CC BY
0
УДК 656.2
Доценко Ю.В., Роман Д.В., Овчаренко В.В.
ОПТИМИЗАЦИЯ СЛЕДОВАНИЯ ВАГОНОПОТОКОВ В УСЛОВИЯХ РИСК-ОРИЕНТИРОВАННОГО ПОДХОДА К УПРАВЛЕНИЮ ПРОЦЕССОМ
ПЕРЕВОЗОК
Dotsenko Y. V., Roman D. V., Ovcharenko V. V.
OPTIMIZATION OF WAGON FLOWS IN TERMS OF A RISK-BASED APPROACH TO TRANSPORTATION PROCESS MANAGEMEN
Введение
Глобальная навигационная
спутниковая система (GNSS) стала неотъемлемой частью наших
путешествий и приложений для смартфонов. В большинстве случаев её использование не связано с безопасностью. У GNSS есть потенциал для более широкого применения и интеграции в железнодорожный транспорт. Это позволит железным дорогам внести свой вклад в сокращение углеродного следа в транспортной системе.
Чтобы увеличить долю поездов на маршрутах, железные дороги должны стать более привлекательными для пассажиров и грузоперевозок. Они также должны повысить надёжность, доступность и эффективность за счёт снижения капитальных и
эксплуатационных расходов.
GNSS является частью глобальной системы цифровизации грузовых перевозок. Её цель - предоставлять клиентам дополнительную информацию о точном времени прибытия и вести постоянный мониторинг условий транспортировки, таких как температура и влажность.
Однако, главной задачей остается соблюдение строгих требований к
применению. В частности, GNSS (глобальная навигационная спутниковая система) сегодня рассматривается как эффективный и надежный инструмент, который может существенно изменить будущее ERTMS (Европейской системы управления железнодорожным
движением).
Сегодня функция определения местоположения выполняется двумя способами: с помощью одометра и балансиров. Одометр позволяет непрерывно отслеживать положение поезда во времени, начиная от контрольной точки. Однако с увеличением расстояния показания одометра становятся всё более неточными из-за износа и проскальзывания колес. Использование балансиров на гусеничном ходу помогает уменьшить эту погрешность.
Будущие системы будут основаны на бортовых решениях для локализации с приемниками GNSS. Это позволит разработать новые концепции для подвижного состава, виртуального сцепления и автоматизации. Также изучается возможность использования GNSS для обеспечения целостности состава.
Однако условия окружающей среды, такие как туннели, плотная городская застройка и растительность,
могут негативно влиять на качество определения местоположения, что, в свою очередь, снижает эффективность и безопасность системы.
Спутники глобальной
навигационной спутниковой системы (GNSS) находятся в движении, и их видимость (доступность и расположение относительно приёмника) постоянно меняется. Кроме того, для оптимальной работы системы требуется открытое небо, которое обычно присутствует в авиации, но не в поездах.
Анализ последних исследований и публикаций
Последние события в
железнодорожной сфере
демонстрируют, что организации всё чаще обращаются к цифровым технологиям для решения актуальных бизнес-задач [1-5].
Цифровизация на железных дорогах происходит через комплексную техническую и сервисную экосистему, которая функционирует как
социотехнические системы и сети [6, 7]. Ожидается, что переход на цифровые технологии поможет отрасли
соответствовать растущим требованиям к устойчивости, эффективности, надежности и безопасности [6]. Однако успешное осуществление процессов трансформации и цифровизации в этой социотехнической системе требует обновления управленческих практик [8].
Например, реализация ожидаемых преимуществ технологий, таких как Европейская система управления железнодорожным движением (ERTMS), дистанционное управление поездами (RTC) и автоматическое управление поездами (ATO), требует решения различных организационных и управленческих задач [9-15]. Эти
проблемы были рассмотрены в официальных отраслевых документах [16-18], однако количество
академических исследований,
посвященных управленческим аспектам внедрения ERTMS, RTC и ATO, остаётся ограниченным.
Надлежащие управленческие
практики являются ключевыми для обеспечения успешного осуществления проектов по цифровизации [19]. В связи с этим целью данной статьи является анализ управленческих проблем, связанных с внедрением ERTMS, RTC и ATO.
Поезда часто движутся в районах, где приём сигнала может быть затруднён из-за многолучевости или
преднамеренных или непреднамеренных помех. Это, в свою очередь, негативно сказывается на эксплуатационных характеристиках системы. За последние годы был достигнут значительный прогресс в разработке более надёжных приёмников (Puccitelli, 2022), мультисенсорных решений (веб-сайт CLUG) и отсутствующих инструментов, таких как цифровые карты [20].
Однако в таких проектах, как Shift2Rail Project X2Rail-5 или CLUG, всё ещё остаются нерешённые вопросы, особенно касающиеся оценки эффективности работы. Как можно оценить эффективность в условиях динамичной среды, включающей поезд, спутник и препятствия? Как убедиться, что каждая конфигурация была протестирована? Как оценить влияние сбоев (неточности, пропущенных обнаружений) на работу?
Некоторые из этих проблем решаются в рамках текущей статьи.
Цель работы_
Проект Я^ОАТО и постановка цели работы. R2DATO - это проект,
который является частью флагманского проекта 2 (FP2), финансируемого European Rail. Его цель - реализовать ключевые преимущества,
предоставляемые цифровизацией и автоматизацией железнодорожного транспорта.
Проект FP2 R2DATO занимается разработкой технологий в различных областях, от цифровой автоматизации до автономного управления поездами. Цель проекта - создать новую парадигму в управлении железнодорожной системой, которая повысит безопасность, гибкость, пропускную способность,
производительность и снизит
энергопотребление и затраты.
Одной из задач программы является разработка и оценка технологий позиционирования. В этой статье будет продолжена тема, начатая в рабочих программах WP34 и WP35, посвященных тестированию, валидации и сертификации. Будут рассмотрены спецификация и архитектура тестов, а также их внедрение и сертификация.
Поскольку эффективность
спутниковых систем позиционирования изменяется со временем и зависит от различных факторов, сложно полностью продемонстрировать эффективность бортового решения с помощью длительных и дорогостоящих тестовых кампаний. Различные сценарии могут быть реализованы на испытательном стенде, который оснащён
инструментами для моделирования реальных условий приёма сигнала и ошибок датчиков. Однако на данный момент не существует реалистичных моделей этих ошибок для железнодорожных условий. Наша задача заключается в том, чтобы создать такие модели, учитывая изменения в окружении трассы и положение спутников во времени.
Ошибки в работе глобальной навигационной спутниковой системы (GNSS) можно разделить на глобальные и локальные. Глобальные ошибки возникают из-за распространения сигнала в атмосфере и работы самой системы (орбиты, часов и т.д.). Эти ошибки обычно известны и могут быть смоделированы, что позволяет их хотя бы частично исправить. Коммерческие имитаторы сигналов используют такие модели.
Локальные ошибки по
определению тесно связаны с окружающей средой вблизи приёмника и его антенны. Поэтому их моделирование может быть сложным.
Чтобы понять, как это происходит, давайте рассмотрим пример городской среды, который часто упоминается в литературе из-за большого количества пользователей и полезных приложений. Распространение сигнала в очень плотной городской среде, такой как деловые районы США или Японии, будет отличаться от обычных российских городских центров из-за различий в высоте зданий, ширине улиц, наличии или отсутствии растительности и т.д. В рамках проекта Gate4Rail были созданы базовые модели ошибок, которые были адаптированы к железнодорожной среде на основе данных, собранных в ходе измерительных кампаний [Gate4rail, 2020]. Эти модели охватывают несколько распространённых условий, таких как открытое небо, город и лес, а также учитывают особенности пересечения специальных объектов, таких как мосты и туннели. Однако количество представленных моделей ограничено, они лишь частично отражают реальные условия и со временем могут изменяться [21].
С развитием методов машинного
обучения появилась возможность характеризовать и классифицировать окружающую среду на основе наблюдений GNSS, что может быть полезно для описания железнодорожной линии. Эти инструменты были протестированы на классификации помещений и открытых пространств, а также городских и природных сред. Иногда они также включают классы для деревьев и городских каньонов [22].
Однако, эти исследования имеют некоторые ограничения: учебные базы данных ограничены и не отражают особенности железнодорожной среды; количество и выбор классов среды также могут быть не идеальными; и, наконец, отсутствует этап моделирования ошибок для каждого из классов.
Используя железнодорожные
данные, [23] предложил разделить окружающую среду вдоль линии Цинхай-Тибет на три класса на основе критерия видимости: открытое небо,
Первым элементом этой цепочки является комплекс Stella NGC, созданный компанией M3 Systems. Он
частичная окклюзия и сильная окклюзия. В своей работе [24] применяет классификацию, похожую на
классификацию Gate4rail: открытое небо, город, мост и туннель. Эти классы были определены на основе относительно небольшой базы данных, собранной на экспериментальной площадке Пекинской академии железнодорожных наук. Однако ни одна из этих моделей не охватывает, например, загородные пейзажи или лесные опушки.
Основная часть
Цепочка моделирования. В SNCF-CIM имеется испытательный стенд ERTMS, который позволяет проводить тестирование различных аппаратных и программных решений. Наша цель -интегрировать решения на основе GNSS в эту цепочку, как это представлено на рис. 1.
предназначен для генерации
многозвенных и многочастотных сигналов GNSS по различным
Рис. 1. Схематическое представление процесса тестирования
сценариям. Затем аппаратное решение на основе GNSS необходимо подключить к имитатору, чтобы передавать
информацию о локализации в цепочку ERTMS.
В данной статье описывается работа, направленная на то, чтобы позволить Stella Suite добавлять конкретные локальные ошибки в качестве репрезентативных ошибок
псевдодиапазона GNSS перед использованием приемником GNSS.
Для оценки этой методологии на следующем этапе мы сравним реальные данные с данными, полученными в результате имитации, внося локальные ошибки псевдодиапазона в соответствии с представлением окружающей среды, изображенным на рис. 2
Рис. 2. Моделирование локальной ошибки на железнодорожной линии в зависимости от типа окружающей среды
Первые исследования,
проведенные в рамках проекта R2DATO, включали:
предложение модели для определения контекста на основе данных;
- сопоставление моделей ошибок с каждым из типов сред.
Определение контекста по данным. Классификация окружающей среды может иметь две цели:
1. Определить окружение, которое семантически похоже: городские районы, улицы, дорожки с деревьями.
2. Или идентифицировать среду, схожую с GNSS: видимость со спутника, ошибки псевдодальности и т.д.
Первая категория более понятна, так как оператор может легко воссоздать или описать окружающую среду и определить различные условия, возникающие на пути от станции А до
станции В. Вторая категория может быть более актуальной для GNSS, поскольку литература показывает, что, например, «городская» среда не может быть описана одной и той же моделью ошибок в разных частях земного шара.
В литературе по экологической классификации можно выделить три основные категории характеристик:
1. Переменные качества сигнала, основанные на отношении сигнал/шум (С/Ш).
2. Характеристики созвездия, такие как положение спутников и их количество.
3. Псевдодальности - измерения расстояния от спутника до приемника.
Наши модели были обучены на основе нескольких наборов данных, которые отвечали нескольким требованиям:
1. Они должны были представлять движение поездов с разными скоростями.
2. Снимки должны были быть сделаны в различных условиях, с максимальной вариативностью: в городе, на открытом воздухе, с деревьями или без них.
3. Среда должна была быть достаточно непрерывной, чтобы поезд проводил достаточно времени в каждой из сред и иметь возможность идентифицировать окружающую среду после поездки.
Последнее требование
представляет собой наибольшую сложность. Для каждого этапа поездки на поезде нам необходимо знать условия, в которых находился получатель. Самым простым решением было бы попросить оператора-человека отмечать время поездки во время проследования. Однако для получения ранее записанных данных нам требуется использовать внешнюю информацию.
В нашем исследовании мы использовали набор данных СШФ, который был собран несколько лет назад в рамках кампании по регистрации. Эти данные включают в себя файлы наблюдений и навигации КХ№ЕХ, а также файл наземных данных.
Мы протестировали и сравнили множество машинных алгоритмов. Ниже мы приведем лишь один пример для наглядности. Полный анализ будет опубликован в следующем году.
Основные классы окружающей среды определяются, когда обе стороны дороги имеют одинаковые
характеристики:
- деревья;
- здания;
- открытое небо (городское);
- открытое небо (сельское);
- мост;
- станция;
- сортировочный пункт;
- туннель.
Однако в большинстве случаев обе стороны дороги отличаются друг от друга: например, на одной стороне может быть много деревьев, а на другой - совершенно пусто. В таких ситуациях мы выделяем вторичные классы, которые представляют собой сочетания основных:
- смешанные деревья и открытое
небо;
- смешанные деревья и здания;
- смешанные здания и открытое
небо.
Процесс машинного обучения для классификации сред. Общий принцип машинного обучения. Машинное обучение - это парадигма, позволяющая создавать сложные модели для решения задач классификации. Алгоритм обучается на большом наборе данных с метками, чтобы затем распознавать эти данные и предсказывать метки для новых, неизвестных наблюдений.
В нашем приложении для GNSS мы оцениваем способность обученного алгоритма дифференцировать различные среды, основываясь исключительно на измерениях, полученных с помощью датчиков GNSS. Чем выше балл, тем лучше алгоритм справляется с разделением данных в абстрактном пространстве, для которого он был разработан.
Тренировочные данные
представляют собой двухчасовую запись с использованием GNSS (частота дискретизации 1 Гц), которая содержит 7000 временных меток наблюдений, как показано на рис. 3.
1.40 1.45 1.50 1.55 1.60 1.65
Долгота, (°)
Рис. 3. Маршрут следования поезда в рамках проекта CLUG
На основе этих временных меток была проведена ручная маркировка с привлечением внешних источников информации для классификации окружающей среды. Для выявления районов со зданиями использовался сервис Google Планета Земля. Растительность определялась с помощью инфракрасных спутниковых снимков, которые можно свободно найти на национальном геопортале Русского географического общества
(https://geoportal.rgo.ru). Многие
временные метки были связаны со смешанной средой, например, с наличием здания на одной стороне дороги и открытого неба на другой. Из 7000 наблюдений только 3000 можно отнести к условиям с ясной местностью, такой как железнодорожные станции, леса, здания или открытое небо. Из-за интервалов между остановками поездов количество наблюдений, относящихся к железнодорожной станции данного класса, составляет примерно 2000. На основе этих наблюдений были вычислены и переданы алгоритму характеристики сигнала: среднее значение, минимум, максимум, отклонения, асимметрия и эксцесс. Эти
характеристики были получены для каждого созвездия и каждой полосы частот, а также учитывалась геометрическая информация и количество видимых спутников.
Из 2000 наблюдений был сформирован обучающий набор данных для обучения алгоритмов. Оставшиеся 1000 наблюдений были сохранены в виде тестового набора, который использовался для оценки
эффективности обученных алгоритмов.
Для многоклассовой задачи простым критерием проверки является матрица путаницы, в которой сравниваются истинные и
предсказанные метки. Идеальный алгоритм классификации должен был бы вести весь подсчет по диагонали.
Модели машинного обучения: преимущества и ограничения. Для оценки сложности поставленной задачи мы использовали две ключевые модели машинного обучения: линейную и более сложную нелинейную. Эти модели помогут нам понять, как распределяются данные и насколько надежны полученные результаты. Однако важно помнить, что в процессе машинного обучения увеличение сложности модели
может привести к серьезным проблемам, таким как переобучение. Это означает, что модель может стать слишком сложной и плохо обобщать данные, что снижает ее полезность в реальных ситуациях.
В первом эксперименте мы использовали линейный алгоритм -модель многоклассовой логистической регрессии (MLR) [19]. Этот алгоритм был выбран из-за его способности интерпретировать и статистически интерпретировать полученные
параметры. Чтобы избежать
переобучения, мы применили метод L2-штрафа, гиперпараметры которого были настроены с помощью 5-кратной перекрестной проверки на обучающем наборе данных.
В случае с данными GNSS, полученными из набора CLUG, MLR успешно идентифицировала несколько сред. Однако в некоторых случаях она не смогла правильно определить классы, как видно из матрицы путаницы на рис. 4 (левая часть). Это указывает на ограниченность линейного подхода. Разделение между несколькими средами, в частности между открытым небом и лесом (деревьями), не является идеальным. Это может означать, что растительность вокруг
железнодорожных путей не всегда мешает распространению сигнала при использовании на железной дороге. Теоретически, чтобы подтвердить эту гипотезу, необходимо провести проверку в разные периоды года.
Для всестороннего изучения возможностей, предоставляемых
мощным методом машинного обучения, был протестирован алгоритм XGBoost [25] Этот алгоритм, относящийся к семейству алгоритмов повышения градиента, способен выявлять сложные нелинейные правила разделения,
используя менее интерпретируемые параметры и структуру. Его эмпирическая точность позволяет быстро оценить максимальную производительность, как показано в матрице путаницы на рис. 4 (правая часть). Точность этой модели значительно превышает предыдущую.
Этот эксперимент наглядно демонстрирует сложность представления окружающей среды. Чтобы улучшить процесс разделения, следует
использовать разнообразные источники информации, такие как изображения с камер, интернет-обмены или
специфические карты местности. После этапа обучения две вышеупомянутые модели подвергаются проверке. Статистические показатели, такие как значение SHAP, помогают выявить наиболее значимые переменные для разделения среды. Среди них выделяются расчет ионосферного смещения, представляющий собой нелинейное преобразование высоты, и прямые минимумы наблюдений ЯХЫЕХ, которые, по-видимому, не играют значительной роли в классификации окружающей среды. Однако, другие признаки не следует исключать без необходимости, поскольку
взаимодействие между ними сложно смоделировать, а их влияние на классификацию трудно оценить в рамках нелинейного моделирования.
Основная идея процесса классификации заключается в изучении условий окружающей среды. Мы стремимся избежать того, чтобы алгоритм усваивал пространственную информацию (местоположение
окружающей среды). Свойство обобщения, необходимое для
проведения классификации в других областях, действительно имеет большое значение.
Рис. 4. Матрица путаницы для многоклассовой логистической регрессии (слева) и
XGBoost (справа)
Модели ошибок. Чтобы получить реалистичную модель локальной ошибки, включая многолучевые ошибки и ошибки из-за помех, необходимо точно знать истинное местоположение поезда на каждом временном шаге. Эта информация доступна в наборе данных СЬШ.
Для каждой псевдодальности й/ последовательно снимают следующие величины:
геометрический диапазон р_/; расстояние от приемника до источника 8;
скорость света с; время, прошедшее с момента отправки сигнала до его приема ^
- время между сигналом и спутником t (с учетом релятивистской поправки);
- инструментальная задержка;
- ионосферная задержка;
- тропосферная задержка.
Каждая полоса частот
обрабатывается независимо, а ионосферная модель Клобучара используется в качестве стандартного приближения для ионосферной
задержки. Оставшаяся величина £г рассматривается как ошибка, которую мы будем воспроизводить позже.
R, =р, + e(ärcv -äsat) + Tr +1, +Si,
(1)
Представленное нами
моделирование опирается на стохастическую модель, которая подразумевает независимость ошибок от времени. Использование гауссового распределения для описания этих ошибок делает модель легко параметризуемой. Таким образом, процесс моделирования сводится к созданию независимых выборок из нормального распределения.
Однако, учитывая, что мы ожидаем более высокие ошибки для спутников, находящихся на небольших высотах, в этой статье вместо удаления соответствующих наблюдений
применяется надежная оценка параметров гауссовых распределений, которая определяет минимальную ковариацию [21].
На рис. 5 представлен пример локальных ошибок, рассчитанных для
спутников GPS в полосе частот L1.5. Робастная оценка демонстрирует меньшую дисперсию по сравнению с классическими оценками
(эмпирическими средними и
ковариациями): 7,7 м2 вместо 19 м2, поскольку она менее подвержена влиянию выбросов или аномальных значений.
Рис. 5. Распределение локальных ошибок для спутников GPS (L1) и соответствующие законы Гаусса
В будущем эти модели будут разрабатываться для каждой конкретной среды на основе реальных данных о поездках. Чтобы получить более точные оценки, вместо единичных
псевдодальностей можно использовать другие параметры, такие как данные, полученные методом «Код-минус-перевозчик»
Выводы
Представленная работа направлена на развитие первых концепций оценки решений на основе GNSS на испытательном стенде ERTMS, созданном в рамках проекта Gate4Rail. Эта работа ведется в сотрудничестве с CIM-SNCF, M3Systems и Railenium с целью включения специфических локальных ошибок GNSS в железнодорожный транспорт на тестовый стенд ERTMS, который поддерживается CIM.
В рамках этой работы решаются следующие задачи:
1. Выбор алгоритма машинного обучения и его параметров для получения наиболее точной модели.
2. Генерация ошибок на железнодорожном участке для моделирования и оценки.
3. Сравнительный анализ полученных результатов.
Такие проекты, как R2DATO, демонстрируют значительный потенциал ATO и RTC в трансформации железнодорожной отрасли [9]. Однако, как показывает исследование, для реализации этих возможностей необходимо преодолеть многочисленные организационные и управленческие сложности.
В исследовании подчеркивается, что для успешной цифровизации на железных дорогах критически важно эффективно управлять проектами ERTMS, RTC и ATO. Используемая
методология анализа масштабов соответствует социотехническому
характеру цифровизации в этой сфере.
В основе исследования лежит вопрос: какие управленческие проблемы, связанные с внедрением ERTMS, RTC и ATO, были рассмотрены в предыдущих исследованиях? И как эти проблемы можно обсудить с точки зрения управления изменениями и управления масштабами?
Этот вопрос позволил выявить потенциальные организационные риски и препятствия, которые могут возникнуть в будущем при внедрении этих цифровых технологий.
Полученные результаты
подчеркивают важность разработки комплексных стратегий
организационных изменений, которые будут учитывать динамичный характер подобных проектов. Результаты исследования демонстрируют, что взаимодействие с заинтересованными сторонами, управление изменениями и организационный менеджмент являются ключевыми факторами для решения новых задач, связанных с внедрением цифровых технологий в
железнодорожную отрасль.
Кроме того, было отмечено как ERTMS, ATO и RTC влияют на динамику организации и подчеркивают необходимость внедрения систем, ориентированных на человека. Это подчеркивает важность участия всех сотрудников в процессе управления изменениями.
Список литературы / References
1. Marnewick, C. Digital intelligence: A must-have for project managers / C. Marnewick, A. Marnewick // Project Leadership and Society. - 2021. - Vol. 2. - 100026 -Pp. 1-12. - ISSN 2666-7215. - DOI https://doi.org/10.10167j.plas.2021.100026.
2. Ngereja, D.J. An examination of the preconditions of learning to facilitate innovation in digitalization projects: a project team members' perspective / D.J. Ngereja,
B. Hussein // International Journal of Information Systems and Project Management. - 2021.
- Vol. 9(2). - Pp. 23-41. - ISSN 2182-7788. - DOI 10.12821/ijispm090202.
3. Pan, Y. A BIM-data mining integrated digital twin framework for advanced project management / Y. Pan, L. Zhang // Automation in Construction. - 2021. - Vol. 124. - 103564.
- DOI http://dx. doi.org/10.1016/j. autcon.2021.103564.
4. Papadonikolaki, E. Organising and Managing boundaries: A structurational view of collaboration with Building Information Modelling (BIM). / E. Papadonikolaki, van Oel,
C., Kagioglou M. // International Journal of Project Management. - 2019. - Vol. 37(3). -Pp. 378-394. - DOI https://doi.org/10.1016/j.ijproman.2019.01.01.
5. Prashant, S. Deployment of Autonomous Trains in Rail Transportation: Current Trends and Existing Challenges / S. Prashant, A. Maxim, P. Junayed, D.R. Santibanez Gonzalez Ernesto, L. Yui-Yip, R.K. And // IEEE access. - 2021. - Vol. 9. - Pp. 9142791461. - ISSN 2169-3536. - DOI https://doi.org/10.1109/access.2021.3091550.
6. Jablo'nski, M. Social Factors as a Basic Driver of the Digitalization of the Business Models of Railway Companies / M. Jablo'nski, А. Jablo'nski // Sustainability. -2019. - Vol. 11(12). - Рр. 2-299. - ISSN 2071-1050. - DOI https://doi.org/10.3390/su11123367.
7. Ramtahalsing, M.M. Enabling Inter-organizational Change Integration in Sociotechnical Systems: Systems Thinking Applied in the Dutch Railway Systems / M.M. Ramtahalsing [PhD Thesis - Research UT, graduation UT, University of Twente].
University of Twente, 2023. - ISBNs 978-90-365-5830-3. - DOI https://doi.Org/10.3990/1.9789036558303.
8. Bednar, P.M. Socio-Technical Perspectives on Smart Working: Creating Meaningful and Sustainable Systems / P.M. Bednar, C. Welch // Information Systems Frontiers. - 2020. - Vol. 22. - Pp. 281-298. - ISSN 1572-9419. - DOI https://link. springer. com/article/10.1007/s 10796-019-09921-1.
9. Europe's Rail. FP2R2DATO. - 2023. - URL https://projects.rail-research. europa. eu/eurail-fp2/.
10. Gadmer, Q. Railway Automation: A framework for authority transfers in a remote environment / Q. Gadmer, P. Richard, J.-C. Popieul, C. Sentouh // IFAC-PapersOnLine. -2022. - Vol. 55. - Pp. 85-90. - ISSN 2405-8963 - DOI http://dx.doi.org/10.1016Zj.ifacol.2022.10.236.
11. Gebauer, O. Autonomously Driving Trains on Open Tracks - Concepts, System Architecture and Implementation Aspects / O. Gebauer, W. Pree B. Stadlmann // Information Technology. - 2012 - Vol. 54(6). - Pp. 266-279. - ISSN 2196-7032. - DOI https://doi.org/10.1524/itit.2012.0689.
12. Karvonen, H. Hidden roles of the train driver: A challenge for metro automation / H. Karvonen, I. Aaltonen, M. Wahlström, L. Salo, P. Savioja, L. Norros // Interacting with Computers. - 2011. - Vol. 23. - Pp. 289-298. - ISSN 0953-5438. DOI https://doi.org/10.1016/j.intcom.2011.04.008.
13. Pattinson, Jo-Ann Legal issues in automated vehicles: critically considering the potential role of consent and interactive digital interfaces / Jo-Ann Pattinson, Haibo Chen Subhajit Basu // Humanities and Social Sciences Communications. - 2020. - Vol. 7. - P. 153. - ISSN 2662-9992. - DOI https://www.nature.com/articles/s41599-020-00644-2.
14. Powell, J.P. Potential Benefits and Obstacles of Implementing Driverless Train Operation on the Tyne and Wear Metro: A Simulation Exercise / J.P. Powell, A. Fraszczyk, C.N. Cheong, Ho Ki Yeung // Urban Rail Transit. - 2016. - Vol. 2(3-4). - Pp. 114-127. -ISSN 2199-6679. - DOI https://doi.org/10.1007/s40864-016-0046-9.
15. Wang, Z. A Survey on Cooperative Longitudinal Motion Control of Multiple Connected and Automated Vehicles / Z. Wang, Y. Bian, S.E. Shladover, G. Wu, S.E. Li, M.J. Barth // IEEE Intelligent Transportation Systems Magazine. - 2020. - Vol. 12, Issue: 1. -Pp. 4-20. - ISSN 1941-1197. - DOI https://doi.org/10.1109/MITS.2019.2953562.
16. Konseptvalgutredning for bedre utnyttelse av ERTMS - Automatisk togfremforing (ATO). - 2023. - 93 p. - URL https://www.jernbanedirektoratet.no/content/uploads/2023/11/kvu-ato-konseptvalgutredning-for-bedre-utnyttelse-av-ertms-automatisk-togframforing.pdf.
17. Poulus R. TNO. Automatic Train Operation Driving the future of rail transport / Rik Poulus, Elisah van Kempen, Jaco van Meijeren. - 2018. - URL https://repository.tno.nl/islandora/object/uuid:5294ea46-7bd7-47b9-8f45-8f9ae2b30a52.
18. WSP. Enterprise Asset Management and Digitalization of Rail Systems. - 2023. -URL https://www.wsp.com/en-ph/insights/enterprise-asset-management-and-digitalization-of-rail-systems.
19. Christopher M. Bishop Pattern Recognition and Machine Learning / Christopher M. Bishop. - New York: Springer, 2006. - 778 p. - ISBN 978-0-387-31073-2. - URL https://www.cse.uoi.gr/~arly/courses/ml/tmp/Bishop_book.pdf.
20. Omar Garcia Crespillo GNSS, IMU, camera and LIDAR technology
characterization for railway ground truth and digital map generation / Omar Garcia Crespillo, Ana Kliman, Alessandro Neri, Alessia Vennarini, Agostino Ruggeri, Juliette Marais, Juan Arroyo, Maria-Eva Ramirez, Giusy Emmanuele, Salvatore Sabina // Transportation Research Procedia. - 2023. - Vol. 72. - Pp. 1029-1036. - DOI http://dx. doi.org/10.1016/j .trpro.2023.11.532.
21. Tianqi Chen XGBoost: A Scalable Tree Boosting System / Tianqi Chen, Carlos Guestrin // KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining - 2016. - Pp. 785-794. - DOI http://dx.doi.org/10.1145/2939672.2939785.
22. CLUG 2.0 Project. - URL https://www.clug2.eu/.
23. Florent Feriol GNSS-based environmental context detection for navigation / Florent Feriol, Yoko Watanabe, Damien Vivet // IEEE Intelligent Vehicles Symposium (IV). - 2022. - Pp. 888-894. - DOI https://dx.doi.org/10.1109/IV51971.2022.9827023.
24. Florent Feriol Vision-enhanced GNSS-based environmental context detection for autonomous vehicle navigation / Florent Feriol, Yoko Watanabe, Damien Vivet // IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI). - 2022. - DOI https://doi.org/10.1109/MFI55806.2022.9913867.
25. Gate4rail Deliverable 3.2 - Models for reliable component positioning without failures. - 07/2020. - URL https://gate4rail.eu
Аннотации:
В данной статье рассмотрено управление проектами по цифровизации в железнодорожной сфере. Она направлена на расширение знаний и понимание возможностей, которые открывает цифровизация и автоматизация
железнодорожных операций, а также на развитие первых концепций оценки решений на основе GNSS на испытательном стенде ERTMS, созданном в рамках проекта Gate4Rail.
Ключевые слова: вагонопотоки, риски, оценка решений, автоматизация, ERTMS, GNSS.
Сведения об авторах
Доценко Юрий Валериевич
Федеральное государственное бюджетное образовательное учреждение высшего образования «Донецкий институт железнодорожного транспорта» (ДОНИЖТ), кафедра «Организация перевозок и управление на железнодорожном транспорте»,
кандидат технических наук, доцент, e-mail: [email protected]
This article discusses project management in the field of digitalization of the railway sector. It aims to expand knowledge and understanding of the opportunities provided by digitalization and automation of railway operations, as well as to develop initial concepts for evaluating GNSS-based solutions within the ERTMS test stand created as part of the Gate4Rail project.
Keywords: wagon flows, risks, decision evaluation, automation, ERTMS, GNSS.
Information about the authors
Dotsenko Yuri Valerievich
Federal State-Funded Educational Institution of Higher Education «Donetsk Railway Transport Institute» (DRTI), Department «Organization of transportation and management in railway transport», Candidate of Technical Science, Associate Professor, e-mail: [email protected]
Роман Даниил Владимирович
Федеральное государственное бюджетное образовательное учреждение высшего образования «Донецкий институт железнодорожного транспорта» (ДОНИЖТ), кафедра «Организация перевозок и управление на железнодорожном транспорте», аспирант,
e-mail: [email protected]
Roman Daniil Vladimirovich
Federal State-Funded Educational Institution of Higher Education «Donetsk Railway Transport Institute» (DRTI), Department «Organization of transportation and management in railway transport», Postgraduate Student, e-mail: [email protected]
Овчаренко Виталий Витальевич
Федеральное государственное бюджетное образовательное учреждение высшего образования «Донецкий институт железнодорожного транспорта» (ДОНИЖТ), кафедра «Организация перевозок и управление на железнодорожном транспорте», аспирант,
e-mail: [email protected]
Ovcharenko Vitalij Vital'evich
Federal State-Funded Educational Institution of Higher Education «Donetsk Railway Transport Institute» (DRTI), Department «Organization of transportation and management in railway transport», Postgraduate Student, e-mail: [email protected]
