ISSN 1995-2732 (Print), 2412-9003 (Online)
УДК 656.222.3
DOI: 10.18503/1995-2732-2026-24-3-188-200
Аннотация
На современном этапе цифровизация транспортной сферы обусловила предпосылки для трансформации железнодорожного транспорта, в связи с чем в детальном исследовании нуждается потенциал искусственного интеллекта (ИИ) для повышения эффективности перевозок. Целью статьи является систематизация методов, опыта и перспектив использования ИИ при управлении перевозочным процессом на железнодорожном транспорте. Проведен обзор нормативной литературы, научных публикаций и реализованных проектов в данной сфере за последнее десятилетие, в течение которого ИИ стал одним из драйверов развития транспорта. В результате проведенного анализа выделены технологические тренды интеграции ИИ в эксплуатационную работу, проектирование инфраструктуры и логистику железнодорожного транспорта (машинное обучение, компьютерное зрение, цифровые двойники). Определены области применения ИИ от прогнозирования спроса и планирования на стратегическом уровне до нейросетевого моделирования тяговых расчетов. Систематизированы преимущества (рационализация использования пропускной способности, снижение себестоимости перевозок, повышение надежности и безопасности функционирования инфраструктуры) и барьеры внедрения ИИ (качество и разнородность данных, нормативное регулирование, специфика перевозочного процесса). Обоснована целесообразность использования ИИ для уменьшения неопределенности при выборе эффективной системы интервального регулирования движения поездов на однопутных железнодорожных участках. Дальнейшие исследования по внедрению ИИ в управление перевозочным процессом должны быть сосредоточены на создании адаптивных систем управления, интеграции разнородных данных, разработке отраслевого стандарта и интеграции тренировочных сред в учебный процесс инженеров путей сообщения.
Ключевые слова
искусственный интеллект, машинное обучение, управление перевозочным процессом на железнодорожном транспорте, цифровой двойник, прогнозная аналитика, интеллектуальные системы
Для цитирования
Бессоненко С.А., Осипов Н.И. Анализ опыта и перспектив применения искусственного интеллекта для управления перевозочным процессом на железнодорожном транспорте // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2026. Т. 24. №3. С. 188-200. https://doi.org/10.18503/1995-2732-2026-24-3-188-200
1. ПНСТ 884-2023. Искусственный интеллект на железнодорожном транспорте. Варианты использования [Электронный ресурс] // Федеральное агентство по техническому регулированию и метрологии. URL: https://www.rst.gov.ru. (Дата обращения: 29.03.2026).
2. Белая книга. Искусственный интеллект в сфере транспорта и логистики : отраслевой документ [Электронный ресурс] // Министерство транспорта Российской Федерации. URL: https://mintrans.gov.ru/press-center/news/12167. (Дата обращения: 29.03.2026).
3. Реестр технологий искусственного интеллекта в транспортной отрасли [Электронный ресурс] // Министерство транспорта Российской Федерации. URL: https://mintrans.gov.ru. (Дата обращения: 29.03.2026).
4. Кирякин В.Ю., Лобанов С.В. Перспективы использования ИИ-технологий в целях повышения энергоэффективности прогнозных графиков движения поездов // Железнодорожный транспорт. 2025. № 11. С. 4–12.
5. 5. Организация вагонопотоков: условия, ограничения, цифровые решения / А.Ф. Бородин, К.Ю. Николаев, Р.В. Шиндеров, В.В. Прозоров // Железнодорожный транспорт. 2025. № 6. С. 11–19.
6. О возможности применения в управлении железнодорожными транспортными системами и перевозочным процессом искусственного интеллекта / А.Т. Осьминин, А.Н. Баушев, И.И. Осьминина, А.А. Шатохин // Инновационные технологии на железнодорожном транспорте: сборник трудов научно-практической конференции с международным участием. М.: ФГАОУ ВО «Российский университет транспорта», 2022. С. 332–343.
7. Чеботарева Е.А. Развитие инструментов оценки резервов пропускной способности железнодорожных участков на базе создания цифрового двойника и применения искусственной нейронной сети // Мир транспорта и технологических машин. 2024. № 3-2(86). С. 126–131. DOI: 10.33979/2073-7432-2024-3-2(86)-126–131.
8. Третьяков Г. М., Мазько Н. Н., Варламов А. В. Применение технологий машинного обучения для автоматизации процессов планирования и управления грузовыми перевозками на железной дороге // Современные наукоемкие технологии. 2024. № 4. С. 88–100. DOI: 10.17513/snt.39977.
9. Бушуев С.В., Голочалов Н.С. Моделирование движения поезда на основе применения статистических данных // Инновационный транспорт. 2024. № 1(51). С. 52–57. DOI: 10.20291/2311-164X-2024-1-52-57.
10. Кулагин М.А., Сидоренко В.Г. Поддержка принятия решения по профилактике нарушений безопасности в работе // Надежность. 2021. Т. 21. № 4. С. 38–46. DOI: 10.21683/1729-2646-2021-21-4-38-46.
11. Ларин Е.С. Прогнозирование энергетических затрат подвижного состава с использованием алгоритмов машинного обучения // Динамика систем, механизмов и машин. 2024. Т. 12. № 3. С. 130–134. DOI: 10.25206/2310-9793-2024-12-3-130-134.
12. Обухов А.Д. Нейросетевое управление сортировочными процессами // Мир транспорта. 2016. Т. 14. № 1(62). С. 138–147.
13. Казаков А.Л., Упырь Р.Ю., Доможирова А.Д. Нейросетевой подход к изучению функционирования системы курсирования кольцевых маршрутных поездов // Вестник Научно-исследовательского института железнодорожного транспорта. 2023. Т. 82. № 2. С. 158–167. DOI: 10.21780/2223-9731-2023-82-2-158-167.
14. Ковалев К.Е., Новичихин А.В. Процедура планирования работы малоинтенсивных железнодорожных линий: логистические аспекты и нейросетевые модели // Известия Петербургского университета путей сообщения. 2023. Т. 20. № 2. С. 325–335. DOI: 10.20295/1815-588X-2023-2-325-335.
15. Журавлева Н.А., Баталова Н.В. Алгоритм расчета прогнозного пассажиропотока инновационного железнодорожного транспорта на основе нейронной модели // Инновационные транспортные системы и технологии. 2025. Т. 11. № 3. С. 474–485. DOI: 10.17816/transsyst688684.
16. Domanov K.I., Istomin S.G., Shatokhin A.P. Approaches to Creating a Driver Decision Support System for Digital Analysis of Railway Infrastructure Based on Machine Learning and Machine Vision Algorithms // E3S Web of Conferences : Proceedings of the 2nd International Conference on High-Speed Transport Development (HSTD 2023). Les Ulis: EDP Sciences - Web of Conferences, 2023. P. 05001. DOI: 10.1051/e3sconf/202344605001.
17. Любченко А.А., Смолин И.Ю. Особенности алгоритма распознавания номера вагона по изображению // Автоматика, связь, информатика. 2024. № 4. С. 7–9. DOI: 10.34649/AT.2024.4.4.002.
18. Смирнов Ф.А., Новичихин А.В. Автоматизация приема вагонов к перевозке: система управления и нейросетевая модель // Известия Петербургского университета путей сообщения. 2024. Т. 21. № 3. С. 670–685. DOI: 10.20295/1815-588X-2024-03-670-685.
19. Сидоренко В.Г., Кулагин М.А., Родина Д.М. Интеллектуальная система обнаружения нарушений в соблюдении требований безопасности при работах на объектах железнодорожной инфраструктуры // Автоматика на транспорте. 2025. Т. 11. № 1. С. 55–65. DOI: 10.20295/2412-9186-2025-11-01-55-65.
20. Формирование объективных показателей работы сортировочной станции на основе данных «от колеса» / А.Е. Хатламаджиян, И.А. Ольгейзер, А.В. Суханов, В.С. Иерусалимов // Автоматика на транспорте. 2024. Т. 10. № 3. С. 254–268. DOI: 10.20295/2412-9186-2024-10-03-254-268.
21. Лященко З.В., Игнатьева О.В., Шотт М.К. Оценка качества обслуживания пассажиров на железнодорожном транспорте на основе оценки эмоций пассажиров с использованием технологий искусственного интеллекта // Наука и техника транспорта. 2024. № 1. С. 58–66.
22. Использование методов машинного обучения для решения задачи энергооптимального движения поезда / С.Г. Истомин, К.И. Доманов, А.П. Шатохин [и др.] // Известия Петербургского университета путей сообщения. 2025. Т. 22. № 1. С. 75–84. DOI: 10.20295/1815-588X-2025-1-75-84.
23. Иванова Н.В., Зобнин В.Д., Орлов В.В. Оптимизация маршрутов доставки с использованием методов искусственного интеллекта в условиях изменяющейся транспортно-логистической обстановки // Транспортное дело России. 2024. № 8. С. 139–144.
24. Канарский В.А. Исследование эффективности машинного обучения в мониторинге сигнальной точки // Надежность. 2023. № 1. С. 38–44. DOI: 10.21683/1729-2646-2023-23-1-38-44.
25. Прогнозирование рисков функционирования железнодорожной инфраструктуры с помощью искусственных нейронных сетей / А.В. Орлов, А.С. Алексеев, А.В. Истомин, Л. Бадирила // Международный научно-исследовательский журнал. 2025. № 3(153). DOI: 10.60797/IRJ.2025.153.35.
26. Малахов С.В., Капустин М.Ю. Метод построения адаптивного субоптимального стационарного регулятора движения поезда на основе искусственных нейронных сетей // Вестник Научно-исследовательского института железнодорожного транспорта. 2021. Т. 80. № 1. С. 13–19. DOI: 10.21780/2223-9731- 2021-80-1-13-19.
27. Булавин Ю.П., Игнатьева О.В. Обучение искусственных нейронных сетей с подкреплением // Автоматика, связь, информатика. 2024. № 11. С. 18–21. DOI: 10.62994/AT.2024.11.11.003.
28. Голочалов Н.С. Методы обучения с подкреплением в контексте моделирования беспилотного движения поездов // Вестник Уральского государственного университета путей сообщения. 2025. № 3(67). С. 53–60. DOI: 10.20291/2079-0392-2025-3-53-60.
29. Сеначин Н.М. Оптимизация взаимодействия автономных железнодорожных систем на основе мультиагентного обучения // Вестник Уральского государственного университета путей сообщения. 2025. № 3(67). С. 100–105. DOI: 10.20291/2079-0392-2025-3-100-105.
30. Корнилов С.Н., Мишкуров П.Н., Рахмангулов А.Н. Нейросетевая модель управления железнодорожной станцией // Академик Владимир Николаевич Образцов – основоположник транспортной науки : труды юбилейной международной научно-практической конференции. Курск: ЗАО «Университетская книга», 2024. С. 295–301.
31. Zhang J., Zhang J. Artificial Intelligence Applied on Traffic Planning and Management for Rail Transport: A Review and Perspective // Discrete Dynamics in Nature and Society. 2023. Vol. 2023. P. 1832501. DOI: 10.1155/2023/1832501.
32. A review of artificial intelligence applications in high-speed railway systems / X. Li, M. Zhu, B. Zhang [et al.] // High-speed Railway. 2024. Vol. 2. No. 1. P. 11–16. DOI: 10.1016/j.hspr.2024.01.002.
33. 33. Artificial intelligence in rail transit wireless communication systems: Status, challenges and solutions / Ju. Zhao, Xu. Gao, Zh. Wu [et al.] // Physical Communication. 2024. Vol. 67. P. 102484. DOI: 10.1016/j.phycom.2024.102484.
34. Tang R., Liu R., Lin Zh. Predicting primary delay of train services using graph-embedding based machine learning // Journal of Rail Transport Planning and Management. 2025. Vol. 34. P. 100518. DOI: 10.1016/j.jrtpm.2025.100518.
35. Saki S., Soori M. Artificial intelligence, machine learning and deep learning in advanced transportation systems, a review // Multimodal Transportation. 2026. Vol. 5, No. 1. P. 100242. DOI: 10.1016/j.multra.2025.100242.
36. Arthaud F., Lecoeur G., Pierre A. Transformers à Grande Vitesse: Massively parallel real-time predictions of train delay propagation // Journal of Rail Transport Planning and Management. 2024. Vol. 29. P. 100418. DOI: 10.1016/j.jrtpm.2023.100418.
37. Yue M., Ma Sh. LSTM-Based Transformer for Transfer Passenger Flow Forecasting between Transportation Integrated Hubs in Urban Agglomeration // Applied Sciences (Switzerland). 2023. Vol. 13. No. 1. P. 637. DOI: 10.3390/app13010637.
38. Hybrid LSTM-Transformer Models for Profiling Highway–Railway Grade Crossings / K. Chatterjee, J. Q. Li, F. Ansari [et al.] // Journal of Transportation Engineering Part A: Systems. 2026. Vol. 152. No. 2. P. 04025138. DOI: 10.1061/jtepbs.teeng-9135.
39. Popov P. A., Ozerov A. V., Marshova A. S. Prospects of autonomous railway transport development // BRICS Transport. 2024. Vol. 3. No. 3. DOI: 10.46684/2024.3.4.
40. Никищенков С.А., Гаранин А.В. Технология автоматизированной корректировки нормативных графиков движения поездов с применением программных роботов // Автоматика на транспорте. 2024. Т. 10. № 1. С. 18–31. DOI: 10.20295/2412-9186-2024-10-01-18-31.
41. The genetic algorithm based on generative adversarial network for dynamic multi-objective optimization problem and application / T. Zhang, H. Yi, Z. Tai [et al.] // Knowledge-Based Systems. 2026. Vol. 332. P. 114939. DOI: 10.1016/j.knosys.2025.114939.