Методологический подход к построению автоматизированной системы присвоения наименований остановочным пунктам маршрутной сети транспортных средств
EDN: FPGLTA
Аннотация
В статье предложен методологический подход к формированию автоматизированной системы для присваивания наименований остановочным пунктам, имеющий описательный и согласованный характер. Система сочетает в себе обработку естественного языка, геолокацию, нечеткую логику и методы машинного обучения для генерации названий на основе таких критериев, как приоритет точки интереса, близость, пешеходная доступность и плотность населения.
Об авторах
Р. Н. Сафиуллин
Санкт-Петербургский Горный университет императрицы Екатерины II
Россия
Россия
Сафиуллин Равиль Нуруллович, доктор технических наук, профессор кафедры транспортно-технологических процессов и машин
А. С. Парра
Санкт-Петербургский Горный университет императрицы Екатерины II
Россия
Россия
Парра Ариас Сунильда, аспирант кафедры Транспортно-технологических процессов и машин
А. В. Сорванов
Санкт-Петербургский Горный университет императрицы Екатерины II
Россия
Россия
Сорванов Александр Викторович, студент кафедры Транспортно-технологических процессов и машин
М. С. Присяжнюк
Комитет Ленинградской области по транспорту
Россия
Россия
Присяжнюк Михаил Сергеевич, кандидат технических наук, председатель Комитета Ленинградской области по транспорту
Список литературы
1. Shen, L. et al. Transportation routes evaluation: A delphi and CFPR approach. J. Intell. Fuzzy Syst. 41 (4), 4841–4854. https://doi.org/10.3233/jifs-189969. 2021. https://doi.org/10.3233/jifs-189969.
2. Lu W., Choi S.-B., Yeo G.-T. Resilient route selection of oversized cargo transport: the case of South Korea–Kazakhstan // Int. J. Logist. Manag. Emerald Publishing Limited, 2022. Vol. 33, № 2. P. 410–430. https://doi.org/10.1108/IJLM-11-2020-0445.
3. Pamucar D., Görçün Ö., Küçükönder H. Evaluation of the routes election in international freight transportation by using the CODAS technique based on interval-valued Atanassov intuitionistic sets // Soft Computing. 2023. Vol. 27, № 5. P. 2325-2345. https://doi.org/10.1007/s00500-022-07707-3.
4. Deveci K., Cin R., Kağızman A. A modified interval valued intuitionistic fuzzy CODAS method and its application to multi-criteria selection among renewable energy alternatives in Turkey // Appl. Soft Comput. 2020. Vol. 96. P. 106660. https://doi.org/10.1016/j.asoc.2020.106660.
5. Meethom W., Koohathongsumrit N. A decision support system for road freight transportation route selection with new fuzzy numbers // foresight. Emerald Publishing Limited, 2020. Vol. 22, № 4. P. 505-527. https://doi.org/10.1108/FS-10-2019-0090.
6. Liang X., Meng X. An extended FTOPSIS method for freeway route selection in the pre-feasibility study stage // Phys. Stat. Mech. Its Appl. 2019. Vol. 526. P. 120871. https://doi.org/10.1016/j.physa.2019.04.107.
7. Park Y. I. et al. Terminal Vitalization Strategy through Optimal Route Selection Adopting CFPR Methodology // Asian J. Shipp. Logist. 2019. Vol. 35, № 1. P. 41-48. https://doi.org/10.1016/j.ajsl.2019.03.006.
8. Сафиуллин, Р. Н. Адаптивно-управляемый метод мониторинга экологических параметров беспилотных транспортных средств / Р. Н. Сафиуллин, В. А. Ефремова, В. Д. Чмутов. - Текст : непосредственный // Технико-технологические проблемы сервиса. - 2024. - № 2(68). - С. 28-32. - EDN EJLUUE.
9. Alam M.S. et al. An artificial neural network for predicting air traffic demand based on socio-economic parameters // Decis. Anal. J. 2024. Vol. 10. P. 100382. https://doi.org/10.1016/j.dajour.2023.100382.
10. Buckley J. J., Eslami E. An Introduction to Fuzzy Logic and Fuzzy Sets. https://doi.org/10.1007/978-3-7908-1799-7 // 2002.
11. Ohia N. P. et al. Artificial intelligence-driven fuzzy logic approach for optimal well selection in gas lift design: A brown field case study // Results Eng. 2025. Vol. 25. P. 103927. https://doi.org/10.1016/j.rineng.20-25.103927.
12. Safiullin R. N., Safiullin R. R., Efremova V. A. Method of complex assessment of on-board information and control systems on mining machines. MIAB. Mining Inf. Anal. Bull. 2023;(9-1):49-63. [In Russ]. DOI: 10.25-018/0236_1493_2023_91_0_49.’.
13. Wang N., Chen M., Wang N. An Improved CBBA Generation Method Based on Triangular Fuzzy Numbers // Int. J. Comput. Intell. Syst. 2024. Vol. 17, № 1. P. 22. https://doi.org/10.1007/s44196-023-00398-0.
14. Chai T., Draxler R.R. Root mean square error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding RMSE in the literature // Geosci. Model Dev. 2014. Vol. 7, № 3. P. 1247–1250. https://doi.org/10.5194/gmd-7-1247-2014.
15. Ogunsina K., Okolo W.A. Artificial Neural Network Modeling for Airline Disruption Management // J. Aerosp. Inf. Syst. American Institute of Aeronautics and Astronautics, 2022. Vol. 19, № 5. P. 382–393. https://doi.org/10.2514/1.I011018.
16. Izadgoshasb H. et al. Predicting Compressive Strength of 3D Printed Mortar in Structural Members Using Machine Learning // Appl. Sci. 2021. Vol. 11, № 22. https://doi.org/10.3390/app112210826.
Рецензия
Для цитирования:
Сафиуллин Р.Н., Парра А.С., Сорванов А.В., Присяжнюк М.С. Методологический подход к построению автоматизированной системы присвоения наименований остановочным пунктам маршрутной сети транспортных средств. Наука и техника транспорта. 2025;(3):76-86. EDN: FPGLTA
For citation:
Safiullin R.N., Parra A.S., Sorvanov A.V., Prisyazhnyuk M.S. Methodological Approach to Building an Automated System for Assigning Names to Stops in a Vehicle Route Network. Science and Technology in Transport. 2025;(3):76-86. (In Russ.) EDN: FPGLTA
Просмотров:
7
JATS XML
Послать статью по эл. почте 