Автоматика, связь, информатика. 2025. № 2. С. 24–26
Automation, communications, informatics. 2025. № 2. Р. 24–26
ЦИФРОВЫЕ ТЕХНОЛОГИИ
Научная статья
УДК 656.21 : 004.032.26 + 06
DOI: 10.62994/AT.2025.2.2.005
Модели нейронных сетей для управления пропуском поездов
Булавин Юрий Павлович1, Игнатьева Олеся Владимировна2
1Ростовский государственный университет путей сообщения, доцент, канд. техн. наук, г. Ростов-на-Дону, Россия, i@ibulavin.ru
2Ростовский государственный университет путей сообщения, заведующий кафедрой, доцент, канд. техн. наук, г. Ростов-на-Дону, Россия, lesjaignateva@rambler.ru
Аннотация. Исследовательская работа РГУПС посвящена вопросам использования искусственных нейронных сетей (ИНС) на железнодорожном транспорте для управления пропуском поездов по участку. Приведено формальное описание задачи, выполнена балансировка обучающей выборки, осуществлен отбор признаков и предложены варианты моделей ИНС. Показано, что лучшие результаты достигаются моделью ИНС со сверточным слоем.
Ключевые слова: нейронная сеть, сверточный слой, пропуск поездов, виртуальная железная дорога, управление движением, бинарная классификация, многоклассовая классификация, ROC-кривая, F1-мера, модель
Для цитирования: Булавин Ю.П., Игнатьева О.В. Модели нейронных сетей для управления пропуском поездов // Автоматика, связь, информатика. 2025. № 2. С. 24–26. DOI: 10.62994/AT.2025.2.2.005
DIGITAL TECHNOLOGIES
Original article
Neural Network Models for train traffic control on railway sections
Yuri P. Bulavin1, Olesya V. Ignatyeva2
1Rostov State Transport University (RSTU), associate professor, PhD in Engineering sciences, Rostov-on-Don, Russia, i@ibulavin.ru, SPIN-код: 5233-0901
2Rostov State Transport University (RSTU), head of department, associate professor, PhD in Engineering sciences, Rostov-on-Don, Russia, lesjaignateva@rambler.ru, SPIN-код 9321-1520
Abstract. This paper explores the application of artificial neural networks (ANNs) in railway transportation for train passage control on a specific section. A formal problem description is provided. The study involves balancing the training dataset, feature selection, and the proposal of various ANN models. Results demonstrate that the best performance is achieved using an ANN model with a convolutional layer.
Keywords: neural network, convolutional layer, train, section, passing trains, virtual railway, stations, control, binary classification, multiclass classification, team, ROC curve, F1-measure, model
For citation: Bulavin Y.P., Ignatyeva O.V., Neural Network Models for train traffic control on railway sections // Automation, communications, informatics. 2025. № 2. С. 24–26. DOI: 10.62994/AT.2025.2.2.005
Список источников
1. 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. EDN: ORZJCD.
2. Rubinstein R.Y., Kroese D.P.The cross-entropy method: a unified approach to combinatorial optimization, Monte-Carlo simulation and machine learning : information science and statistics. New York etc: Springer, 2004. 321 p.
3. ADASYN : Adaptive synthetic sampling approach for imbalanced learning / H. He, Y. Bai, E.A. Garcia, Sh. Li [et al.] // 2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence). 2008. P. 1322–1328. DOI: 10.1109/IJCNN.2008.4633969.
4. Lemaître G., Nogueira F., Aridas C.K. Imbalanced-learn: A Python toolbox to tackle the curse of imbalanced datasets in machine learning // Journal of Machine Learning Research. 2017. Vol. 18, № 17. P. 1–5.
5. Chollet F. Keras // GitHub. 2015. URL: https://github.com/keras-team/keras.
6. Hendrycks D. Gimpel K. Gaussian Error Linear Units (GELUs) / D. Hendrycks, 2023. Jun 23. DOI: https://doi.org/10.48550/arXiv.1606.08415.
© Москва «Автоматика, связь, информатика» 2025