Алгоритм оцифровки технологических графиков обработки поездов на железнодорожных станциях

Изменяющиеся объемы перевозок грузов вызывают необходимость в ускоренном продвижении грузопотоков, в том числе за счет изменения технологии пропуска поездов по инфраструктуре железнодорожного транспорта. В таких условиях требуется создать цифровые модели, цель которых – воспроизвести работу оригинала. Полученные результаты работы цифровой модели послужат обоснованием для последующей разработки вариантов работы моделируемого объекта, направленных на выполнение перспективных показателей работы железнодорожного транспорта.

В связи с этим, в рамках проведенного исследования разработан алгоритм оцифровки технологических графиков обработки поездов. Цель разработанного алгоритма – согласно его структуре сформировать программу, обеспечивающую оперативный автоматизированный учет технологии работы оригинальных объектов железнодорожного транспорта в условиях трансформации аналоговой информации в ее цифровой тип. Программным, структурным и системным методами был создан алгоритм, в основе которого – машинная модель обучения. Оценка точности определения подаваемой технологической операции оценивается чистотой информационного узла, а для эксперимента были оцифрованы более 120 технологических графиков обработки поездов различных железнодорожных станций.

1. Чигрин Н. С., Борисенков Е. С., Грефенштейн А. П. Характеристика проблем перевозок грузов железнодорожным транспортом в восточном направлении // Техника и технология транспорта. – 2023. – № 4 (31). EDN: ZKCJKE.

2. Янев Ж. О структуре цифровой модели железнодорожной станции // Транспортное дело России. – 2024. – № 3. – С. 186–190. EDN: OJZHAY.

3. Костенко В. В., Богданович Д. Е. Практическое применение цифровой модели для технико-экономического обоснования реконструкции железнодорожной станции // Бюллетень результатов научных исследований. – 2021. – № 1. – С. 61–73. DOI: 10.20295/2223-9987-2021-1-61-73.

4. Головнич А. К. Детерминация понятия «цифровой двойник» в 3SD-моделях железнодорожных станций // Техник транспорта: образование и практика. – 2023. – № 4 (2). – С. 184–192. DOI: https://doi.org/10.46684/2687-1033.2023.2.184-192.

5. Ерофеев А. А. Нормативно-справочная информация в системе поездообразования // Вестник Белорусского государственного университета транспорта: наука и транспорт. – 2007. – № 1–2 (14–15). – С. 54–59. EDN: YSDPLF.

6. Лысиков М. Г., Ольшанский А. М., Розенберг Е. Н., Розенберг И. Н. Патент № 2723051 C1 Российская Федерация, МПК B61B 1/00. Система оперативного управления движением транзитных поездов: № 2019131595: заявл. 08.10.2019: опубл. 08.06.2020 / заявитель Акционерное общество «Научно-исследовательский и проектно-конструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте». EDN: UTJFTN.

7. Костенко О. А., Пархоменко Н. В. Принципы построения программной цифровой модели сортировочной станции и ее исследование на ЭЦВМ // Кибернетика и транспорт. – М.: Наука, 1967. – С. 118–133.

8. Khomonenko, A., Khalil, M. M. Quantum computing in controlling railroads. In: E3S Web of Conferences: International Scientific Conference Transport Technologies in the 21st Century (TT21C-2023) «Actual problems of Decarbonization of Transport and Power Engineering: Ways of Their Innovative Solution», Rostov-on-Don, Russia, 05-07.04.2023, Vol. 383. A. Bieliatynskyi and A. N. Guda (Eds.). – Rostov-on-Don, Russia: EDP Sciences, 2023. – ст. 01010. DOI: https://doi.org/10.1051/e3sconf/202338301010.

9. Lakemond, N., Holmberg, G., Pettersson A. Digital Transformation in Complex Systems. IEEE Transactions on Engineering Management, 2024, Vol. 71, рр. 192–204. DOI: 10.1109/tem.2021.3118203.

10. Потюпкин А. Ю., Чечкин А. В. Искусственный интеллект на базе информационно-системной избыточности. – М.: ООО «Научно-издательский центр ИНФРА-М», 2019. – 384 с. ISBN 978-5-907064-44-7.

11. Жердева М. В., Артюшенко В. М. Стемминг и лемматизация в lucene.net // Вестник Московского государственного университета леса. – Лесной вестник. – 2016. – Т. 20. – № 3. – С. 131–134. EDN: WKNMTN.

12. Челышев Э. А., Оцоков Ш. А., Раскатова М. В., Щеголев П. Сравнение методов классификации русскоязычных новостных текстов с использованием алгоритмов машинного обучения // Вестник кибернетики. – 2022. – № 1 (45). – С. 63–71. DOI: 10.34822/1999-7604-2022-1-63-71.

13. Оськина К. А. Оптимизация метода классификации текстов, основанного на TF-IDF, за счет введения дополнительных коэффициентов // Вестник Московского государственного лингвистического университета. Гуманитарные науки. – 2016. – № 15 (754). – С. 175–187. EDN: OPWIAU.

14. Полякова А. С., Липинский Л. В., Поплаухина М. А. [и др.] Свидетельство о государственной регистрации программы для ЭВМ № 2021681722 Российская Федерация. Интеллектуальная система для решения задач анализа естественного языка на основе процедуры векторизации текста с помощью моделей машинного обучения, генетического алгоритма и метода TF-IDF: № 2021681149: заявл. 17.12.2021: опубл. 24.12.2021; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева». EDN: GVNFKK.

15. Disha, R. A., Waheed, S. Performance analysis of machine learning models for intrusion detection system using Gini Impurity-based Weighted Random Forest (GIWRF) feature selection technique. Cybersecurity, 2022, Vol. 5, Iss. 1, pp. 1–22. DOI: 10.1186/s42400-021-00103-8.

16. Demetriou, D., Michailides, C., Onoufriou, T., Papanastasiou, G. Coastal zone significant wave height prediction by supervised machine learning classification algorithms. Ocean Engineering, 2021, Vol. 221, art. 108592. DOI: 10.1016/j.oceaneng.2021.108592.