Цифровое моделирование системы распределения ресурсов в пассажирском транспортном комплексе

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Предложены оригинальные алгоритмы для оцифровки процессов распределения ресурсов в сложных пассажирских транспортных системах (ПТС). Цель исследования — создание универсальной цифровой модели, способной адаптироваться к условиям, где ключевые параметры системы определяются из соотношений, известных в обобщенной форме, а ее параметризация остается незавершенной. Разработанная структура РР-системы (распределения ресурсов) учитывает динамику ПТС, включая неопределенности, связанные с изменением спроса, ограничениями инфраструктуры и вариативностью сценариев эксплуатации. Модель РР-системы трансформируется для трех типовых исследовательских случаев, характерных для ПТС. Каждый случай реализуется через единый методологический подход: формирование морфологических матриц выбора сценариев на основе оценочных функционалов. Эти матрицы интегрируют критерии эффективности, такие как минимизация временных и ресурсных затрат, что позволяет адаптировать управление к конкретным условиям. Алгоритмы используют актуальные данные о текущих показателях системы — пассажиропотоке, загрузке транспорта, доступности ресурсов, — обеспечивая точность и релевантность расчетов. Обязательное условие функционирования РР-системы — ее трехуровневая иерархическая организация. На первом уровне выделены три подсистемы показателей, каждая из которых разделена на три страты (базовые, производные и интегральные метрики). Например, подсистема «Операционная эффективность» включает страты данных о времени движения транспорта, частоте маршрутов и уровне удовлетворенности пассажиров. Такая структура позволяет декомпозировать задачи управления, синхронизировать разнородные данные и формировать комплексные решения. Разработанные алгоритмы и структура РР-системы могут быть внедрены в интеллектуальные платформы управления транспортом, повышая гибкость и устойчивость ПТС в условиях неопределенности. Результаты исследования актуальны для городов с высокой динамикой пассажиропотока и ограниченными ресурсами.

Об авторах

Р. А. Халтурин

Государственный университет управления (ГУУ)

кандидат экономических наук, доцент, ведущий научный сотрудник Управления координации научных исследований 109542, Москва, Рязанский проспект, 99

Д. В. Никитин

Государственный университет управления (ГУУ)

аспирант 109542, Москва, Рязанский проспект, 99

И. Ю. Каштанов

Государственный университет управления (ГУУ)

аспирант 109542, Москва, Рязанский проспект, 99

Список литературы

  1. Козырев А.Н. Цифровая экономика и цифровизация в исторической ретроспективе // Цифровая экономика. 2018. № 1 (1). С. 5–19. URL: http://digital-economy.ru/stati/tsifrovayaekonomika-i-tsifrovizatsiya-v-istoricheskoj-retrospektive. doi: 10.34706/DE-2018-01-01. EDN VMUSSB.
  2. Negroponte N. Being digital. New York: Knopf, 1995. VIII, 243 с.; 22. (A Borzoi book). URL: https://web.stanford.edu/class/sts175/NewFiles/Negroponte.%20Being%20Digital.pdf.
  3. Халин В.Г., Чернова Г.В. Цифровизация и ее влияние на российскую экономику и общество: преимущества, вызовы, угрозы и риски // Управленческое консультирование. 2018. № 10 (118). С. 46–63. doi: 10.22394/1726-1139-2018-10-46-63. EDN YNFXNZ.
  4. Терентьев А.В., Ефименко Д.Б., Карелина М.Ю. Методы районирования, как методы оптимизации автотранспортных процессов // Вестник гражданских инженеров. 2017. № 6 (65). С. 291–294. doi: 10.23968/1999-5571-2017-14-6-291-294 EDN YPNFZF.
  5. Evtiukov S., Karelina M., Terentyev A. A method for multicriteria evaluation of the complex safety characteristic of a road vehicle // Transportation Research Procedia, Saint Petersburg, 27–29 сен тя бря 2018 года. Vol. 36. — Saint Petersburg: Elsevier B.V., 2018. P. 149–156. doi: 10.1016/j.trpro.2018.12.057. EDN DGMMDN.
  6. Вакуленко С.П., Ларин О.Н., Левин С.Б. Теоретические аспекты механизмов взаимодействия в транспортных системах // Мир транспорта, 2014. № 6. С. 14–27. EDN TCUSLT.
  7. Karelina M.Yu., Terentyev A.V., Moiseev V.V., Stroev V.V. Enhancement of economic effi ciency of transport performance using multi-criteria estimation // International conference “Economy in the modern world” (ICEMW 2018): Proceedings of the International conference “Economy in the modern world” (ICEMW 2018), Kazan, 26–27 июля 2018 года / Editors: L.N. Safi ullin, Dr. Prof., Deputy Director for Science of the Institute of Management, Economics and Finance Kazan Federal University, Kazan, Russia; N.K. Gabdrakhmanov, PhD, Ass. Prof., Head of the Scientifi c Activities Department, Kazan Federal University, Kazan, Russia. Vol. 61. Kazan: Atlantis Press, 2018. P. 167–171. EDN WHRSRR.
  8. Terentiev A.V., Yevtukov S.S., Karelina E.A. Development of Zoning Method for Solving Economic Problems of Optimal Resource Allocation to Objects of Various Importance in Context of Incomplete Information // Proceedings of the International Scientifi c Conference “FarEastCon” (ISCFEC 2020): Серия: Advances in Economics, Business and Management Research, Vladivostok, 01–04 октября 2019 года. Vol. 128. Vladivostok: Atlantis Press, 2020. doi: 10.2991/aebmr.k.200312.108. EDN LJQRIK.
  9. Digital object-oriented control models in automobile-road complex systems / A.V. Terentyev, M.Y. Karelina, T.Y. Cherepnina [et al.] // IOP Conference Series: Materials Science and Engineering: 2019 International Conference on Digital Solutions for Automotive Industry, Roadway Maintenance and Traffi c Control, DS ART 2019, Cholpon-Ata, 01 ноября 2019 года. Vol. 832. BRISTOL: Institute of Physics Publishing, 2020. P. 012058. doi: 10.1088/1757-899X/832/1/012058. EDN LTGFWV
  10. Цветков В.Я. Логистика информационных потоков в распределенных системах // Наука и технологии железных дорог. 2017. № 1 (1). С. 34–44. EDN YLOJUL.
  11. Корячко В.П., Перепелкин Д.А. Анализ и проектирование маршрутов передачи данных в корпоративных сетях. М.: Горячая линия – Телеком, 2012. 236 с. EDN RBAWNL.
  12. Ефимова О.Ю. Адаптивная модель управления качеством городского пассажирского транспорта // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. 2016. № 1 (41). С. 48–54. EDN VYURMF.
  13. Цветков В.Я., Алпатов А.Н. Управление распределенными транспортными потоками // Государственный советник. 2014. № 3. С. 55–60. EDN SQYTJN.
  14. Андреев К.П., Терентьев В.В. Информационное моделирование в проектировании транспортных сетей городов // Новая наука: Теоретический и практический взгляд. 2016. № 117–2. С. 108–110. EDN UUDSCW.
  15. Знаменский Д.Н., Федоров М.П. Построение комплексной модели оптимизации маршрутной сети городского транспорта // Научно-технические ведомости. Инноватика СПбГПУ. 2011. № 3. С. 154–158. EDN NXVZEN.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».