ИНТЕГРАЦИЯ ЭКСПЕРИМЕНТАЛЬНЫХ И ВЫЧИСЛИТЕЛЬНЫХ МЕТОДОВ ПРИ АНАЛИЗЕ ГОРОДСКОЙ ТРАНСПОРТНОЙ СИСТЕМЫ
Ключевые слова:
смарт-технологии, ГИС, «умные» транспортные системы, экспериментальные исследования, машинное обучениеАннотация
В статье рассматривается комплексный подход анализа городской транспортной системы, основанный на интеграции экспериментальных и вычислительных методов с применением смарт-технологий. Для проведения исследований использованы модели, которые симулируют различные сценарии движения транспортных средств. Это позволит оптимизировать параметры транспортных потоков путем передачи и обработки информации о них для управления движением. Рассмотрены перспективы развития геоинформационной системы (ГИС) в транспортной сфере, включая интеграцию «умных» транспортных средств, оснащенных бортовыми информационными системами навигации автопилотирования для создания «умных» транспортных систем. «Умные» транспортные системы должны иметь развитую инфраструктуру дорожной сети, включая современные технические средства организации дорожного движения. Для прогнозирования заторов и оптимизации маршрутов транспортных средств в «умных» транспортных системах применены методы и алгоритмы машинного обучения, квантильная регрессия, нейронные сети. Проведение экспериментальных исследований необходимо для практической апробации предложений по повышению эффективности транспортных систем на основе оптимизации маршрута транспорта взаимодействия с дорожной инфраструктурой на контрольных участках дорог. Результаты исследования будут иметь практическое значение для оптимизации городской мобильности и повышения эффективности транспортных систем.
Использованные источники
- Abedzhanova, A.S., Dzhaxylykov, A.F., Rasskazov, P.A., Apshikur, B. & Islyam, G. (2023). Automated system for optimizing the movement of urban passenger transport using GIS. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives. 2023, 48(5/W2-2023). P. 1–8. https://doi.org/10.5194/isprs-archives-XLVIII-5-W2-2023-1-2023.
- Apshikur, B., Maksimov, V.A., Toleubekyzy, I.T. & Alimkulov, M.M. (2024). Current assessment of atmospheric pollution by industrial enterprises in Ust-Kamenogorsk based on GIS technologies. InterCarto. InterGIS. Moscow: MSU, Faculty of Geography, 2024. V. 30. Part 2. P. 469–481. https://doi.org/10.35595/2414-9179-2024-2-30-469-481.
- Karunakaran, L., Rathnayaka, R., Seneviratna, D. & Kithulwatta, W.M.C.J.T. (2025). Artificial Intelligence in Smart Cities and Urban Mobility: A Systematic Literature Review. 4. 10. URL: https://ir.kdu.ac.lk/handle/345/8912.
- Li, W. & Kunyou, P. (2024). Quantitative analysis and model prediction of urban traffic flow optimization by geographic information technology. Applied Mathematics and Nonlinear Sciences. 2024. V. 9. https://doi.org/10.2478/amns-2024-3265.
- Liu, J., Zhang, T. & Yang, X. (2022). High-precision vehicle positioning by fusion of GPS and IMU in complex urban environments. Sensors, 2022, 22(1), 55. https://doi.org/10.3390/s22010055
- Mirovic, V., Mitrović Simić, J., Milicic, M. & Ruskic, N. (2024). Smart Mobility in Smart Cities. Jtttp - journal of traffic and transport theory and practice. https://doi.org/10.7251/JTTTP2402083M.
- Pali, P.,Verma, S., Patel, A., Pathak, V. & Soni, V. (2023). Intelligent Urban Transportation Systems (Iuts): A Survey of AI-Driven Innovations and Future Directions. International Journal of Innovative Research in Science,Engineering and Technology. 12. 8068-8073. https://doi.org/10.15680/IJIRSET.2023.1205498.
- Qin, X. (2023). Research on Big Data-Driven Urban Traffic Flow Prediction Based on Deep Learning. IJITSA. 2023. V.16. P. 1–20. https://doi.org/ 10.4018/IJITSA.323455.
- Radovic Markovic, M., Vukovic, N. & Mityagin, S. (2021). ICT and Smart Cities: Case Studies of Moscow and Saint-Petersburg. IPSI BgD Transactions on Internet Research. 2021.V. 17. P. 10-14. URL: https://ipsitransactions.org/journals/papers/tir/2021jan/p3.pdf.
- Sukhoruchkina, I.N. & Sukhoruchkina, A.A. (2023). Artificial intelligence and information technology support for smart city projects in Russia. Scientific and technical information. Series 1: Organization and methodology of information work. 2023, P. 21-27. https://doi.org/10.36535/0548-0019-2023-10-4.
- Tarissa, D. (2023). Comparison of Smart City Program in Indonesia and China Study Case: Jakarta and Beijing. Journal of Infrastructure Policy and Management. 2023, 6. 77-88. https://doi.org/10.35166/jipm.6.2.77-88.
- Wolniak, R. & Stecuła, K. (2024). Artificial Intelligence in Smart Cities—Applications, Barriers, and Future Directions: A Review. Smart Cities 2024, 7(3), 1346-1389; https://doi.org/10.3390/smartcities7030057.
- Yamamura, S., Fan, L. & Suzuki Y. (2017). Assessment of Urban Energy Performance through Integration of BIM and GIS for Smart City Planning. Procedia Engineering. 2017, 180, P.1462-1472. https://doi.org/10.1016/j.proeng.2017.04.309.
- «Д. Серікбаев атындағы Шығыс Қазақстан техникалық университеті» КЕАҚ. Лу Бань шеберханасы. URL: https://ektu.kz/departments/sc_mecheng/about_dep/lubanworkshop.aspx?lang=kz/ (дата обращения: 02.10.2025). // «D. Serıkbaev atyndağy Şyğys Qazaqstan tehnikalyq universitetı» KEAQ. Lu Bän şeberhanasy [D. Serikbayev East Kazakhstan Technical University NJSC. Lu Ban Workshop]. URL: https://ektu.kz/departments/sc_mecheng/about_dep/lubanworkshop.aspx?lang=kz/ (data obrashcheniya: 02.10.2025). (In Kaz.)
- Куценко С.М., Устюжанинова Д.С. Использование искусственного интеллекта и машинного обучения в транспортных системах // Экономика и предпринимательство. 2024. С. 1360–1362. URL: https://doi.org/10.34925/EIP.2024.164.3.265/ (дата обращения: 04.09.2025). // Kutsenko S.M., Ustyuzhaninova D.S. Ispol'zovanie iskusstvennogo intellekta i mashinnogo obucheniya v transportnykh sistemakh [The use of artificial intelligence and machine learning in transport systems] // Ekonomika i predprinimatel'stvo [Economics and Entrepreneurship]. 2024. P. 1360–1362. URL: https://doi.org/10.34925/EIP.2024.164.3.265/ (data obrashcheniya: 04.09.2025). (In Russ.)
