inttransИнтеллектуальный транспортIntelligent transport3033-6007АО «НИИАС»inttrans-43Research ArticleТРАНСПОРТНЫЕ И ТРАНСПОРТНО-ТЕХНОЛОГИЧЕСКИЕ СИСТЕМЫ СТРАНЫ, ЕЕ РЕГИОНОВ И ГОРОДОВ, ОРГАНИЗАЦИЯ ПРОИЗВОДСТВА НА ТРАНСПОРТЕАнализ данных управления пропуском поездов на учебно-лабораторном комплексе «Виртуальная железная дорога»Analysis of train access control data at the virtual railway training and laboratory complexБулавинЮ. П.BulavinY. P.

к.т.н.

Ростов-на-Дону

Ph.D.

Rostov-on-Don

i@ibulavin.ruИгнатьеваО. В.IgnatievaO. V.

к.т.н.

Ростов-на-Дону

Ph.D.

Rostov-on-Don

lesjaignateva@rambler.ruРГУПСРоссияRSTURussian Federation20251309202602(34)6773Copyright © Булавин Ю.П., Игнатьева О.В., 20262026Булавин Ю.П., Игнатьева О.В.Bulavin Y.P., Ignatieva O.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.intelligent-transport.ru/jour/article/view/43

В работе рассматриваются данные результатов управления пропуском поездов на учебно-лабораторном комплексе «Виртуальная железная дорога». Приведен анализ нескольких деловых игр, найдены статистические характеристики задержек поездов, выполнена оценка плотности распределения вероятностей. Отмечается, что даже в случае отбора «хороших» результатов управления для формирования обучающей выборки требуется дополнительная обработка данных.

The paper analyzes data from train passage control tests at the «Virtual Railway» education and laboratory complex. It presents the results of several business game simulations, identifies statistical characteristics of delays, and estimates the probability density distribution. Even when selecting “good” results for the control, additional data processing is necessary to create a training sample, the paper notes.

управлениепропуск поездовучастокдиспетчерстатистические характеристикиплотность распределения вероятностидиаграмма размахавиртуальная железная дорогаtrain passsectiondispatcherstatistical dataprobability distribution densitybox diagramVolin plotVirtual RailwayReferencesВерескун В.Д., Романова Д.В., Притыкин Д.Е., Мусиенко Н.Н. Особенности построения методики деловых игр на виртуальной железной дороге, при взаимодействии персонала дирекции управления движением и тяги. Вестник РГУПС. 2021. № 4 (84). С. 83–90.Верескун В.Д., Романова Д.В., Притыкин Д.Е., Мусиенко Н.Н. Особенности построения методики деловых игр на виртуальной железной дороге, при взаимодействии персонала дирекции управления движением и тяги. Вестник РГУПС. 2021. № 4 (84). С. 83–90.Верескун В.Д., Притыкин Д.Е., Даглдиян Б.Д., Романова Д.В. Принципы имитационного моделирования реального участка железной дороги с точки зрения разработки его топологической структуры и ее связи с цифровыми моделями объектов инфраструктуры. Вестник РГУПС. 2022. №4(88). С. 177–183.Верескун В.Д., Притыкин Д.Е., Даглдиян Б.Д., Романова Д.В. Принципы имитационного моделирования реального участка железной дороги с точки зрения разработки его топологической структуры и ее связи с цифровыми моделями объектов инфраструктуры. Вестник РГУПС. 2022. №4(88). С. 177–183.Верескун В.Д., Притыкин Д.Е., Даглдиян Б.Д., Решетов А.В., Мищенко А.В. Разработка подсистемы имитации движения поездов в режиме исполнения нормативного графика движения в рамках учебно-лабораторного комплекса «Виртуальная железная дорога». Вестник РГУПС. 2023. №2(90). С. 231–239.Верескун В.Д., Притыкин Д.Е., Даглдиян Б.Д., Решетов А.В., Мищенко А.В. Разработка подсистемы имитации движения поездов в режиме исполнения нормативного графика движения в рамках учебно-лабораторного комплекса «Виртуальная железная дорога». Вестник РГУПС. 2023. №2(90). С. 231–239.An overview of agent-based traffic simulators / J. Nguyen [и др.] // Transportation Research Interdisciplinary Perspectives. – 2021. – Т. 12. – С. 100486.An overview of agent-based traffic simulators / J. Nguyen [и др.] // Transportation Research Interdisciplinary Perspectives. – 2021. – Т. 12. – С. 100486.TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors / S. Suo [и др.] // 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2021. – С. 10395-10404.TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors / S. Suo [и др.] // 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2021. – С. 10395-10404.Boockmeyer A. Using SUMO for Test Automation and Demonstration of Digitalized Railway Concepts: Integrating SUMO with the» Train Dispatcher in the Cloud» / A. Boockmeyer, D. Friedenberger, L. Pirl // SUMO Conference Proceedings. – 2024. – Т. 5. – С. 195-207.Boockmeyer A. Using SUMO for Test Automation and Demonstration of Digitalized Railway Concepts: Integrating SUMO with the» Train Dispatcher in the Cloud» / A. Boockmeyer, D. Friedenberger, L. Pirl // SUMO Conference Proceedings. – 2024. – Т. 5. – С. 195-207.Boockmeyer A. Using SUMO for Test Automation and Demonstration of Digitalized Railway Concepts: Integrating SUMO with the» Train Dispatcher in the Cloud» / A. Boockmeyer, D. Friedenberger, L. Pirl // SUMO Conference Proceedings. – 2024. – Т. 5. – С. 195-207.Boockmeyer A. Using SUMO for Test Automation and Demonstration of Digitalized Railway Concepts: Integrating SUMO with the» Train Dispatcher in the Cloud» / A. Boockmeyer, D. Friedenberger, L. Pirl // SUMO Conference Proceedings. – 2024. – Т. 5. – С. 195-207.Neural Network Control of the Transportation Process in Railway Transport: Problems and Future Tasks / E. Mamaev [и др.] // Proceedings of the Eighth International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’24), Volume 1 / ред. S. Kovalev [и др.]. – Cham: Springer Nature Switzerland, 2024. – С. 91-107.Neural Network Control of the Transportation Process in Railway Transport: Problems and Future Tasks / E. Mamaev [и др.] // Proceedings of the Eighth International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’24), Volume 1 / ред. S. Kovalev [и др.]. – Cham: Springer Nature Switzerland, 2024. – С. 91-107.A systematic survey on big data and artificial intelligence algorithms for intelligent transportation system / S. Abirami [и др.] // Case Studies on Transport Policy. – 2024. – Т. 17. – С. 101247.A systematic survey on big data and artificial intelligence algorithms for intelligent transportation system / S. Abirami [и др.] // Case Studies on Transport Policy. – 2024. – Т. 17. – С. 101247.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.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.Булавин, Ю. П. Модели нейронных сетей для управления пропуском поездов / Ю. П. Булавин, О. В. Игнатьева // Автоматика, связь, информатика. – 2025. – № 2. – С. 24-26. – DOI 10.62994/AT.2025.2.2.005. – EDN WKOQGT.Булавин, Ю. П. Модели нейронных сетей для управления пропуском поездов / Ю. П. Булавин, О. В. Игнатьева // Автоматика, связь, информатика. – 2025. – № 2. – С. 24-26. – DOI 10.62994/AT.2025.2.2.005. – EDN WKOQGT.Offline Reinforcement Learning: Tutorial, Review, and Perspectives on Open Problems / S. Levine [и др.]. – 2020.Offline Reinforcement Learning: Tutorial, Review, and Perspectives on Open Problems / S. Levine [и др.]. – 2020.Rubinstein R.Y. The cross-entropy method: a unified approach to combinatorial optimization, Monte-Carlo Simulation and machine learning : Information science and statistics. The cross-entropy method / R.Y. Rubinstein, D.P. Kroese. – New York [Heidelberg]: Springer, 2004. – 300 p.Rubinstein R.Y. The cross-entropy method: a unified approach to combinatorial optimization, Monte-Carlo Simulation and machine learning : Information science and statistics. The cross-entropy method / R.Y. Rubinstein, D.P. Kroese. – New York [Heidelberg]: Springer, 2004. – 300 p.Figueiredo Prudencio R. A Survey on Offline Reinforcement Learning: Taxonomy, Review, and Open Problems / R. Figueiredo Prudencio, M.R.O.A. Maximo, E.L. Colombini // IEEE Transactions on Neural Networks and Learning Systems. – 2024. – Т. 35. – № 8. – С. 10237-10257.Figueiredo Prudencio R. A Survey on Offline Reinforcement Learning: Taxonomy, Review, and Open Problems / R. Figueiredo Prudencio, M.R.O.A. Maximo, E.L. Colombini // IEEE Transactions on Neural Networks and Learning Systems. – 2024. – Т. 35. – № 8. – С. 10237-10257.

The authors declare that there are no conflicts of interest present.