Применение моделей вероятностных ситуаций на железной дороге

Статья описывает применение моделей информационных вероятностных ситуаций для решения задач управления движением на железной дороге. Раскрывается содержание ситуационного управления. Показано различие между визуальной и «слепой» ситуацией при движении транспорта.

Информационная ситуация вокруг подвижного объекта может быть детерминированной и стохастической. Вводится понятие «стохастическая управленческая информационная ситуация». Выбор альтернатив в стохастических управленческих ситуациях характеризуется организационной, технологической и информационной неопределённостями. Это мотивирует разработку методов и алгоритмов управления, учитывающих неопределённость и многокритериальность при управлении подвижными объектами в таких ситуациях. Ситуационное управление может быть использовано в автоматизированном, кибер-физическом и интеллектуальном управлении.

Статья предлагает модель управления подвижными объектами, основанную на вероятностном подходе в стохастической ситуации и учёте ряда стохастических факторов. Модель основана на расчёте вероятности существования препятствия на пути движения транспортного объекта. Такая модель может применяться в условиях плохой видимости и возможности получения ошибочной информации от датчиков. Статья даёт систематику вероятностных характеристик стохастической информационной ситуации, сопровождающей подвижный объект. Обосновано применение дихотомического и оппозиционного анализа при изучении препятствий на трассе движения. Модель обнаружения постороннего объекта на трассе движения строится на предположении наличия достоверной и ошибочной информации. В качестве основы анализа используется теория Демпстера–Шафера. Модель стохастической информационной ситуации использует вероятностные характеристики наличия препятствия на трассе. Вероятность существования объекта оценивается с помощью теоремы Байеса. Предлагаемая модель учитывает три фактора стохастической ситуации: информационную неопределённость в сигнале, ложные сигналы, погрешность измерений датчиков. Область применения данной ситуационной модели: цифровая железная дорога, интеллектуальные транспортные системы, транспортные кибер-физические системы.

1. Лёвин Б. А., Цветков В. Я. Объектные и ситуационные модели при управлении транспортом // Наука и технологии железных дорог. – 2017. – № 2 (2). – С. 2–10. [Электронный ресурс]: http://www.vniias.ru/images/img/online_journal/pdf/02_2017/06_2017.pdf. Доступ 11.05.2020.

2. Титов Е. К. Информационное ситуационное управление // Государственный советник. – 2019. – № 1 (25). – С. 51–56. [Электронный ресурс]: https://cyberleninka.ru/article/n/informatsionnoe-situatsionnoe-upravlenie/pdf. Доступ 11.05.2020.

3. Лёвин Б. А., Цветков В. Я. Кибер-физические системы в управлении транспортом // Мир транспорта. – 2018. – № 2 (75). – С. 138–145. [Электронный ресурс]: https://mirtr.elpub.ru/jour/article/viewFile/1441/1717. Доступ 11.05.2020.

4. Коваленко Н. И. Извлечение знаний для интеллектуальных транспортных систем // Перспективы науки и образования. – 2014. – № 5. – С. 45–52. [Электронный ресурс]: https://cyberleninka.ru/article/n/izvlechenie-znaniydlya-intellektualnyh-transportnyh-sistem/pdf. Доступ 11.05.2020.

5. Tsvetkov, V. Ya. Information Situation and Information Position as a Management Tool. European researcher. Series A. 2012, Vol. 36, Iss. 12 (1), pp. 2166–2170. [Электронный ресурс]: http://docplayer.ru/25906936-Information-situationand-information-position-as-a-management-tool-viktor-yatsvetkov.html. Доступ 11.05.2020.

6. Павловский А. А., Охотников А. Л. Информационная транспортная ситуация // Наука и технологии железных дорог. – 2018. – № 2 (6). – С. 16–24. [Электронный ресурс]: http://www.vniias.ru/images/img/online_journal/pdf/02_2018/2_2018.pdf. Доступ 11.05.2020.

7. Павловский А. А. Формальная интерпретация // Перспективы науки и образования. – 2017. – № 4 (28). – С. 18–22. [Электронный ресурс]: https://www.elibrary_29904637_56184823.pdf. Доступ 11.05.2020.

8. Цветков В. Я. Интегральное управление высокоскоростной магистралью // Мир транспорта. – 2013. – № 5 (49). – С. 6–9. [Электронный ресурс]: https://mirtr.elpub.ru/jour/article/view/441. Доступ 11.05.2020.

9. Охотников А. Л. Применение теории Демпстера–Шафера для оптимизации перевозок // Наука и технологии железных дорог. – 2018. – № 4 (8). – С. 61–74. [Электронный ресурс]: http://www.vniias.ru/images/img/online_journal/pdf/01_2019/01_2019.pdf. Доступ 11.05.2020.

10. Musicki, D., Evans, R. Joint Integrated Probabilistic Data Association: JIPDA. IEEE Transactions on Aerospace and Electronic Systems, Vol. 40, No. 3, pp. 1094–1099, July 2004. DOI: 10.1109/TAES.2004.133748.

11. Mahlisch, M., Ritter, W., Dietmayer, K. De-cluttering with Integrated Probabilistic Data Association for Multisensor Multitarget ACC Vehicle Tracking. IEEE Intelligent Vehicles Symposium, Istanbul, Turkey, June 2007, pp. 178–183. DOI: 10.1109/IVS.2007.4290111.

12. Munz, M., Maehlisch, M., Dickmann, J., Dietmayer, K. Probabilistic Modeling of Sensor Properties in Generic Fusion Systems for Modern Driver Assistance Systems. IEEE Intelligent Vehicles Symposium, San Diego (CA), USA, June 2010, pp. 760–765. DOI: 10.1109/IVS.2010.554804.

13. Кудж С. А., Цветков В. Я. Логика и алгоритмы: Монография. – М.: МАКС Пресс, 2019. – 112 с.

14. Wenbo, He; Hoang, Nguyen; Xue, Liu; Nahrstedt, K.; Abdelzaher, T. iPDA: An integrity-protecting private data aggregation scheme for wireless sensor networks. MILCOM 2008–2008 IEEE Military Communications Conference. IEEE, 2008. pp. 1–7. [Электронный ресурс]: https://www.ideals.illinois.edu/bitstream/handle/2142/11413/iPDA%20An%20Integrity-Protecting%20Private%20Data%20Aggregation%20Scheme%20for%20Wireless%20Sensor%20Networks.pdf?sequence=2&isAllowed=y. Доступ 11.05.2020.

15. Musicki, D., Evans, R. Joint integrated probabilistic data association: JIPDA. IEEE transactions on Aerospace and Electronic Systems. 2004. Vol. 40, Iss. 3, pp. 1093–1099. DOI: 10.1109/TAES. 2004.133748.

16. Ba-Ngu, Vo; Wing-Kin, Ma. The Gaussian mixture probability hypothesis density filter. IEEE Transactions on signal processing, 2006. Vol. 54, Iss. 11, pp. 4091–4104. DOI: 10.1109/TSP.2006.881190.

17. Охотников А. Л., Дзюба Ю. В. Мягкое ситуационное управление // Сб. Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование (ИСУЖТ‑2018). Труды седьмой научно-техн. конференции. – 2018. – С. 62–64. [Электронный ресурс]: https://www.elibrary_36916645_17254769.pdf. Доступ 11.05.2020.

18. Aeberhard, M., Paul, S., Kaempchen, N., Bertram, T. Object Existence Probability Fusion using Dempster–Shafer Theory in a High-Level Sensor Data Fusion Architecture. IEEE Intelligent Vehicles Symposium, Baden-Baden, Germany, June 2011, pp. 770–775. DOI: 10.1109/IVS.2011.594043.

19. Господинов С. Г. Вероятностно логический анализ // ИТНОУ: Информационные технологии в науке, образовании и управлении. – 2019. – № 1. – С. 3–8. [Электронный ресурс]: http://www.vniias.ru/images/img/online_journal/pdf/03_2019/03_2019.pdf. Доступ 11.05.2020.