Data,” Int. J. Acad. Ind. Res. Innov., vol. 5, no. 4, pp. 142–150, 2025.
17. Зорькин Д. Ю., Самофалова Л. В., Асанова Н. В. Муравьиный алгоритм на Python // Известия ЮФУ. Технические науки. – 2025. – № 1 (243).
18. Кошуняева Н. В., Тутыгин А. Г. Сравнительный анализ эффективности использования метаэвристических методов моделирования для решения задачи коммивояжёра // Моделирование и анализ данных. – 2025. – Т. 15, № 3. – С. 76–93.
19. Конев К. А. Машинное обучение для поддержки принятия решений в сфере качества на промышленном предприятии // Экономика. Информатика. – 2023. – № 3.
20. G. Andrienko, N. Andrienko, G. Fuchs, and J. M. Cordero Garcia, “Clustering Trajectories by Relevant Parts for Air Traffic Analysis,” IEEE Trans. Vis. Comput. Graphics, vol. 24, no. 1, pp. 34–44, 2018. DOI: 10.1109/TVCG.2017.2744322.
21. T. Li et al., “HGeoKG: A Hierarchical Geographic Knowledge Graph for Geographic Knowledge Reasoning,” ISPRS Int. J. Geo-Inf., vol. 14, no. 1, p. 18, 2025.
22. R. Pierdicca, N. Muralikrishna, F. Tonetto, and A. Ghianda, “On the Use of LLMs for GIS-Based Spatial Analysis,” ISPRS Int. J. Geo-Inf., vol. 14, no. 10, p. 401, 2025.
23. Иванова Н. В., Белов В. С., Самаркин А. И. и др. Картографический анализ экстренных вызовов на дорожно-транспортные происшествия для оптимизации работы службы скорой медицинской помощи // Вестник Псковского государственного университета. Серия: Естественные и физико-математические науки. – 2023. – Т. 16, № 2. – С. 114–129.
24. Беляков С. Л., Израилев Л. А. Геоинформационные модели аварийных ситуаций с пространственными обобщениями // Известия ЮФУ. Технические науки. – 2025. – № 1 (243). – С. 153–164. DOI: 10.18522/2311-3103-2025-1-153-164.
25. N. Y. Uzun and A. Deran, “The importance of logistics costs in e-commerce businesses,” Mersin Univ. J. Marit. Fac., vol. 7, no. 1, pp. 9–25, 2025. DOI: 10.47512/meujmaf.1699397.
26. Маколова Л. В. Управление проектами в логистике: учеб. пособие. – Ростов-на-Дону: РГУПС, 2017
2. Дли М. И., Соколов А. М., Воротилова М. Ю. Построение локальных нечетких моделей для ситуационного управления сложными объектами на основе прецедентов // Программные продукты и системы. – 2025. – № 3.
3. Рашевский Н. М., Руденко И. Е., Соколов Д. А., Феклистов В. А., Якунин О. А. Разработка системы поддержки принятия решений на основе рассуждения по прецедентам по оценке безопасности участка транспортной системы города // Информатика, вычислительная техника и управление (ИВД). – 2022. – № 7 (91).
4. Рожко А. И., Ханова А. А. Концептуальная структура системы управления транспортнологистическим проектом на основе имитационного моделирования // Вестник АГТУ.
Серия: Управление, вычислительная техника и информатика. – 2022. – № 1.
5. L. Marzantowicz, “The Impact of Uncertainty Factors on the Decision-Making Process of Logistics Management,” Processes, vol. 8, no. 5, p. 512, 2020. DOI: 10.3390/pr8050512
6. Беляков С. Л., Боженюк А. В., Белякова М. Л. Прецедентный анализ геоинформационных моделей проектов логистики // Наука и технологии железных дорог. – 2019. – № 2.
7. K. Guo, “Design of Human-Machine Collaborative Decision Support System in Emergency Logistics Scenarios,” Int. J. Glob. Econ. Manag., vol. 7, no. 3, pp. 98–106, 2025. DOI: 10.62051/ ijgem.v7n3.10.
8. I. Jażdżewska and K. Żerek, “A spatial analysis of one of the regional logistics clusters in central Poland using GIS,” Environ. Socio-Econ. Stud., vol. 12, no. 2, pp. 48–61, 2024. DOI: 10.2478/ environ-2024-0012.
9. K. R. Mudunuru, R. Remala, and S. K. Nagarajan, “Leveraging IoT and Data Analytics in Logistics: Optimized Routing, Safety, and Resource Planning,” Int. J. Comput. Trends Technol., vol. 72, no. 7, pp. 101–107, 2024. DOI: 10.14445/22312803/IJCTT-V72I7P113.
10. A. Robinson, “Geovisual Analytics,” in The Geographic Information Science & Technology Body of Knowledge, J. P. Wilson, Ed., 3rd Quart. 2017. [Online]. Available: https://doi.org/10.22224/ gistbok/2017.3.6.
11. C. Y. Krishna, “AI-Powered Supply Chain Optimization: Enhancing Demand Forecasting and Logistics,” J. Comput. Sci. Technol. Stud., vol. 7, no. 4, pp. 792–801, 2025.
12. J. Mašek, L. Duricova, and J. Čamaj, “Analysing factors influencing railway accidents: A predictive approach using multinomial logistic regression and data mining,” PLoS One, vol. 20, no. 10, p. e0256789, 2025.
13. J. Li et al., “ChatSync: Large Language Model Enabled Spatial-Temporal Knowledge Reasoning for Production Logistics Synchronization,” IEEE Internet Things J., vol. 12, no. 22, pp. 47499– 47518, 2025. DOI: 10.1109/JIOT.2025.3603073.
14. U. Olmez et al., “Evaluation of logistics risk factors with BWM method; Sivas province example,” Pesqui. Oper., vol. 44, p. e26745, 2024. DOI: 10.1590/0101-7438.2023.043.00286745.
15. J. Jiao, Y. Liu, and C. Xie, “The Optimization Model of E-Commerce Logistics Distribution Path Based on GIS Technology,” Adv. Multimedia, vol. 2022, p. 1234567, 2022. [Online]. Available: https://doi.org/10.1155/2022/1234567.
16. M. K. Pasupuleti, “Predictive Relief Logistics Models for Earthquakes and Floods Based on Traffic, Weather, and Supply Chain Data,” Int. J. Acad. Ind. Res. Innov., vol. 5, no. 4, pp. 142–150, 2025.
17. Зорькин Д. Ю., Самофалова Л. В., Асанова Н. В. Муравьиный алгоритм на Python // Известия ЮФУ. Технические науки. – 2025. – № 1 (243).
18. Кошуняева Н. В., Тутыгин А. Г. Сравнительный анализ эффективности использования метаэвристических методов моделирования для решения задачи коммивояжёра // Моделирование и анализ данных. – 2025. – Т. 15, № 3. – С. 76–93.
19. Конев К. А. Машинное обучение для поддержки принятия решений в сфере качества на промышленном предприятии // Экономика. Информатика. – 2023. – № 3.
20. G. Andrienko, N. Andrienko, G. Fuchs, and J. M. Cordero Garcia, “Clustering Trajectories by Relevant Parts for Air Traffic Analysis,” IEEE Trans. Vis. Comput. Graphics, vol. 24, no. 1, pp. 34–44, 2018. DOI: 10.1109/TVCG.2017.2744322.
21. T. Li et al., “HGeoKG: A Hierarchical Geographic Knowledge Graph for Geographic Knowledge Reasoning,” ISPRS Int. J. Geo-Inf., vol. 14, no. 1, p. 18, 2025.
22. R. Pierdicca, N. Muralikrishna, F. Tonetto, and A. Ghianda, “On the Use of LLMs for GIS-Based Spatial Analysis,” ISPRS Int. J. Geo-Inf., vol. 14, no. 10, p. 401, 2025.
23. Иванова Н. В., Белов В. С., Самаркин А. И. и др. Картографический анализ экстренных вызовов на дорожно-транспортные происшествия для оптимизации работы службы скорой медицинской помощи // Вестник Псковского государственного университета. Серия: Естественные и физико-математические науки. – 2023. – Т. 16, № 2. – С. 114–129.
24. Беляков С. Л., Израилев Л. А. Геоинформационные модели аварийных ситуаций с пространственными обобщениями // Известия ЮФУ. Технические науки. – 2025. – № 1 (243). – С. 153–164. DOI: 10.18522/2311-3103-2025-1-153-164.
25. N. Y. Uzun and A. Deran, “The importance of logistics costs in e-commerce businesses,” Mersin Univ. J. Marit. Fac., vol. 7, no. 1, pp. 9–25, 2025. DOI: 10.47512/meujmaf.1699397.
26. Маколова Л. В. Управление проектами в логистике: учеб. пособие. – Ростов-на-Дону: РГУПС, 2017
ПРОИЗВОДИТЕЛЬНОСТЬ ТРУДА ЛОКОМОТИВНЫХ БРИГАД КАК КРИТЕРИЙ КАЧЕСТВА УПРАВЛЕНИЯ ПОЕЗДНОЙ РАБОТОЙ
Аннотация
В работе на основе исследования вопросов комплексной оптимизации параметров работы локомотивного парка
показана целесообразность включения в состав критериев качества управления поездной работой показателей
производительности труда локомотивных бригад (ЛБ). Предложена формулировка критериев оптимальности
производительности труда ЛБ в контексте управления работой локомотивного парка на полигоне. Показано,
что решение проблемы оптимизации производительности труда ЛБ находится в тесной связи с задачей поиска
оптимальных способов тягового обслуживания участков полигона в рамках принятой модели эксплуатации
локомотивов. Особое внимание обращено на связь величины часовой выработки ЛБ и степенью развития
функционала системы вождения поездов в режиме автопилота. Обозначен подход к определению рационального
соотношения между производительной силой труда и его интенсивностью, и выделена его связь с оценкой
пропорциональности использования режимов ручного и беспилотного вождения поездов
Ключевые слова
организация движения, локомотивный парк, локомотивная бригада, производительность
труда, поездная работа
Список литературы
1. Власенский А. А., Филипченко А. С. Логистика эксплуатационной работы железных
дорог на основе полигонной технологии управления тяговыми ресурсами // Логистика –
евразийский мост: материалы XVI Междунар. науч.-практ. конф., Красноярск, 27–30 апр.
2022 г.: в 2 ч. – Ч. 1. – Красноярск: Краснояр. ГАУ, 2022. – С. 54–61.
2. Власенский А. А., Сотников Е. А. Повышение эффективности полигонных технологий управления тяговыми ресурсами // Железнодорожный транспорт. – 2015. – № 8. – С. 4–7. – ISSN 0044-4448.
3. Котенко А. Г., Котенко О. В. Динамические модели управления работой станций в рамках концепции киберфизических систем // Автоматика на транспорте. – 2020. – Т. 6, № 2. – С. 165–183.
4. Котенко О. В. Постановка задачи оптимизации параметров управления работой локомотивного парка на полигоне // Проблемы безопасности на транспорте: материалы X Междунар. науч.-практ. конф., Гомель, 26–27 нояб. 2020 г.: в 5 ч. – Ч. 3. – Гомель: БелГУТ, 2020. – С. 134–138.
5. Лапидус Б. М. Проблемы и задачи повышения производительности труда в ОАО «РЖД» // Бюллетень Объединённого учёного совета ОАО «РЖД». – 2016. – № 3. – С. 1–16.
6. Романцов А. Н. Экономическая сущность производительности труда в решении проблем её и повышения // Модели, системы, сети в экономике, технике, природе и обществе. – 2016. – № 4 (20). – С. 44–58.
7. Котенко О. В. Роль производительности труда локомотивных бригад в технологической регламентации перевозочного процесса // Бетанкуровский международный инженерный форум: сб. тр. III форума, Санкт-Петербург, 2–3 дек. 2021 г.: в 2 т. – Т. 1. – СПб.: Петерб. гос. ун-т путей сообщения, 2021. – С. 216–218.
8. Радостаева М. В. К вопросу о производительности труда // Научные ведомости. Сер. Экономика. Информатика. – 2018. – Т. 45, № 2. – С. 268–272.
9. Некрашевич В. И., Игнатов А. И. Методика расчета потребности в локомотивах при их оперативном секционировании и кратной тяге // Вестник ВНИИЖТ. – 2008. – № 2. – С. 24–30.
10. Некрашевич В. И., Ковалев В. Н., Сальченко В. Н. Месячное планирование парка локомотивов грузового движения // Вестник НИИАС. – 2012. – № 5. – С. 24–31.
11. Агеева М. А., Лаханкин Е. А., Подорин А. А., Кибанов Г. В. Автоматизация расчета потребности локомотивов и локомотивных бригад на график движения поездов с учетом индивидуальных особенностей полигона Октябрьской и Западно-Сибирской железных дорог в АСГОЛ-ГДС // Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование: сб. тр. VII науч.-техн. конф. «ИСУЖТ-2018». – М.: НИИАС, 2018. – С. 47–51.
12. Лаханкин Е. А. Планирование потребности в тяговых ресурсах. Организация работы локомотивов и локомотивных бригад // Бюллетень Ученого Совета АО «ИЭРТ». – 2016. – С. 43–48.
13. Некрашевич В. И. Использование поездных локомотивов в грузовом движении. – Гомель: БелГУТ, 2001. – 270 с.
14. S. Ji et al., "Optimization of sea-rail intermodal container collection and distribution under novel port layout," J. Rail Transp. Plan. Manag., vol. 33, p. 100503, 2025.
15. X. Wang and Z. Jin, "Collaborative optimization of multi-equipment scheduling and intersection point allocation for U-shaped automated sea-rail intermodal container terminals," IEEE Trans. Autom. Sci. Eng., 2024. (Early Access).
16. F. Essghaier et al., "Fuzzy multi-objective truck scheduling in multi-modal rail–road physical internet hubs," Comput. Ind. Eng., vol. 182, p. 109404, 2023.
17. S. Kat et al., "Rolling stock scheduling algorithm for temporary timetable after natural disaster," Q. Rep. Railw. Tech. Res. Inst., vol. 65, no. 3, pp. 182–187, 2024.
2. Власенский А. А., Сотников Е. А. Повышение эффективности полигонных технологий управления тяговыми ресурсами // Железнодорожный транспорт. – 2015. – № 8. – С. 4–7. – ISSN 0044-4448.
3. Котенко А. Г., Котенко О. В. Динамические модели управления работой станций в рамках концепции киберфизических систем // Автоматика на транспорте. – 2020. – Т. 6, № 2. – С. 165–183.
4. Котенко О. В. Постановка задачи оптимизации параметров управления работой локомотивного парка на полигоне // Проблемы безопасности на транспорте: материалы X Междунар. науч.-практ. конф., Гомель, 26–27 нояб. 2020 г.: в 5 ч. – Ч. 3. – Гомель: БелГУТ, 2020. – С. 134–138.
5. Лапидус Б. М. Проблемы и задачи повышения производительности труда в ОАО «РЖД» // Бюллетень Объединённого учёного совета ОАО «РЖД». – 2016. – № 3. – С. 1–16.
6. Романцов А. Н. Экономическая сущность производительности труда в решении проблем её и повышения // Модели, системы, сети в экономике, технике, природе и обществе. – 2016. – № 4 (20). – С. 44–58.
7. Котенко О. В. Роль производительности труда локомотивных бригад в технологической регламентации перевозочного процесса // Бетанкуровский международный инженерный форум: сб. тр. III форума, Санкт-Петербург, 2–3 дек. 2021 г.: в 2 т. – Т. 1. – СПб.: Петерб. гос. ун-т путей сообщения, 2021. – С. 216–218.
8. Радостаева М. В. К вопросу о производительности труда // Научные ведомости. Сер. Экономика. Информатика. – 2018. – Т. 45, № 2. – С. 268–272.
9. Некрашевич В. И., Игнатов А. И. Методика расчета потребности в локомотивах при их оперативном секционировании и кратной тяге // Вестник ВНИИЖТ. – 2008. – № 2. – С. 24–30.
10. Некрашевич В. И., Ковалев В. Н., Сальченко В. Н. Месячное планирование парка локомотивов грузового движения // Вестник НИИАС. – 2012. – № 5. – С. 24–31.
11. Агеева М. А., Лаханкин Е. А., Подорин А. А., Кибанов Г. В. Автоматизация расчета потребности локомотивов и локомотивных бригад на график движения поездов с учетом индивидуальных особенностей полигона Октябрьской и Западно-Сибирской железных дорог в АСГОЛ-ГДС // Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование: сб. тр. VII науч.-техн. конф. «ИСУЖТ-2018». – М.: НИИАС, 2018. – С. 47–51.
12. Лаханкин Е. А. Планирование потребности в тяговых ресурсах. Организация работы локомотивов и локомотивных бригад // Бюллетень Ученого Совета АО «ИЭРТ». – 2016. – С. 43–48.
13. Некрашевич В. И. Использование поездных локомотивов в грузовом движении. – Гомель: БелГУТ, 2001. – 270 с.
14. S. Ji et al., "Optimization of sea-rail intermodal container collection and distribution under novel port layout," J. Rail Transp. Plan. Manag., vol. 33, p. 100503, 2025.
15. X. Wang and Z. Jin, "Collaborative optimization of multi-equipment scheduling and intersection point allocation for U-shaped automated sea-rail intermodal container terminals," IEEE Trans. Autom. Sci. Eng., 2024. (Early Access).
16. F. Essghaier et al., "Fuzzy multi-objective truck scheduling in multi-modal rail–road physical internet hubs," Comput. Ind. Eng., vol. 182, p. 109404, 2023.
17. S. Kat et al., "Rolling stock scheduling algorithm for temporary timetable after natural disaster," Q. Rep. Railw. Tech. Res. Inst., vol. 65, no. 3, pp. 182–187, 2024.
LABOR PRODUCTIVITY OF LOCOMOTIVE CREWS AS A CRITERION FOR THE QUALITY OF TRAIN OPERATION MANAGEMENT
Abstract
Based on the study of the issues of complex optimization of the parameters of the locomotive fleet, the expediency
of including indicators of labor productivity of locomotive crews (LB) in the criteria for the quality of train operation
management is shown. The formulation of criteria for optimal LB labor productivity in the context of managing the
operation of the locomotive fleet at the landfill is proposed. It is shown that the solution to the problem of optimizing LB
labor productivity is closely related to the task of finding optimal ways of traction maintenance of landfill sites within
the framework of the accepted model of locomotive operation. Special attention is paid to the relationship between the
hourly output of LB and the degree of development of the functionality of the train driving system in autopilot mode.
An approach to determining the rational relationship between the productive power of labor and its intensity is outlined,
and its relationship to the assessment of the proportionality of the use of manual and unmanned train driving modes is
highlighted
Keywords
traffic management, locomotive fleet, locomotive crew, labor productivity, train work
References
1. Власенский А. А., Филипченко А. С. Логистика эксплуатационной работы железных
дорог на основе полигонной технологии управления тяговыми ресурсами // Логистика –
евразийский мост: материалы XVI Междунар. науч.-практ. конф., Красноярск, 27–30 апр.
2022 г.: в 2 ч. – Ч. 1. – Красноярск: Краснояр. ГАУ, 2022. – С. 54–61.
2. Власенский А. А., Сотников Е. А. Повышение эффективности полигонных технологий управления тяговыми ресурсами // Железнодорожный транспорт. – 2015. – № 8. – С. 4–7. – ISSN 0044-4448.
3. Котенко А. Г., Котенко О. В. Динамические модели управления работой станций в рамках концепции киберфизических систем // Автоматика на транспорте. – 2020. – Т. 6, № 2. – С. 165–183.
4. Котенко О. В. Постановка задачи оптимизации параметров управления работой локомотивного парка на полигоне // Проблемы безопасности на транспорте: материалы X Междунар. науч.-практ. конф., Гомель, 26–27 нояб. 2020 г.: в 5 ч. – Ч. 3. – Гомель: БелГУТ, 2020. – С. 134–138.
5. Лапидус Б. М. Проблемы и задачи повышения производительности труда в ОАО «РЖД» // Бюллетень Объединённого учёного совета ОАО «РЖД». – 2016. – № 3. – С. 1–16.
6. Романцов А. Н. Экономическая сущность производительности труда в решении проблем её и повышения // Модели, системы, сети в экономике, технике, природе и обществе. – 2016. – № 4 (20). – С. 44–58.
7. Котенко О. В. Роль производительности труда локомотивных бригад в технологической регламентации перевозочного процесса // Бетанкуровский международный инженерный форум: сб. тр. III форума, Санкт-Петербург, 2–3 дек. 2021 г.: в 2 т. – Т. 1. – СПб.: Петерб. гос. ун-т путей сообщения, 2021. – С. 216–218.
8. Радостаева М. В. К вопросу о производительности труда // Научные ведомости. Сер. Экономика. Информатика. – 2018. – Т. 45, № 2. – С. 268–272.
9. Некрашевич В. И., Игнатов А. И. Методика расчета потребности в локомотивах при их оперативном секционировании и кратной тяге // Вестник ВНИИЖТ. – 2008. – № 2. – С. 24–30.
10. Некрашевич В. И., Ковалев В. Н., Сальченко В. Н. Месячное планирование парка локомотивов грузового движения // Вестник НИИАС. – 2012. – № 5. – С. 24–31.
11. Агеева М. А., Лаханкин Е. А., Подорин А. А., Кибанов Г. В. Автоматизация расчета потребности локомотивов и локомотивных бригад на график движения поездов с учетом индивидуальных особенностей полигона Октябрьской и Западно-Сибирской железных дорог в АСГОЛ-ГДС // Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование: сб. тр. VII науч.-техн. конф. «ИСУЖТ-2018». – М.: НИИАС, 2018. – С. 47–51.
12. Лаханкин Е. А. Планирование потребности в тяговых ресурсах. Организация работы локомотивов и локомотивных бригад // Бюллетень Ученого Совета АО «ИЭРТ». – 2016. – С. 43–48.
13. Некрашевич В. И. Использование поездных локомотивов в грузовом движении. – Гомель: БелГУТ, 2001. – 270 с.
14. S. Ji et al., "Optimization of sea-rail intermodal container collection and distribution under novel port layout," J. Rail Transp. Plan. Manag., vol. 33, p. 100503, 2025.
15. X. Wang and Z. Jin, "Collaborative optimization of multi-equipment scheduling and intersection point allocation for U-shaped automated sea-rail intermodal container terminals," IEEE Trans. Autom. Sci. Eng., 2024. (Early Access).
16. F. Essghaier et al., "Fuzzy multi-objective truck scheduling in multi-modal rail–road physical internet hubs," Comput. Ind. Eng., vol. 182, p. 109404, 2023.
17. S. Kat et al., "Rolling stock scheduling algorithm for temporary timetable after natural disaster," Q. Rep. Railw. Tech. Res. Inst., vol. 65, no. 3, pp. 182–187, 2024.
2. Власенский А. А., Сотников Е. А. Повышение эффективности полигонных технологий управления тяговыми ресурсами // Железнодорожный транспорт. – 2015. – № 8. – С. 4–7. – ISSN 0044-4448.
3. Котенко А. Г., Котенко О. В. Динамические модели управления работой станций в рамках концепции киберфизических систем // Автоматика на транспорте. – 2020. – Т. 6, № 2. – С. 165–183.
4. Котенко О. В. Постановка задачи оптимизации параметров управления работой локомотивного парка на полигоне // Проблемы безопасности на транспорте: материалы X Междунар. науч.-практ. конф., Гомель, 26–27 нояб. 2020 г.: в 5 ч. – Ч. 3. – Гомель: БелГУТ, 2020. – С. 134–138.
5. Лапидус Б. М. Проблемы и задачи повышения производительности труда в ОАО «РЖД» // Бюллетень Объединённого учёного совета ОАО «РЖД». – 2016. – № 3. – С. 1–16.
6. Романцов А. Н. Экономическая сущность производительности труда в решении проблем её и повышения // Модели, системы, сети в экономике, технике, природе и обществе. – 2016. – № 4 (20). – С. 44–58.
7. Котенко О. В. Роль производительности труда локомотивных бригад в технологической регламентации перевозочного процесса // Бетанкуровский международный инженерный форум: сб. тр. III форума, Санкт-Петербург, 2–3 дек. 2021 г.: в 2 т. – Т. 1. – СПб.: Петерб. гос. ун-т путей сообщения, 2021. – С. 216–218.
8. Радостаева М. В. К вопросу о производительности труда // Научные ведомости. Сер. Экономика. Информатика. – 2018. – Т. 45, № 2. – С. 268–272.
9. Некрашевич В. И., Игнатов А. И. Методика расчета потребности в локомотивах при их оперативном секционировании и кратной тяге // Вестник ВНИИЖТ. – 2008. – № 2. – С. 24–30.
10. Некрашевич В. И., Ковалев В. Н., Сальченко В. Н. Месячное планирование парка локомотивов грузового движения // Вестник НИИАС. – 2012. – № 5. – С. 24–31.
11. Агеева М. А., Лаханкин Е. А., Подорин А. А., Кибанов Г. В. Автоматизация расчета потребности локомотивов и локомотивных бригад на график движения поездов с учетом индивидуальных особенностей полигона Октябрьской и Западно-Сибирской железных дорог в АСГОЛ-ГДС // Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование: сб. тр. VII науч.-техн. конф. «ИСУЖТ-2018». – М.: НИИАС, 2018. – С. 47–51.
12. Лаханкин Е. А. Планирование потребности в тяговых ресурсах. Организация работы локомотивов и локомотивных бригад // Бюллетень Ученого Совета АО «ИЭРТ». – 2016. – С. 43–48.
13. Некрашевич В. И. Использование поездных локомотивов в грузовом движении. – Гомель: БелГУТ, 2001. – 270 с.
14. S. Ji et al., "Optimization of sea-rail intermodal container collection and distribution under novel port layout," J. Rail Transp. Plan. Manag., vol. 33, p. 100503, 2025.
15. X. Wang and Z. Jin, "Collaborative optimization of multi-equipment scheduling and intersection point allocation for U-shaped automated sea-rail intermodal container terminals," IEEE Trans. Autom. Sci. Eng., 2024. (Early Access).
16. F. Essghaier et al., "Fuzzy multi-objective truck scheduling in multi-modal rail–road physical internet hubs," Comput. Ind. Eng., vol. 182, p. 109404, 2023.
17. S. Kat et al., "Rolling stock scheduling algorithm for temporary timetable after natural disaster," Q. Rep. Railw. Tech. Res. Inst., vol. 65, no. 3, pp. 182–187, 2024.
МЕТОДЫ ИСПЫТАНИЙ ДЛЯ ОЦЕНКИ СООТВЕТСТВИЯ ПОДСИСТЕМЫ ДОРОЖНОГО ВИДЕОНАБЛЮДЕНИЯ В СОСТАВЕ ИНТЕЛЛЕКТУАЛЬНЫХ ТРАНСПОРТНЫХ СИСТЕМ
Аннотация
Статья посвящена разработке методов испытаний подсистемы дорожного видеонаблюдения в составе
интеллектуальных транспортных систем. Основное внимание уделено формированию подхода, позволяющего
подтвердить выполнение подсистемой ее основных функций – формирование, передачу и отображение визуальной
информации о дорожной обстановке. Предложена методика, основанная на определении зон обнаружения,
распознавания и идентификации объектов наблюдения (пешеходов, транспортных средств и государственных
регистрационных знаков) при соблюдении минимально необходимых технических характеристик оборудования.
Результаты натурных испытаний, проведенных на пилотной зоне в Республике Татарстан, позволили
установить количественные показатели зон наблюдения и оценить метрологические параметры погрешностей.
Разработанный метод обеспечивает воспроизводимость результатов и может применяться при проектировании,
вводе в эксплуатацию и эксплуатации подсистем дорожного видеонаблюдения
Ключевые слова
интеллектуальные транспортные системы, дорожное видеонаблюдение, методы испытаний,
оценка соответствия, зоны наблюдения, погрешность измерений
Список литературы
1. Кирьян И. В., Трепалин В. А. Интеллектуальные транспортные системы видеонаблюдения:
обзор литературы // StudNet. – 2022. – № 4. [Электронный ресурс]. – URL: https://cyberleninka.
ru/article/n/intellektualnye-transportnye-sistemy-videonablyudeniya-obzor-literatury (дата
обращения: 28.11.2025).
2. О техническом регулировании: федер. закон от 27.12.2002 № 184-ФЗ (ред. от 25.12.2023) [Электронный ресурс]. – Доступ из СПС «КонсультантПлюс».
3. Жанказиев С. В. Разработка проектов интеллектуальных транспортных систем: учеб. пособие. – М.: МАДИ, 2016. – 104 с. – EDN VUOCCP.
4. Alarm Systems – CCTV Surveillance Systems for Use in Security Applications – Part 7: Application Guidelines (BSI BS EN 50132-7). – British Standards Institution (BSI).
5. Alarm system – CCTV surveillance systems for use in security applications – Part 7: Application guidelines (EN 50132-7). – European Committee for Standardization (CEN).
6. Свистельников А. А., Ковешников А. А., Феофанов В. В., Малыхина П. В. Востребованность испытаний и исследований интеллектуальных транспортных систем и отдельных ее элементов // Вестник НЦ БЖД. – 2024. – № 3 (61). – С. 87–95.
7. T. Gandhi and M. M. Trivedi, “Pedestrian protection systems: Issues, survey, and challenges,” IEEE Trans. Intell. Transp. Syst., vol. 8, no. 3, pp. 413–430, 2007. DOI: 10.1109/TITS.2007.903444.
8. О безопасности колесных транспортных средств: реш. Комиссии Таможенного союза от 09.12.2011 № 877 (ред. от 27.09.2023) (ТР ТС 018/2011) [Электронный ресурс]. – URL: https://legalacts.ru/doc/reshenie-komissii-tamozhennogo-soiuza-ot-09122011-n-877-o/ (дата обращения: 21.08.2025).
9. О безопасности автомобильных дорог: реш. Комиссии Таможенного союза от 18.10.2011 № 827 (ред. от 12.10.2015) (ТР ТС 014/2011) [Электронный ресурс]. – URL: https://legalacts. ru/doc/reshenie-komissii-tamozhennogo-soiuza-ot-18102011-n-827-o/(дата обращения: 21.08.2025).
10. О безопасности дорожного движения: федер. закон от 10.12.1995 № 196-ФЗ (ред. от 07.07.2025) [Электронный ресурс]. – Доступ из СПС «КонсультантПлюс».
11. Свистельников А. А., Ковешников А. А., Феофанов В. В., Малыхина П. В., Торопов Н. Ю. Экспериментальное обоснование подходов к формированию методики испытаний подсистемы мониторинга параметров транспортного потока // Дороги и мосты. – 2024. – № 52/2. – С. 287–305.
12. ПНСТ 893-2023. Интеллектуальные транспортные системы. Подсистема видеонаблюдения и детектирования дорожно-транспортных происшествий и чрезвычайных ситуаций. Общие технические требования [Электронный ресурс] // Росстандарт. – URL: https://www.rst.gov. ru/portal/gost/home/gost/ (дата обращения: 08.09.2025).
13. ГОСТ Р 51672-2000. Метрологическое обеспечение испытаний продукции для целей подтверждения соответствия. – М.: Госстандарт России, 2000. – 19 с.
14. ГОСТ Р 8.736-2011. Государственная система обеспечения единства измерений (ГСИ). Измерения прямые многократные. Методы обработки результатов измерений. Основные положения. – М.: Стандартинформ, 2011. – 4 с.
2. О техническом регулировании: федер. закон от 27.12.2002 № 184-ФЗ (ред. от 25.12.2023) [Электронный ресурс]. – Доступ из СПС «КонсультантПлюс».
3. Жанказиев С. В. Разработка проектов интеллектуальных транспортных систем: учеб. пособие. – М.: МАДИ, 2016. – 104 с. – EDN VUOCCP.
4. Alarm Systems – CCTV Surveillance Systems for Use in Security Applications – Part 7: Application Guidelines (BSI BS EN 50132-7). – British Standards Institution (BSI).
5. Alarm system – CCTV surveillance systems for use in security applications – Part 7: Application guidelines (EN 50132-7). – European Committee for Standardization (CEN).
6. Свистельников А. А., Ковешников А. А., Феофанов В. В., Малыхина П. В. Востребованность испытаний и исследований интеллектуальных транспортных систем и отдельных ее элементов // Вестник НЦ БЖД. – 2024. – № 3 (61). – С. 87–95.
7. T. Gandhi and M. M. Trivedi, “Pedestrian protection systems: Issues, survey, and challenges,” IEEE Trans. Intell. Transp. Syst., vol. 8, no. 3, pp. 413–430, 2007. DOI: 10.1109/TITS.2007.903444.
8. О безопасности колесных транспортных средств: реш. Комиссии Таможенного союза от 09.12.2011 № 877 (ред. от 27.09.2023) (ТР ТС 018/2011) [Электронный ресурс]. – URL: https://legalacts.ru/doc/reshenie-komissii-tamozhennogo-soiuza-ot-09122011-n-877-o/ (дата обращения: 21.08.2025).
9. О безопасности автомобильных дорог: реш. Комиссии Таможенного союза от 18.10.2011 № 827 (ред. от 12.10.2015) (ТР ТС 014/2011) [Электронный ресурс]. – URL: https://legalacts. ru/doc/reshenie-komissii-tamozhennogo-soiuza-ot-18102011-n-827-o/(дата обращения: 21.08.2025).
10. О безопасности дорожного движения: федер. закон от 10.12.1995 № 196-ФЗ (ред. от 07.07.2025) [Электронный ресурс]. – Доступ из СПС «КонсультантПлюс».
11. Свистельников А. А., Ковешников А. А., Феофанов В. В., Малыхина П. В., Торопов Н. Ю. Экспериментальное обоснование подходов к формированию методики испытаний подсистемы мониторинга параметров транспортного потока // Дороги и мосты. – 2024. – № 52/2. – С. 287–305.
12. ПНСТ 893-2023. Интеллектуальные транспортные системы. Подсистема видеонаблюдения и детектирования дорожно-транспортных происшествий и чрезвычайных ситуаций. Общие технические требования [Электронный ресурс] // Росстандарт. – URL: https://www.rst.gov. ru/portal/gost/home/gost/ (дата обращения: 08.09.2025).
13. ГОСТ Р 51672-2000. Метрологическое обеспечение испытаний продукции для целей подтверждения соответствия. – М.: Госстандарт России, 2000. – 19 с.
14. ГОСТ Р 8.736-2011. Государственная система обеспечения единства измерений (ГСИ). Измерения прямые многократные. Методы обработки результатов измерений. Основные положения. – М.: Стандартинформ, 2011. – 4 с.
TEST METHODS FOR ASSESSING THE COMPLIANCE OF THE ROAD VIDEO SURVEILLANCE SUBSYSTEM AS PART OF INTELLIGENT TRANSPORT SYSTEMS
Abstract
The article is devoted to the development of methods for testing the road video surveillance subsystem as part of intelligent
transport systems. The main focus is on creating an approach that allows for the confirmation of the subsystem's ability to
perform its main functions, which include the generation, transmission, and display of visual information about the road
situation. A methodology has been proposed based on the definition of detection, recognition, and identification zones
for surveillance objects (pedestrians, vehicles, and license plates) while maintaining the minimum required technical
specifications for the equipment. The results of field tests conducted in a pilot zone in the Republic of Tatarstan have
allowed for the quantification of surveillance zones and the assessment of metrological error parameters. The developed
method ensures the reproducibility of results and can be used in the design, commissioning, and operation of road video
surveillance systems.
Keywords
intelligent transport systems, road video surveillance, test methods, conformity assessment, surveillance
zones, and measurement errors.
References
1. Кирьян И. В., Трепалин В. А. Интеллектуальные транспортные системы видеонаблюдения:
обзор литературы // StudNet. – 2022. – № 4. [Электронный ресурс]. – URL: https://cyberleninka.
ru/article/n/intellektualnye-transportnye-sistemy-videonablyudeniya-obzor-literatury (дата
обращения: 28.11.2025).
2. О техническом регулировании: федер. закон от 27.12.2002 № 184-ФЗ (ред. от 25.12.2023) [Электронный ресурс]. – Доступ из СПС «КонсультантПлюс».
3. Жанказиев С. В. Разработка проектов интеллектуальных транспортных систем: учеб. пособие. – М.: МАДИ, 2016. – 104 с. – EDN VUOCCP.
4. Alarm Systems – CCTV Surveillance Systems for Use in Security Applications – Part 7: Application Guidelines (BSI BS EN 50132-7). – British Standards Institution (BSI).
5. Alarm system – CCTV surveillance systems for use in security applications – Part 7: Application guidelines (EN 50132-7). – European Committee for Standardization (CEN).
6. Свистельников А. А., Ковешников А. А., Феофанов В. В., Малыхина П. В. Востребованность испытаний и исследований интеллектуальных транспортных систем и отдельных ее элементов // Вестник НЦ БЖД. – 2024. – № 3 (61). – С. 87–95.
7. T. Gandhi and M. M. Trivedi, “Pedestrian protection systems: Issues, survey, and challenges,” IEEE Trans. Intell. Transp. Syst., vol. 8, no. 3, pp. 413–430, 2007. DOI: 10.1109/TITS.2007.903444.
8. О безопасности колесных транспортных средств: реш. Комиссии Таможенного союза от 09.12.2011 № 877 (ред. от 27.09.2023) (ТР ТС 018/2011) [Электронный ресурс]. – URL: https://legalacts.ru/doc/reshenie-komissii-tamozhennogo-soiuza-ot-09122011-n-877-o/ (дата обращения: 21.08.2025).
9. О безопасности автомобильных дорог: реш. Комиссии Таможенного союза от 18.10.2011 № 827 (ред. от 12.10.2015) (ТР ТС 014/2011) [Электронный ресурс]. – URL: https://legalacts. ru/doc/reshenie-komissii-tamozhennogo-soiuza-ot-18102011-n-827-o/(дата обращения: 21.08.2025).
10. О безопасности дорожного движения: федер. закон от 10.12.1995 № 196-ФЗ (ред. от 07.07.2025) [Электронный ресурс]. – Доступ из СПС «КонсультантПлюс».
11. Свистельников А. А., Ковешников А. А., Феофанов В. В., Малыхина П. В., Торопов Н. Ю. Экспериментальное обоснование подходов к формированию методики испытаний подсистемы мониторинга параметров транспортного потока // Дороги и мосты. – 2024. – № 52/2. – С. 287–305.
12. ПНСТ 893-2023. Интеллектуальные транспортные системы. Подсистема видеонаблюдения и детектирования дорожно-транспортных происшествий и чрезвычайных ситуаций. Общие технические требования [Электронный ресурс] // Росстандарт. – URL: https://www.rst.gov. ru/portal/gost/home/gost/ (дата обращения: 08.09.2025).
13. ГОСТ Р 51672-2000. Метрологическое обеспечение испытаний продукции для целей подтверждения соответствия. – М.: Госстандарт России, 2000. – 19 с.
14. ГОСТ Р 8.736-2011. Государственная система обеспечения единства измерений (ГСИ). Измерения прямые многократные. Методы обработки результатов измерений. Основные положения. – М.: Стандартинформ, 2011. – 4 с.
2. О техническом регулировании: федер. закон от 27.12.2002 № 184-ФЗ (ред. от 25.12.2023) [Электронный ресурс]. – Доступ из СПС «КонсультантПлюс».
3. Жанказиев С. В. Разработка проектов интеллектуальных транспортных систем: учеб. пособие. – М.: МАДИ, 2016. – 104 с. – EDN VUOCCP.
4. Alarm Systems – CCTV Surveillance Systems for Use in Security Applications – Part 7: Application Guidelines (BSI BS EN 50132-7). – British Standards Institution (BSI).
5. Alarm system – CCTV surveillance systems for use in security applications – Part 7: Application guidelines (EN 50132-7). – European Committee for Standardization (CEN).
6. Свистельников А. А., Ковешников А. А., Феофанов В. В., Малыхина П. В. Востребованность испытаний и исследований интеллектуальных транспортных систем и отдельных ее элементов // Вестник НЦ БЖД. – 2024. – № 3 (61). – С. 87–95.
7. T. Gandhi and M. M. Trivedi, “Pedestrian protection systems: Issues, survey, and challenges,” IEEE Trans. Intell. Transp. Syst., vol. 8, no. 3, pp. 413–430, 2007. DOI: 10.1109/TITS.2007.903444.
8. О безопасности колесных транспортных средств: реш. Комиссии Таможенного союза от 09.12.2011 № 877 (ред. от 27.09.2023) (ТР ТС 018/2011) [Электронный ресурс]. – URL: https://legalacts.ru/doc/reshenie-komissii-tamozhennogo-soiuza-ot-09122011-n-877-o/ (дата обращения: 21.08.2025).
9. О безопасности автомобильных дорог: реш. Комиссии Таможенного союза от 18.10.2011 № 827 (ред. от 12.10.2015) (ТР ТС 014/2011) [Электронный ресурс]. – URL: https://legalacts. ru/doc/reshenie-komissii-tamozhennogo-soiuza-ot-18102011-n-827-o/(дата обращения: 21.08.2025).
10. О безопасности дорожного движения: федер. закон от 10.12.1995 № 196-ФЗ (ред. от 07.07.2025) [Электронный ресурс]. – Доступ из СПС «КонсультантПлюс».
11. Свистельников А. А., Ковешников А. А., Феофанов В. В., Малыхина П. В., Торопов Н. Ю. Экспериментальное обоснование подходов к формированию методики испытаний подсистемы мониторинга параметров транспортного потока // Дороги и мосты. – 2024. – № 52/2. – С. 287–305.
12. ПНСТ 893-2023. Интеллектуальные транспортные системы. Подсистема видеонаблюдения и детектирования дорожно-транспортных происшествий и чрезвычайных ситуаций. Общие технические требования [Электронный ресурс] // Росстандарт. – URL: https://www.rst.gov. ru/portal/gost/home/gost/ (дата обращения: 08.09.2025).
13. ГОСТ Р 51672-2000. Метрологическое обеспечение испытаний продукции для целей подтверждения соответствия. – М.: Госстандарт России, 2000. – 19 с.
14. ГОСТ Р 8.736-2011. Государственная система обеспечения единства измерений (ГСИ). Измерения прямые многократные. Методы обработки результатов измерений. Основные положения. – М.: Стандартинформ, 2011. – 4 с.
КОНТРОЛЬ И ДИАГНОСТИКА ПОДВИЖНОГО СОСТАВА – ОТ ОДИНОЧНЫХ УСТРОЙСТВ ДО РОБОТИЗИРОВАННЫХ ДИАГНОСТИЧЕСКИХ КОМПЛЕКСОВ
Аннотация
В статье представлен комплексный анализ эволюции, современного состояния и перспектив развития систем
контроля и диагностики железнодорожного подвижного состава. Проведен детальный обзор мировых тенденций,
включая поэтапный переход от локальных датчиков к интегрированным интеллектуальным и роботизированным
комплексам, основанным на технологиях машинного зрения, лазерного сканирования, предиктивной
аналитики и искусственного интеллекта. Особое внимание уделено отечественным разработкам, в частности,
Интегрированному посту автоматизированного приема и диагностики подвижного состава (ППСС) и его развитию.
Описаны принципы гибридной модели обработки данных, архитектура и функциональные возможности ППСС,
а также его модульное расширение, включая системы ПАК-М и «Элемент». Рассмотрены подходы к интеграции
диагностических систем в информационно-управляющие комплексы станций, реализации предиктивного
обслуживания и созданию роботизированных диагностических кластеров. Статья адресована специалистам в
области железнодорожного транспорта, диагностики, автоматизации и информационных технологий
Ключевые слова
диагностика подвижного состава, интегрированный диагностический комплекс, ППСС,
предиктивная аналитика, искусственный интеллект, машинное зрение, роботизация, техническое обслуживание
по состоянию, железнодорожный транспорт, АО «НИИАС»
Список литературы
1. Долгий А. И. Концептуальный подход к построению современной платформы управления
перевозочным процессом в ОАО «РЖД» // Труды АО «НИИАС»: сб. ст. – М.: АО «НИИАС»,
2021. – Т. 1, Вып. 11. – С. 9–31.
2. V. B. Degtyar, A. K. Domnin, A. A. Ermakov et al., Automated System for Commercial Inspection of Trains and Carriages. Pat. – (2016). [Online]. Available: https://scispace.com/papers/automatedsystem-for-commercial-inspection-of-trains-and-3vp8x8t1lu.
3. I. R. Buchin, A. A. Vasilkov, A. P. Noskov et al., Integrated Station for Automated Reception and Diagnostics of Rolling Stock (PRISM). Pat. – (2020). [Online]. Available: https://scispace.com/ papers/integrated-station-for-automated-reception-and-diagnostics-4pdrxah5vq.
4. S. Guo, S. Yin, and H. Xie, “A Distributed Measurement System to Detect Train Wheel Condition,” in Proc. AINIT, 2024. DOI: 10.1109/ainit61980.2024.10581416.
5. A. O. Kalabekov, O. A. Kalabekov, A. A. Nemtsev et al., Automated System for Commercial Inspection of Trains and Cars with a Modular Architecture (ASKO PV 3.0). Pat. – (2020). [Online]. Available: https://scispace.com/papers/automated-system-for-commercial-inspectionof-trains-and-4ki8mhs4my.
6. M. Z. Shaikh, Z. Ahmed, B. S. Chowdhry et al., “State-of-the-Art Wayside Condition Monitoring Systems for Railway Wheels: A Comprehensive Review,” IEEE Access, vol. 11, pp. 13122–13155, 2023. DOI: 10.1109/ACCESS.2023.3240167.
7. G. M. Azanaw, “Optimizing Railway Safety and Efficiency: A Comprehensive Review on Advancements in Out-of-Round Wheel Detection Systems,” Int. J. Inventive Eng. Sci., vol. 12, no. 3, pp. 1–15, 2025. DOI: 10.35940/ijies.a1324.12030325.
8. R. Ravitharan, “Safer Rail Operations: Reactive to Proactive Maintenance Using State-of-theArt Automated In-service Vehicle-Track Condition Monitoring,” in Proc. ICIRT, 2018. DOI:
10.1109/ICIRT.2018.8641587.
9. S. Kolathayar, “Peer Review Report For: Digital Twins for Managing Railway Maintenance and Resilience [version 1; peer review: 2 approved],” Open Res. Europe, vol. 1, p. 91, 2021. [Online]. Available: https://doi.org/10.21956/openreseurope.14885.r27389.
10. E. Tutumluer, S. Nazarian, I. Al-Qadi, and I. Qamhia, Eds., Advances in Transportation Geotechnics IV: Proc. 4th Int. Conf. Transp. Geotechnics, vol. 1. Springer, 2022. DOI: 10.1007/978-3-030- 77230-7.
11. J. Kim, C.-H. An, S. R. Lee, and J.-H. Han, “A Study on Necessity to Introduce Prognostic Maintenance of Rolling Stock,” in Proc. Asia Pacific Conf. PHM Soc., 2017. [Online]. Available: https://doi.org/10.36001/phmap.2017.v1i1.2062.
12. Хатламаджиян А. Е., Лебедев А. И. Интегрированный пост автоматизированного приёма и диагностики подвижного состава на сортировочных станциях // Вагоны и вагонное хозяйство. – 2019. – № 2 (58). – С. 9–13.
13. Долгий А. И., Хатламаджиян А. Е., Кудюкин В. В., Шаповалов В. В. Устройство определения параметров узлов подвижного состава: пат. на изобр. RU 2668774 C2; заявл. 16.12.2016; опубл. 02.10.2018. Бюл. № 28.
14. Долгий А. И., Кудюкин В. В., Розенберг Е. Н., Розенберг И. Н., Хатламаджиян А. Е., Шаповалов В. В. Система технического и коммерческого контроля состояния поездов: пат. на изобр. RU 2728202 C1; заявл. 02.12.2019; опубл. 28.07.2020. Бюл. № 21.
15. Гуров Ю. В., Долгий А. И., Куценко А. Н., Пулин А. В., Хатламаджиян А. Е., Шаповалов В. В. Способ акустического контроля состояния буксовых узлов движущегося поезда: пат. на изобр. RU 2781416 C1; заявл. 24.05.2022; опубл. 11.10.2022. Бюл. № 28.
16. Андреев О. А., Долгий А. И., Пулин А. В., Слепых К. В., Хатламаджиян А. Е., Шаповалов В. В., Шутько А. Н. Система контроля сохранности элементов подвижного состава: пат. на изобр. RU 2811171 C1; заявл. 17.11.2023; опубл. 11.01.2024. Бюл. № 1.
17. Андреев О. А., Долгий А. И., Пулин А. В., Хатламаджиян А. Е., Шаповалов В. В., Шутько А. Н. Система защиты бесконтактных датчиков технического контроля на железнодорожном пути: пат. на изобр. RU 2800881 C1; заявл. 11.04.2023; опубл. 31.07.2023. Бюл. № 22.
2. V. B. Degtyar, A. K. Domnin, A. A. Ermakov et al., Automated System for Commercial Inspection of Trains and Carriages. Pat. – (2016). [Online]. Available: https://scispace.com/papers/automatedsystem-for-commercial-inspection-of-trains-and-3vp8x8t1lu.
3. I. R. Buchin, A. A. Vasilkov, A. P. Noskov et al., Integrated Station for Automated Reception and Diagnostics of Rolling Stock (PRISM). Pat. – (2020). [Online]. Available: https://scispace.com/ papers/integrated-station-for-automated-reception-and-diagnostics-4pdrxah5vq.
4. S. Guo, S. Yin, and H. Xie, “A Distributed Measurement System to Detect Train Wheel Condition,” in Proc. AINIT, 2024. DOI: 10.1109/ainit61980.2024.10581416.
5. A. O. Kalabekov, O. A. Kalabekov, A. A. Nemtsev et al., Automated System for Commercial Inspection of Trains and Cars with a Modular Architecture (ASKO PV 3.0). Pat. – (2020). [Online]. Available: https://scispace.com/papers/automated-system-for-commercial-inspectionof-trains-and-4ki8mhs4my.
6. M. Z. Shaikh, Z. Ahmed, B. S. Chowdhry et al., “State-of-the-Art Wayside Condition Monitoring Systems for Railway Wheels: A Comprehensive Review,” IEEE Access, vol. 11, pp. 13122–13155, 2023. DOI: 10.1109/ACCESS.2023.3240167.
7. G. M. Azanaw, “Optimizing Railway Safety and Efficiency: A Comprehensive Review on Advancements in Out-of-Round Wheel Detection Systems,” Int. J. Inventive Eng. Sci., vol. 12, no. 3, pp. 1–15, 2025. DOI: 10.35940/ijies.a1324.12030325.
8. R. Ravitharan, “Safer Rail Operations: Reactive to Proactive Maintenance Using State-of-theArt Automated In-service Vehicle-Track Condition Monitoring,” in Proc. ICIRT, 2018. DOI:
10.1109/ICIRT.2018.8641587.
9. S. Kolathayar, “Peer Review Report For: Digital Twins for Managing Railway Maintenance and Resilience [version 1; peer review: 2 approved],” Open Res. Europe, vol. 1, p. 91, 2021. [Online]. Available: https://doi.org/10.21956/openreseurope.14885.r27389.
10. E. Tutumluer, S. Nazarian, I. Al-Qadi, and I. Qamhia, Eds., Advances in Transportation Geotechnics IV: Proc. 4th Int. Conf. Transp. Geotechnics, vol. 1. Springer, 2022. DOI: 10.1007/978-3-030- 77230-7.
11. J. Kim, C.-H. An, S. R. Lee, and J.-H. Han, “A Study on Necessity to Introduce Prognostic Maintenance of Rolling Stock,” in Proc. Asia Pacific Conf. PHM Soc., 2017. [Online]. Available: https://doi.org/10.36001/phmap.2017.v1i1.2062.
12. Хатламаджиян А. Е., Лебедев А. И. Интегрированный пост автоматизированного приёма и диагностики подвижного состава на сортировочных станциях // Вагоны и вагонное хозяйство. – 2019. – № 2 (58). – С. 9–13.
13. Долгий А. И., Хатламаджиян А. Е., Кудюкин В. В., Шаповалов В. В. Устройство определения параметров узлов подвижного состава: пат. на изобр. RU 2668774 C2; заявл. 16.12.2016; опубл. 02.10.2018. Бюл. № 28.
14. Долгий А. И., Кудюкин В. В., Розенберг Е. Н., Розенберг И. Н., Хатламаджиян А. Е., Шаповалов В. В. Система технического и коммерческого контроля состояния поездов: пат. на изобр. RU 2728202 C1; заявл. 02.12.2019; опубл. 28.07.2020. Бюл. № 21.
15. Гуров Ю. В., Долгий А. И., Куценко А. Н., Пулин А. В., Хатламаджиян А. Е., Шаповалов В. В. Способ акустического контроля состояния буксовых узлов движущегося поезда: пат. на изобр. RU 2781416 C1; заявл. 24.05.2022; опубл. 11.10.2022. Бюл. № 28.
16. Андреев О. А., Долгий А. И., Пулин А. В., Слепых К. В., Хатламаджиян А. Е., Шаповалов В. В., Шутько А. Н. Система контроля сохранности элементов подвижного состава: пат. на изобр. RU 2811171 C1; заявл. 17.11.2023; опубл. 11.01.2024. Бюл. № 1.
17. Андреев О. А., Долгий А. И., Пулин А. В., Хатламаджиян А. Е., Шаповалов В. В., Шутько А. Н. Система защиты бесконтактных датчиков технического контроля на железнодорожном пути: пат. на изобр. RU 2800881 C1; заявл. 11.04.2023; опубл. 31.07.2023. Бюл. № 22.
Abstract
The article presents a comprehensive analysis of the evolution, current state and prospects for the development of control
and diagnostic systems for railway rolling stock. A detailed review of global trends has been conducted, including a
step-by-step transition from local sensors to integrated intelligent and robotic complexes based on machine vision, laser
scanning, predictive analytics and artificial intelligence technologies. Special attention is paid to domestic developments,
in particular, the Integrated Post for Automated Reception and Diagnostics of Rolling Stock and its development. The
principles of the hybrid data processing model, the architecture and functionality of the PPSS, as well as its modular
expansion, including the PAK-M and Element systems, are described. Approaches to the integration of diagnostic systems
into information and control complexes of stations, the implementation of predictive maintenance and the creation
of robotic diagnostic clusters are considered. The article is addressed to specialists in the field of railway transport,
diagnostics, automation and information technology.
Keywords
diagnostics of rolling stock, integrated diagnostic system, PPSS, predictive analytics, artificial intelligence,
machine vision, robotics, condition maintenance, railway transport, JSC NIIAS.
References
1. Долгий А. И. Концептуальный подход к построению современной платформы управления
перевозочным процессом в ОАО «РЖД» // Труды АО «НИИАС»: сб. ст. – М.: АО «НИИАС»,
2021. – Т. 1, Вып. 11. – С. 9–31.
2. V. B. Degtyar, A. K. Domnin, A. A. Ermakov et al., Automated System for Commercial Inspection of Trains and Carriages. Pat. – (2016). [Online]. Available: https://scispace.com/papers/automatedsystem-for-commercial-inspection-of-trains-and-3vp8x8t1lu.
3. I. R. Buchin, A. A. Vasilkov, A. P. Noskov et al., Integrated Station for Automated Reception and Diagnostics of Rolling Stock (PRISM). Pat. – (2020). [Online]. Available: https://scispace.com/ papers/integrated-station-for-automated-reception-and-diagnostics-4pdrxah5vq.
4. S. Guo, S. Yin, and H. Xie, “A Distributed Measurement System to Detect Train Wheel Condition,” in Proc. AINIT, 2024. DOI: 10.1109/ainit61980.2024.10581416.
5. A. O. Kalabekov, O. A. Kalabekov, A. A. Nemtsev et al., Automated System for Commercial Inspection of Trains and Cars with a Modular Architecture (ASKO PV 3.0). Pat. – (2020). [Online]. Available: https://scispace.com/papers/automated-system-for-commercial-inspectionof-trains-and-4ki8mhs4my.
6. M. Z. Shaikh, Z. Ahmed, B. S. Chowdhry et al., “State-of-the-Art Wayside Condition Monitoring Systems for Railway Wheels: A Comprehensive Review,” IEEE Access, vol. 11, pp. 13122–13155, 2023. DOI: 10.1109/ACCESS.2023.3240167.
7. G. M. Azanaw, “Optimizing Railway Safety and Efficiency: A Comprehensive Review on Advancements in Out-of-Round Wheel Detection Systems,” Int. J. Inventive Eng. Sci., vol. 12, no. 3, pp. 1–15, 2025. DOI: 10.35940/ijies.a1324.12030325.
8. R. Ravitharan, “Safer Rail Operations: Reactive to Proactive Maintenance Using State-of-theArt Automated In-service Vehicle-Track Condition Monitoring,” in Proc. ICIRT, 2018. DOI:
10.1109/ICIRT.2018.8641587.
9. S. Kolathayar, “Peer Review Report For: Digital Twins for Managing Railway Maintenance and Resilience [version 1; peer review: 2 approved],” Open Res. Europe, vol. 1, p. 91, 2021. [Online]. Available: https://doi.org/10.21956/openreseurope.14885.r27389.
10. E. Tutumluer, S. Nazarian, I. Al-Qadi, and I. Qamhia, Eds., Advances in Transportation Geotechnics IV: Proc. 4th Int. Conf. Transp. Geotechnics, vol. 1. Springer, 2022. DOI: 10.1007/978-3-030- 77230-7.
11. J. Kim, C.-H. An, S. R. Lee, and J.-H. Han, “A Study on Necessity to Introduce Prognostic Maintenance of Rolling Stock,” in Proc. Asia Pacific Conf. PHM Soc., 2017. [Online]. Available: https://doi.org/10.36001/phmap.2017.v1i1.2062.
12. Хатламаджиян А. Е., Лебедев А. И. Интегрированный пост автоматизированного приёма и диагностики подвижного состава на сортировочных станциях // Вагоны и вагонное хозяйство. – 2019. – № 2 (58). – С. 9–13.
13. Долгий А. И., Хатламаджиян А. Е., Кудюкин В. В., Шаповалов В. В. Устройство определения параметров узлов подвижного состава: пат. на изобр. RU 2668774 C2; заявл. 16.12.2016; опубл. 02.10.2018. Бюл. № 28.
14. Долгий А. И., Кудюкин В. В., Розенберг Е. Н., Розенберг И. Н., Хатламаджиян А. Е., Шаповалов В. В. Система технического и коммерческого контроля состояния поездов: пат. на изобр. RU 2728202 C1; заявл. 02.12.2019; опубл. 28.07.2020. Бюл. № 21.
15. Гуров Ю. В., Долгий А. И., Куценко А. Н., Пулин А. В., Хатламаджиян А. Е., Шаповалов В. В. Способ акустического контроля состояния буксовых узлов движущегося поезда: пат. на изобр. RU 2781416 C1; заявл. 24.05.2022; опубл. 11.10.2022. Бюл. № 28.
16. Андреев О. А., Долгий А. И., Пулин А. В., Слепых К. В., Хатламаджиян А. Е., Шаповалов В. В., Шутько А. Н. Система контроля сохранности элементов подвижного состава: пат. на изобр. RU 2811171 C1; заявл. 17.11.2023; опубл. 11.01.2024. Бюл. № 1.
17. Андреев О. А., Долгий А. И., Пулин А. В., Хатламаджиян А. Е., Шаповалов В. В., Шутько А. Н. Система защиты бесконтактных датчиков технического контроля на железнодорожном пути: пат. на изобр. RU 2800881 C1; заявл. 11.04.2023; опубл. 31.07.2023. Бюл. № 22.
2. V. B. Degtyar, A. K. Domnin, A. A. Ermakov et al., Automated System for Commercial Inspection of Trains and Carriages. Pat. – (2016). [Online]. Available: https://scispace.com/papers/automatedsystem-for-commercial-inspection-of-trains-and-3vp8x8t1lu.
3. I. R. Buchin, A. A. Vasilkov, A. P. Noskov et al., Integrated Station for Automated Reception and Diagnostics of Rolling Stock (PRISM). Pat. – (2020). [Online]. Available: https://scispace.com/ papers/integrated-station-for-automated-reception-and-diagnostics-4pdrxah5vq.
4. S. Guo, S. Yin, and H. Xie, “A Distributed Measurement System to Detect Train Wheel Condition,” in Proc. AINIT, 2024. DOI: 10.1109/ainit61980.2024.10581416.
5. A. O. Kalabekov, O. A. Kalabekov, A. A. Nemtsev et al., Automated System for Commercial Inspection of Trains and Cars with a Modular Architecture (ASKO PV 3.0). Pat. – (2020). [Online]. Available: https://scispace.com/papers/automated-system-for-commercial-inspectionof-trains-and-4ki8mhs4my.
6. M. Z. Shaikh, Z. Ahmed, B. S. Chowdhry et al., “State-of-the-Art Wayside Condition Monitoring Systems for Railway Wheels: A Comprehensive Review,” IEEE Access, vol. 11, pp. 13122–13155, 2023. DOI: 10.1109/ACCESS.2023.3240167.
7. G. M. Azanaw, “Optimizing Railway Safety and Efficiency: A Comprehensive Review on Advancements in Out-of-Round Wheel Detection Systems,” Int. J. Inventive Eng. Sci., vol. 12, no. 3, pp. 1–15, 2025. DOI: 10.35940/ijies.a1324.12030325.
8. R. Ravitharan, “Safer Rail Operations: Reactive to Proactive Maintenance Using State-of-theArt Automated In-service Vehicle-Track Condition Monitoring,” in Proc. ICIRT, 2018. DOI:
10.1109/ICIRT.2018.8641587.
9. S. Kolathayar, “Peer Review Report For: Digital Twins for Managing Railway Maintenance and Resilience [version 1; peer review: 2 approved],” Open Res. Europe, vol. 1, p. 91, 2021. [Online]. Available: https://doi.org/10.21956/openreseurope.14885.r27389.
10. E. Tutumluer, S. Nazarian, I. Al-Qadi, and I. Qamhia, Eds., Advances in Transportation Geotechnics IV: Proc. 4th Int. Conf. Transp. Geotechnics, vol. 1. Springer, 2022. DOI: 10.1007/978-3-030- 77230-7.
11. J. Kim, C.-H. An, S. R. Lee, and J.-H. Han, “A Study on Necessity to Introduce Prognostic Maintenance of Rolling Stock,” in Proc. Asia Pacific Conf. PHM Soc., 2017. [Online]. Available: https://doi.org/10.36001/phmap.2017.v1i1.2062.
12. Хатламаджиян А. Е., Лебедев А. И. Интегрированный пост автоматизированного приёма и диагностики подвижного состава на сортировочных станциях // Вагоны и вагонное хозяйство. – 2019. – № 2 (58). – С. 9–13.
13. Долгий А. И., Хатламаджиян А. Е., Кудюкин В. В., Шаповалов В. В. Устройство определения параметров узлов подвижного состава: пат. на изобр. RU 2668774 C2; заявл. 16.12.2016; опубл. 02.10.2018. Бюл. № 28.
14. Долгий А. И., Кудюкин В. В., Розенберг Е. Н., Розенберг И. Н., Хатламаджиян А. Е., Шаповалов В. В. Система технического и коммерческого контроля состояния поездов: пат. на изобр. RU 2728202 C1; заявл. 02.12.2019; опубл. 28.07.2020. Бюл. № 21.
15. Гуров Ю. В., Долгий А. И., Куценко А. Н., Пулин А. В., Хатламаджиян А. Е., Шаповалов В. В. Способ акустического контроля состояния буксовых узлов движущегося поезда: пат. на изобр. RU 2781416 C1; заявл. 24.05.2022; опубл. 11.10.2022. Бюл. № 28.
16. Андреев О. А., Долгий А. И., Пулин А. В., Слепых К. В., Хатламаджиян А. Е., Шаповалов В. В., Шутько А. Н. Система контроля сохранности элементов подвижного состава: пат. на изобр. RU 2811171 C1; заявл. 17.11.2023; опубл. 11.01.2024. Бюл. № 1.
17. Андреев О. А., Долгий А. И., Пулин А. В., Хатламаджиян А. Е., Шаповалов В. В., Шутько А. Н. Система защиты бесконтактных датчиков технического контроля на железнодорожном пути: пат. на изобр. RU 2800881 C1; заявл. 11.04.2023; опубл. 31.07.2023. Бюл. № 22.
БЕЗОПАСНОСТЬ АВТОНОМНЫХ ТРАНСПОРТНЫХ СРЕДСТВ: КОМПЛЕКСНЫЙ АНАЛИЗ И СТРАТЕГИЧЕСКИЕ ПЕРСПЕКТИВЫ
Аннотация
В статье проводится комплексный анализ безопасности автономных транспортных средств как перспективного
решения глобальной проблемы дорожно-транспортного травматизма. На основе актуальных данных за 2023-
2025 годы из международных источников, проводится сравнительная оценка аварийности беспилотных и
традиционных автомобилей. Подробно рассматривается технологический потенциал автономных систем для
исключения человеческого фактора – основной причины ДТП. Исследуются ключевые барьеры массового
внедрения: технические ограничения, проблемы кибербезопасности, правовая неопределенность и низкий уровень
общественного доверия. В заключении формулируются стратегические направления для безопасной интеграции
технологий, включая развитие нормативной базы, повышение прозрачности тестирования и совершенствование
алгоритмов искусственного интеллекта
Ключевые слова
беспилотные автомобили, интеллектуальный транспорт, безопасность дорожного движения,
автономные транспортные средства, искусственный интеллект, общественное восприятие, нормативное
регулирование
Список литературы
1. Automated driving levels of driving automation are defined in new SAE international standard
J3016 [Электронный ресурс]. – URL: https://templatelab.com/automated-driving/ (дата
обращения: 30.10.2025).
2. D. Petrović, R. Mijailović, and D. Pešić, “Traffic Accidents with Autonomous Vehicles: Type of Collisions, Manoeuvres and Errors of Conventional Vehicles’ Drivers,” Transportation Research Procedia, 2020. DOI: 10.1016/j.trpro.2020.03.112.
3. N. M. Promа, G. Vázquez, S. Shahbeigi, A. Badyal, and V. Hodge, “Probabilistic Safety Verification for an Autonomous Ground Vehicle: A Situation Coverage Grid Approach,” in 2025 IEEE Int. Conf. Veh. Electron. Saf., 2025. [Online]. Available: https://doi.org/10.21203/rs.3.rs-3401212/v1.
4. Self-Driving Car Accidents Trend Chart (2025) [Электронный ресурс]. – URL: https://www. consumershield.com/articles/self-driving-car-accidents-trends (дата обращения: 30.10.2025).
5. Self-Driving Car Crash Statistics [Электронный ресурс]. – URL: https://www.pstriallaw.com/ legal-news/self-driving-car-accident-statistics (дата обращения: 30.10.2025)
6. B. Kutela, S. Das, and B. Dadashova, “Mining patterns of autonomous vehicle crashes involving vulnerable road users to understand the associated factors,” Accident Analysis & Prevention, 2022. DOI: 10.1016/j.aap.2021.106473.
7. B. Kutela et al., “Leveraging autonomous vehicles crash narratives to understand the patterns of parking-related crashes,” Traffic Safety Research, 2023. DOI: 10.55329/fiqq8731.
8. S. Kim, M. Cho, and Y. Lee, “Exploration of Traffic Accident-Based Pilot Zones for Autonomous Vehicle Safety Validation,” Electronics, vol. 13, no. 17, p. 3390, 2024. DOI: 10.3390/ electronics13173390.
9. Waymo Safety Impact [Электронный ресурс]. – URL: https://waymo.com/safety/impact/ (дата обращения: 30.10.2025).
10. A. M. Al-Emran, “A case study of unavoidable accidents of autonomous vehicles,” in 2023 Int. Conf. Intell. Syst. Comput. Vis. (ISCV), 2023. DOI: 10.1109/ISCV59145.2023.10144969.
11. M. Abdel-Aty and S. Ding, “A matched case-control analysis of autonomous vs human-driven vehicle accidents,” Nature Communications, vol. 15, p. 3524, 2024. DOI: 10.1038/s41467-024- 48526-4.
12. EEG-based prediction of driving events from passenger cognitive state using Morlet Wavelet and Evoked Responses // Transportation Engineering. – 2022. – doi: 10.1016/j.treng.2022.100107.
13. AAA: Fear in Self-Driving Vehicles Persists [Электронный ресурс]. – URL: https://newsroom. aaa.com/2025/02/aaa-fear-in-self-driving-vehicles-persists/ (дата обращения: 30.10.2025).
14. Отчет об опросе, посвященном осведомленности общественности и ожиданиям в отношении беспилотных автомобилей (2025) [Электронный ресурс]. – URL: https://www. rmlt.com.cn/2025/0908/739212.shtml (дата обращения: 30.10.2025).
15. B. Wang, “Approaches to Autonomous Driving Vehicle Traffic Accidents Liability in China,” Lecture Notes in Education Psychology and Public Media, vol. 26, p. 437, 2023. DOI: 10.54254/2753-7048/26/20230901.
16. Automated Vehicles for Safety [Электронный ресурс]. – URL: https://www.nhtsa.gov/vehiclesafety/automated-vehicles-safety (дата обращения: 30.10.2025).
17. Решения по обработке данных для обучения с использованием ИИ: что изменится в 2025 году? [Электронный ресурс]. – URL: https://ru.macgence.com/blog/ai-training-data-solutionswhats-changing-in-2025/ (дата обращения: 30.10.2025).
18. C. D. Wallbridge, ““Warning!” Benefits and Pitfalls of Anthropomorphising Autonomous Vehicle Informational Assistants in the Case of an Accident,” Multimodal Technologies and Interaction, vol. 8, no. 12, p. 110, 2024. DOI: 10.3390/mti8120110.
19. M. M. Mayer, A. Buchner, and R. Bell, “Humans, machines, and double standards? The moral evaluation of the actions of autonomous vehicles, anthropomorphized autonomous vehicles, and human drivers in road-accident dilemmas,” Transportation Research Part F: Traffic Psychology and Behaviour, vol. 93, pp. 430–442, 2023. DOI: 10.1016/j.trf.2023.02.015.
20. J.-F. Bonnefon, A. Shariff, and I. Rahwan, “The Social Dilemma of Autonomous Vehicles,” Science, vol. 352, no. 6293, pp. 1573–1576, 2016. DOI: 10.1126/science.aaf2654.
21. E. Awad, S. Dsouza, R. Kim et al., “The Moral Machine experiment,” Nature, vol. 563, pp. 59–64, 2018. DOI: 10.1038/s41586-018-0637-6.
22. Amazon Created a Hiring Tool Using A.I. It Immediately Started Discriminating Against Women [Электронный ресурс]. – URL: https://slate.com/business/2018/10/amazon-artificial
2. D. Petrović, R. Mijailović, and D. Pešić, “Traffic Accidents with Autonomous Vehicles: Type of Collisions, Manoeuvres and Errors of Conventional Vehicles’ Drivers,” Transportation Research Procedia, 2020. DOI: 10.1016/j.trpro.2020.03.112.
3. N. M. Promа, G. Vázquez, S. Shahbeigi, A. Badyal, and V. Hodge, “Probabilistic Safety Verification for an Autonomous Ground Vehicle: A Situation Coverage Grid Approach,” in 2025 IEEE Int. Conf. Veh. Electron. Saf., 2025. [Online]. Available: https://doi.org/10.21203/rs.3.rs-3401212/v1.
4. Self-Driving Car Accidents Trend Chart (2025) [Электронный ресурс]. – URL: https://www. consumershield.com/articles/self-driving-car-accidents-trends (дата обращения: 30.10.2025).
5. Self-Driving Car Crash Statistics [Электронный ресурс]. – URL: https://www.pstriallaw.com/ legal-news/self-driving-car-accident-statistics (дата обращения: 30.10.2025)
6. B. Kutela, S. Das, and B. Dadashova, “Mining patterns of autonomous vehicle crashes involving vulnerable road users to understand the associated factors,” Accident Analysis & Prevention, 2022. DOI: 10.1016/j.aap.2021.106473.
7. B. Kutela et al., “Leveraging autonomous vehicles crash narratives to understand the patterns of parking-related crashes,” Traffic Safety Research, 2023. DOI: 10.55329/fiqq8731.
8. S. Kim, M. Cho, and Y. Lee, “Exploration of Traffic Accident-Based Pilot Zones for Autonomous Vehicle Safety Validation,” Electronics, vol. 13, no. 17, p. 3390, 2024. DOI: 10.3390/ electronics13173390.
9. Waymo Safety Impact [Электронный ресурс]. – URL: https://waymo.com/safety/impact/ (дата обращения: 30.10.2025).
10. A. M. Al-Emran, “A case study of unavoidable accidents of autonomous vehicles,” in 2023 Int. Conf. Intell. Syst. Comput. Vis. (ISCV), 2023. DOI: 10.1109/ISCV59145.2023.10144969.
11. M. Abdel-Aty and S. Ding, “A matched case-control analysis of autonomous vs human-driven vehicle accidents,” Nature Communications, vol. 15, p. 3524, 2024. DOI: 10.1038/s41467-024- 48526-4.
12. EEG-based prediction of driving events from passenger cognitive state using Morlet Wavelet and Evoked Responses // Transportation Engineering. – 2022. – doi: 10.1016/j.treng.2022.100107.
13. AAA: Fear in Self-Driving Vehicles Persists [Электронный ресурс]. – URL: https://newsroom. aaa.com/2025/02/aaa-fear-in-self-driving-vehicles-persists/ (дата обращения: 30.10.2025).
14. Отчет об опросе, посвященном осведомленности общественности и ожиданиям в отношении беспилотных автомобилей (2025) [Электронный ресурс]. – URL: https://www. rmlt.com.cn/2025/0908/739212.shtml (дата обращения: 30.10.2025).
15. B. Wang, “Approaches to Autonomous Driving Vehicle Traffic Accidents Liability in China,” Lecture Notes in Education Psychology and Public Media, vol. 26, p. 437, 2023. DOI: 10.54254/2753-7048/26/20230901.
16. Automated Vehicles for Safety [Электронный ресурс]. – URL: https://www.nhtsa.gov/vehiclesafety/automated-vehicles-safety (дата обращения: 30.10.2025).
17. Решения по обработке данных для обучения с использованием ИИ: что изменится в 2025 году? [Электронный ресурс]. – URL: https://ru.macgence.com/blog/ai-training-data-solutionswhats-changing-in-2025/ (дата обращения: 30.10.2025).
18. C. D. Wallbridge, ““Warning!” Benefits and Pitfalls of Anthropomorphising Autonomous Vehicle Informational Assistants in the Case of an Accident,” Multimodal Technologies and Interaction, vol. 8, no. 12, p. 110, 2024. DOI: 10.3390/mti8120110.
19. M. M. Mayer, A. Buchner, and R. Bell, “Humans, machines, and double standards? The moral evaluation of the actions of autonomous vehicles, anthropomorphized autonomous vehicles, and human drivers in road-accident dilemmas,” Transportation Research Part F: Traffic Psychology and Behaviour, vol. 93, pp. 430–442, 2023. DOI: 10.1016/j.trf.2023.02.015.
20. J.-F. Bonnefon, A. Shariff, and I. Rahwan, “The Social Dilemma of Autonomous Vehicles,” Science, vol. 352, no. 6293, pp. 1573–1576, 2016. DOI: 10.1126/science.aaf2654.
21. E. Awad, S. Dsouza, R. Kim et al., “The Moral Machine experiment,” Nature, vol. 563, pp. 59–64, 2018. DOI: 10.1038/s41586-018-0637-6.
22. Amazon Created a Hiring Tool Using A.I. It Immediately Started Discriminating Against Women [Электронный ресурс]. – URL: https://slate.com/business/2018/10/amazon-artificial
SAFETY OF AUTONOMOUS VEHICLES: COMPREHENSIVE ANALYSIS AND STRATEGIC PERSPECTIVES
Abstract
The article provides a comprehensive analysis of the safety of autonomous vehicles as a promising solution to the
global problem of road traffic injuries. Based on up-to-date data for 2023-2025 from international sources (NHTSA,
Waymo, AAA), a comparative assessment of the accident rate of unmanned and traditional vehicles is carried out. The
technological potential of autonomous systems to eliminate the human factor, which is the main cause of an accident,
is considered in detail. The key barriers to mass adoption are being investigated: technical limitations, cybersecurity
issues, legal uncertainty, and a low level of public trust. In conclusion, strategic directions for the safe integration of
technologies are formulated, including the development of a regulatory framework, increasing transparency of testing
and improving artificial intelligence algorithms
Keywords
self-driving cars, intelligent transport, road safety, autonomous vehicles, artificial intelligence, public
perception, regulatory regulation
References
1. Automated driving levels of driving automation are defined in new SAE international standard
J3016 [Электронный ресурс]. – URL: https://templatelab.com/automated-driving/ (дата
обращения: 30.10.2025).
2. D. Petrović, R. Mijailović, and D. Pešić, “Traffic Accidents with Autonomous Vehicles: Type of Collisions, Manoeuvres and Errors of Conventional Vehicles’ Drivers,” Transportation Research Procedia, 2020. DOI: 10.1016/j.trpro.2020.03.112.
3. N. M. Promа, G. Vázquez, S. Shahbeigi, A. Badyal, and V. Hodge, “Probabilistic Safety Verification for an Autonomous Ground Vehicle: A Situation Coverage Grid Approach,” in 2025 IEEE Int. Conf. Veh. Electron. Saf., 2025. [Online]. Available: https://doi.org/10.21203/rs.3.rs-3401212/v1.
4. Self-Driving Car Accidents Trend Chart (2025) [Электронный ресурс]. – URL: https://www. consumershield.com/articles/self-driving-car-accidents-trends (дата обращения: 30.10.2025).
5. Self-Driving Car Crash Statistics [Электронный ресурс]. – URL: https://www.pstriallaw.com/ legal-news/self-driving-car-accident-statistics (дата обращения: 30.10.2025)
6. B. Kutela, S. Das, and B. Dadashova, “Mining patterns of autonomous vehicle crashes involving vulnerable road users to understand the associated factors,” Accident Analysis & Prevention, 2022. DOI: 10.1016/j.aap.2021.106473.
7. B. Kutela et al., “Leveraging autonomous vehicles crash narratives to understand the patterns of parking-related crashes,” Traffic Safety Research, 2023. DOI: 10.55329/fiqq8731.
8. S. Kim, M. Cho, and Y. Lee, “Exploration of Traffic Accident-Based Pilot Zones for Autonomous Vehicle Safety Validation,” Electronics, vol. 13, no. 17, p. 3390, 2024. DOI: 10.3390/ electronics13173390.
9. Waymo Safety Impact [Электронный ресурс]. – URL: https://waymo.com/safety/impact/ (дата обращения: 30.10.2025).
10. A. M. Al-Emran, “A case study of unavoidable accidents of autonomous vehicles,” in 2023 Int. Conf. Intell. Syst. Comput. Vis. (ISCV), 2023. DOI: 10.1109/ISCV59145.2023.10144969.
11. M. Abdel-Aty and S. Ding, “A matched case-control analysis of autonomous vs human-driven vehicle accidents,” Nature Communications, vol. 15, p. 3524, 2024. DOI: 10.1038/s41467-024- 48526-4.
12. EEG-based prediction of driving events from passenger cognitive state using Morlet Wavelet and Evoked Responses // Transportation Engineering. – 2022. – doi: 10.1016/j.treng.2022.100107.
13. AAA: Fear in Self-Driving Vehicles Persists [Электронный ресурс]. – URL: https://newsroom. aaa.com/2025/02/aaa-fear-in-self-driving-vehicles-persists/ (дата обращения: 30.10.2025).
14. Отчет об опросе, посвященном осведомленности общественности и ожиданиям в отношении беспилотных автомобилей (2025) [Электронный ресурс]. – URL: https://www. rmlt.com.cn/2025/0908/739212.shtml (дата обращения: 30.10.2025).
15. B. Wang, “Approaches to Autonomous Driving Vehicle Traffic Accidents Liability in China,” Lecture Notes in Education Psychology and Public Media, vol. 26, p. 437, 2023. DOI: 10.54254/2753-7048/26/20230901.
16. Automated Vehicles for Safety [Электронный ресурс]. – URL: https://www.nhtsa.gov/vehiclesafety/automated-vehicles-safety (дата обращения: 30.10.2025).
17. Решения по обработке данных для обучения с использованием ИИ: что изменится в 2025 году? [Электронный ресурс]. – URL: https://ru.macgence.com/blog/ai-training-data-solutionswhats-changing-in-2025/ (дата обращения: 30.10.2025).
18. C. D. Wallbridge, ““Warning!” Benefits and Pitfalls of Anthropomorphising Autonomous Vehicle Informational Assistants in the Case of an Accident,” Multimodal Technologies and Interaction, vol. 8, no. 12, p. 110, 2024. DOI: 10.3390/mti8120110.
19. M. M. Mayer, A. Buchner, and R. Bell, “Humans, machines, and double standards? The moral evaluation of the actions of autonomous vehicles, anthropomorphized autonomous vehicles, and human drivers in road-accident dilemmas,” Transportation Research Part F: Traffic Psychology and Behaviour, vol. 93, pp. 430–442, 2023. DOI: 10.1016/j.trf.2023.02.015.
20. J.-F. Bonnefon, A. Shariff, and I. Rahwan, “The Social Dilemma of Autonomous Vehicles,” Science, vol. 352, no. 6293, pp. 1573–1576, 2016. DOI: 10.1126/science.aaf2654.
21. E. Awad, S. Dsouza, R. Kim et al., “The Moral Machine experiment,” Nature, vol. 563, pp. 59–64, 2018. DOI: 10.1038/s41586-018-0637-6.
22. Amazon Created a Hiring Tool Using A.I. It Immediately Started Discriminating Against Women [Электронный ресурс]. – URL: https://slate.com/business/2018/10/amazon-artificial
2. D. Petrović, R. Mijailović, and D. Pešić, “Traffic Accidents with Autonomous Vehicles: Type of Collisions, Manoeuvres and Errors of Conventional Vehicles’ Drivers,” Transportation Research Procedia, 2020. DOI: 10.1016/j.trpro.2020.03.112.
3. N. M. Promа, G. Vázquez, S. Shahbeigi, A. Badyal, and V. Hodge, “Probabilistic Safety Verification for an Autonomous Ground Vehicle: A Situation Coverage Grid Approach,” in 2025 IEEE Int. Conf. Veh. Electron. Saf., 2025. [Online]. Available: https://doi.org/10.21203/rs.3.rs-3401212/v1.
4. Self-Driving Car Accidents Trend Chart (2025) [Электронный ресурс]. – URL: https://www. consumershield.com/articles/self-driving-car-accidents-trends (дата обращения: 30.10.2025).
5. Self-Driving Car Crash Statistics [Электронный ресурс]. – URL: https://www.pstriallaw.com/ legal-news/self-driving-car-accident-statistics (дата обращения: 30.10.2025)
6. B. Kutela, S. Das, and B. Dadashova, “Mining patterns of autonomous vehicle crashes involving vulnerable road users to understand the associated factors,” Accident Analysis & Prevention, 2022. DOI: 10.1016/j.aap.2021.106473.
7. B. Kutela et al., “Leveraging autonomous vehicles crash narratives to understand the patterns of parking-related crashes,” Traffic Safety Research, 2023. DOI: 10.55329/fiqq8731.
8. S. Kim, M. Cho, and Y. Lee, “Exploration of Traffic Accident-Based Pilot Zones for Autonomous Vehicle Safety Validation,” Electronics, vol. 13, no. 17, p. 3390, 2024. DOI: 10.3390/ electronics13173390.
9. Waymo Safety Impact [Электронный ресурс]. – URL: https://waymo.com/safety/impact/ (дата обращения: 30.10.2025).
10. A. M. Al-Emran, “A case study of unavoidable accidents of autonomous vehicles,” in 2023 Int. Conf. Intell. Syst. Comput. Vis. (ISCV), 2023. DOI: 10.1109/ISCV59145.2023.10144969.
11. M. Abdel-Aty and S. Ding, “A matched case-control analysis of autonomous vs human-driven vehicle accidents,” Nature Communications, vol. 15, p. 3524, 2024. DOI: 10.1038/s41467-024- 48526-4.
12. EEG-based prediction of driving events from passenger cognitive state using Morlet Wavelet and Evoked Responses // Transportation Engineering. – 2022. – doi: 10.1016/j.treng.2022.100107.
13. AAA: Fear in Self-Driving Vehicles Persists [Электронный ресурс]. – URL: https://newsroom. aaa.com/2025/02/aaa-fear-in-self-driving-vehicles-persists/ (дата обращения: 30.10.2025).
14. Отчет об опросе, посвященном осведомленности общественности и ожиданиям в отношении беспилотных автомобилей (2025) [Электронный ресурс]. – URL: https://www. rmlt.com.cn/2025/0908/739212.shtml (дата обращения: 30.10.2025).
15. B. Wang, “Approaches to Autonomous Driving Vehicle Traffic Accidents Liability in China,” Lecture Notes in Education Psychology and Public Media, vol. 26, p. 437, 2023. DOI: 10.54254/2753-7048/26/20230901.
16. Automated Vehicles for Safety [Электронный ресурс]. – URL: https://www.nhtsa.gov/vehiclesafety/automated-vehicles-safety (дата обращения: 30.10.2025).
17. Решения по обработке данных для обучения с использованием ИИ: что изменится в 2025 году? [Электронный ресурс]. – URL: https://ru.macgence.com/blog/ai-training-data-solutionswhats-changing-in-2025/ (дата обращения: 30.10.2025).
18. C. D. Wallbridge, ““Warning!” Benefits and Pitfalls of Anthropomorphising Autonomous Vehicle Informational Assistants in the Case of an Accident,” Multimodal Technologies and Interaction, vol. 8, no. 12, p. 110, 2024. DOI: 10.3390/mti8120110.
19. M. M. Mayer, A. Buchner, and R. Bell, “Humans, machines, and double standards? The moral evaluation of the actions of autonomous vehicles, anthropomorphized autonomous vehicles, and human drivers in road-accident dilemmas,” Transportation Research Part F: Traffic Psychology and Behaviour, vol. 93, pp. 430–442, 2023. DOI: 10.1016/j.trf.2023.02.015.
20. J.-F. Bonnefon, A. Shariff, and I. Rahwan, “The Social Dilemma of Autonomous Vehicles,” Science, vol. 352, no. 6293, pp. 1573–1576, 2016. DOI: 10.1126/science.aaf2654.
21. E. Awad, S. Dsouza, R. Kim et al., “The Moral Machine experiment,” Nature, vol. 563, pp. 59–64, 2018. DOI: 10.1038/s41586-018-0637-6.
22. Amazon Created a Hiring Tool Using A.I. It Immediately Started Discriminating Against Women [Электронный ресурс]. – URL: https://slate.com/business/2018/10/amazon-artificial
