Гибридная технология синтеза транспортно-логистических систем на основе машинного обучения и имитационного моделирования

Авторы

  • Елена Олеговна Неупокоева Институт информатики и математического моделирования им. В.А. Путилова КНЦ РАН
  • Виталий Викторович Быстров Институт информатики и математического моделирования им. В.А. Путилова КНЦ РАН
  • Максим Геннадьевич Шишаев Институт информатики и математического моделирования им. В.А. Путилова КНЦ РАН

DOI:

https://doi.org/10.52575/2687-0932-2024-51-3-670-681

Ключевые слова:

машинное обучение, искусственные нейронные сети, имитационное моделирование, траспортно-логистическая система, железнодорожный транспорт

Аннотация

В настоящее время наблюдается мировой тренд в использовании интеллектуальных технологий в комбинации с компьютерным моделированием для решения сложных прикладных задач. Текущая работа посвящена созданию программных инструментов для информационно-аналитической поддержки управления транспортно-логистическими системами. В статье рассматривается гибридная технологии синтеза транспортно-логистических систем на основе машинного обучения и имитационного моделирования, позволяющая формировать и анализировать конфигурации сложных транспортно-логистических систем с большим количеством компонентов. Приводится краткий обзор нейросетевых методов и технологий, применяемых для решения прикладных задач оперативного управления и планирования в транспортной логистике. Авторы предлагают формализацию задачи планирования конфигурации транспортно-логистической системы в общей постановке и в частном случае. Рассматривается разработанная компьютерная модель имитации сценариев реализации плана движения транспортных средств на заданной конфигурации транспортно-логистической сети.

Скачивания

Данные скачивания пока недоступны.

Биографии авторов

Елена Олеговна Неупокоева, Институт информатики и математического моделирования им. В.А. Путилова КНЦ РАН

стажер-исследователь, Институт информатики и математического моделирования им. В.А. Путилова КНЦ РАН.,
г. Апатиты, Россия

E-mail: neupokoeva@iimm.ru

Виталий Викторович Быстров, Институт информатики и математического моделирования им. В.А. Путилова КНЦ РАН

кандидат технических наук, ведущий научный сотрудник, Институт информатики и математического моделирования им. В.А. Путилова КНЦ РАН.,
г. Апатиты, Россия

E-mail: bystrov@iimm.ru

Максим Геннадьевич Шишаев, Институт информатики и математического моделирования им. В.А. Путилова КНЦ РАН

доктор технических наук, доцент, главный научный сотрудник, Институт информатики и математического моделирования им. В.А. Путилова КНЦ РАН.,
г. Апатиты, Россия

E-mail: shishaev@iimm.ru

Библиографические ссылки

Bello I., Pham H., Le Q., Norouzi M., Bengio S. 2016. Neural Combinatorial Optimization with Reinforcement Learning, Under review as a conference paper at ICLR 2017, arXiv.

Bengio Y., Lodi A., Prouvost A. 2020. Machine Learning for Combinatorial Optimization: a Methodological Tour d’Horizon, European Journal of Operational Research, 290(2): 405–421.

Bertazzi L., Speranza M.G. 2012. Inventory routing problems: An introduction, EURO Journal on Transportation and Logistics, 1: 307–326.

Bonami P., Lodi A., Zarpellon G. 2018. Learning a Classification of Mixed-Integer Quadratic Programming Problems, Integration of Constraint Programming, Artificial Intelligence, and Operations Research: 595–604.

Dairi A., Harrou F., Mohamed S., Sun Y. 2017. Unsupervised obstacle detection in driving environments using deep-learning-based stereovision, Robotics and Autonomous Systems, 100: 287–301.

Dong C., Shao C., Xiong Z. 2018. An Improved Deep Learning Model for Traffic Crash Prediction, Journal of Advanced Transportation, 2018: 1–13.

El Hatri C., Boumhidi J. 2018. Fuzzy deep learning based urban traffic incident detection, Cognitive Systems Research, 50: 206–213.

Genders W., Razavi S. 2018. Evaluating reinforcement learning state representations for adaptive traffic signal control, Procedia Computer Science, 130: 26–33.

Goyal A., Bhatia A., Yadav A., Sharma D. K. 2023. Misbehavior Detection in Cooperative Intelligent Transportation Systems using Temporal Fusion Transformer, Proceedings of the 24th International Conference on Distributed Computing and Networking (ICDCN '23). Association for Computing Machinery: 431–437.

Hu W.-C., Wu H.-T., Cho H.-H., Tseng F.-H. 2020. Optimal Route Planning System for Logistics Vehicles Based on Artificial Intelligence, Journal of Internet Technology, 21(3): 757–764.

Huang W., Song G., Hong H., Xie K., 2014, Deep Architecture for Traffic Flow Prediction: Deep Belief Networks With Multitask Learning, IEEE Transactions on Intelligent Transportation Systems 15(5): 2191–2201.

Ketabchi Haghighat A., Ravichandra Mouli V., Chakraborty P., Esfandiari Y., Arabi, S., Sharma A. 2020. Applications of Deep Learning in Intelligent Transportation Systems, Journal of Big Data Analytics in Transportation, 2(11): 115–145.

Khajeh Hosseini M., Talebpour A. 2019.Traffic Prediction using Time-Space Diagram: A Convolutional Neural Network Approach, Transportation Research Record: Journal of the Transportation Research Board, 2673(1): 425-435.

Kruber M., Lübbecke M.E., Parmentier A. 2017. Learning When to Use a Decomposition, Integration of AI and OR Techniques in Constraint Programming: 202–210.

Küçük M., Topaloglu Yildiz S. 2022. Constraint programming-based solution approaches for three-dimensional loading capacitated vehicle routing problems, Computers & Industrial Engineering, 171: 108505.

Liang J., Zhu H., Zhang E., Zhang J. 2022. Stargazer: A Transformer-based Driver Action Detection System for Intelligent Transportation, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition: 3159–3166.

Liang X., Du X., Wang G., Han Z. 2019. A Deep Reinforcement Learning Network for Traffic Light Cycle Control, IEEE Transactions on Vehicular Technology, 68(2): 1243–1253.

Liu Y., Wang Y., Yang X., Zhang L. 2017. Short-term travel time prediction by deep learning: A comparison of different LSTM-DNN models, IEEE 20th International Conference on Intelligent Transportation Systems (ITSC): 1–8.

Lodi A., Zarpellon G. 2017. On learning and branching: a survey, TOP, 25(2): 207–236.

Nguyen H., Kieu M., Wen T. Cai C. 2018. Deep learning methods in transportation domain: A review, IET Intelligent Transport Systems, 12(9): 998–1004.

Shi D., Ding J., Errapotu S., Yue H., Xu W., Zhou X., Pan M., 2018, Q-Network Based Route Scheduling for Transportation Network Company Vehicles, IEEE Global Communications Conference (GLOBECOM) 2018 IEEE Global Communications Conference (GLOBECOM): 1–7.

Sun T., Sun B., Jiang Z.-H., Hao R., Xie J. 2021. Traffic Flow Online Prediction Based on a Generative Adversarial Network with Multi-Source Data, Sustainability, 13: 12188.

Yilun L., Dai X., Li L. 2019. Pattern Sensitive Prediction of Traffic Flow Based on Generative Adversarial Framework, IEEE Transactions on Intelligent Transportation Systems, 20: 2395–2400.

Zhang D., Kabuka M. 2018. Combining Weather Condition Data to Predict Traffic Flow: A GRU Based Deep Learning Approach, IET Intelligent Transport Systems, 12(7): 578–585.


Просмотров аннотации: 18

Поделиться

Опубликован

2024-09-30

Как цитировать

Неупокоева, Е. О., Быстров, В. В., & Шишаев, М. Г. (2024). Гибридная технология синтеза транспортно-логистических систем на основе машинного обучения и имитационного моделирования. Экономика. Информатика, 51(3), 670-681. https://doi.org/10.52575/2687-0932-2024-51-3-670-681

Выпуск

Раздел

КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ