О применении технологий предиктивного управления в интеллектуальных транспортных системах

В статье рассматриваются актуальные подходы для использования решений на основе методов машинного обучения и искусственного интеллекта, используемых при создании, внедрении и развитии интеллектуальных транспортных систем на территории Российской Федерации, реализуемых в настоящее время в рамках национального проекта «Инфраструктура для жизни». Особое внимание уделяется применяемым в настоящее время инструментам мониторинга и управления транспортными потоками, являющимися неотъемлемой частью таких систем, и обеспечивающими реализацию их целей и задач. Традиционный инструментарий построения интеллектуальных транспортных систем, основанный на сценарном и локальном адаптивном управлении дорожными контроллерами, позволяет получить определенные позитивные эффекты путем реагирования на возникающие изменения параметров, однако наиболее перспективным представляется подход, основанный на предиктивном управлении параметрами транспортных потоков с использованием сетевого адаптивного управления. Указанный подход моделирует сложные зависимости внутренних и внешних факторов влияния на транспортные потоки и динамику дорожной обстановки. Модели, основанные на параметрах реального транспортного потока, позволяют выявлять и определять вероятности изменения параметров, например, для прогнозирования возникновения транспортного затора в конкретном месте в конкретное время. Предиктивный подход к управлению, реализуемый в рамках развития функциональных возможностей интеллектуальных транспортных систем, позволит получить дополнительные позитивные социально-экономические эффекты для всех участников дорожного движения и пользователей дорог.

1. A Scientometric-Based Review of Traffic Signal Control Methods and Experiments Based on Connected Vehicles and Floating Car Data (FCD) / V. Astarita, V. P. Giofrè, G. Guido, A. Vitale // Applied Sciences (Switzerland). – 2021. – Vol. 11, No. 12. – P. 5547. – DOI 10.3390/app11125547. – EDN PFZARY.

2. Zhang, Le. Predictive Intelligent Transportation: Alleviating Traffic Congestion in the Internet of Vehicles / Le. Zhang, M. Khalgui, Zh. Li // Sensors. – 2021. – Vol. 21, No. 21. – P. 7330. – DOI 10.3390/s21217330. – EDN MQFXYO.

3. Jafari, S. Improving the Performance of Single-Intersection Urban Traffic Networks Based on a Model Predictive Controller / S. Jafari, Z. Shahbazi, Yu. Ch. Byun // Sustainability. – 2021. – Vol. 13, No. 10. – P. 5630. – DOI 10.3390/su13105630. – EDN BRAPVS.

4. Евстигнеев, И. А. Основы создания интеллектуальных транспортных систем в городских агломерациях России / И. А. Евстигнеев. – Москва: Издательство "Перо", 2021. - 294 с.

5. Реестр программного обеспечения: официальный сайт. –Москва. – URL: https://reestr.digital.gov.ru.

6. Развитие архитектуры интеллектуальных транспортных систем / Е. О. Андреев, С. В. Жанказиев, В. В. Зырянов, А. С. Павлов // T-Comm: Телекоммуникации и транспорт. – 2024. – Т. 18, № 1. – С. 38-43. – DOI 10.36724/2072-8735-2024-18-1-38-43. – EDN HNTJMK.

7. Бажина, М. А. Проблемы правового регулирования применения инновационных технологий в транспортно-логистической деятельности / М. А. Бажина // Вестник Южно-Уральского государственного университета. Серия: Право. – 2023. – Т. 23, № 3. – С. 41-45. – DOI 10.14529/law230307. – EDN KOYNVF.

8. Кузнецов, С. А. Организационно-технические аспекты внедрения интеллектуальных транспортных систем в городских агломерациях / С. А. Кузнецов, В. А. Николаев // Экономика и управление. – 2025. – Т. 31, № 6. – С. 728-737. – DOI 10.35854/1998-1627-2025-6-728-737. – EDN RISOHW.

9. Сырцова, Е. А. Эффекты внедрения интеллектуальных транспортных систем в регионах России / Е. А. Сырцова // Государственное управление. Электронный вестник. – 2023. – № 101. – С. 159-169. – DOI 10.24412/2070-1381-2023-101-159-169. – EDN RHWEOJ.