КОНФЕРЕНЦІЇ ВНТУ електронні наукові видання, 
Актуальні проблеми бойового застосування, експлуатації і ремонту зразків озброєння та військової техніки (2026)

Розмір шрифта: 
КОНЦЕПТУАЛЬНА АРХІТЕКТОНІКА ПІДТРИМКИ УПРАВЛІНСЬКИХ РІШЕНЬ У ТРАНСПОРТНИХ СИСТЕМАХ НА ЗАСАДАХ ШТУЧНОГО ІНТЕЛЕКТУ
Олександр Миколайович Панкул, Олег Борисович Аніпко

Остання редакція: 2026-11-05

Анотація


Розглянуто проблему інтеграції технологій штучного інтелекту (ШІ) у процеси управління транспортними системами в умовах цифрової трансформації. Актуальність дослідження зумовлена зростанням обсягів і різнорідності інформації, а також необхідністю врахування невизначеності, ризиків і ресурсних обмежень під час ухвалення управлінських рішень. Запропоновано універсальну концептуальну архітектоніку підтримки управлінських рішень, що об'єднує шість функціональних блоків у єдиний циклічний процес. Визначено призначення блоків та логіку обміну інформацією між ними. Показано, що ШІ доцільно використовувати як інструмент аналітичної підтримки, який доповнює професійне судження керівника, але не замінює його відповідальності

Ключові слова


штучний інтелект, транспортні системи, цифрова трансформація, підтримка ухвалення рішень, оцінювання ризиків, концептуальна архітектоніка, авіаційний транспорт, логістична система, логістика

Посилання


 

1. Vial G. Understanding digital transformation: A review and a research agenda. The Journal of Strategic Information Systems. 2019. Vol. 28, No. 2. P. 118–144. DOI: https://doi.org/10.1016/j.jsis.2019.01.003

2. Abirami S., Pethuraj M., Uthayakumar M., Chitra P. A systematic survey on big data and artificial intelligence algorithms for intelligent transportation system. Case Studies on Transport Policy. 2024. Vol. 17. Article 101247. DOI: https://doi.org/10.1016/j.cstp.2024.101247

3. State-of-the-art review on multi-criteria decision-making in the transport sector / G. Yannis, A. Kopsacheili, A. Dragomanovits, V. Petraki. Journal of Traffic and Transportation Engineering (English Edition). 2020. Vol. 7, No. 4. P. 413–431. DOI: https://doi.org/10.1016/j.jtte.2020.05.005

4. Veres M., Moussa M. Deep learning for intelligent transportation systems: A survey of emerging trends. IEEE Transactions on Intelligent Transportation Systems. 2020. Vol. 21, No. 8. P. 3152–3168. DOI: https://doi.org/10.1109/TITS.2019.2929020

5. Megler V. M., Tufte K., Maier D. Improving data quality in intelligent transportation systems. arXiv preprint arXiv:1602.03100. 2016. URL: https://arxiv.org/abs/1602.03100

6. Byabazaire J., O’Hare G. M. P., Collier R., Delaney D. IoT data quality assessment framework using adaptive weighted estimation fusion. Sensors. 2023. Vol. 23, No. 13. Article 5993. DOI: https://doi.org/10.3390/s23135993

7. Hong Y., Wang L., Kang J., Wang H., Gao Z. A novel application approach for anomaly detection and fault determination process based on machine learning. IEEE, 2020. P. 1–5. IEEE Xplore document 9265888.

8. Jung D., Ng K. Y., Frisk E., Krysander M. Combining model-based diagnosis and data-driven anomaly classifiers for fault isolation. Control Engineering Practice. 2018. Vol. 80. P. 146–156. DOI: https://doi.org/10.1016/j.conengprac.2018.08.013

9. Ruijters E., Stoelinga M. Fault tree analysis: A survey of the state-of-the-art in modeling, analysis and tools. Computer Science Review. 2015. Vol. 15–16. P. 29–62. DOI: https://doi.org/10.1016/j.cosrev.2015.03.001

10. Fault tree analysis (FTA): IEC 61025:2006. Edition 2.0. Geneva: International Electrotechnical Commission, 2006. 103 p.

11. Raisch S., Krakowski S. Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review. 2021. Vol. 46, No. 1. P. 192–210. DOI: https://doi.org/10.5465/amr.2018.0072

12. Gopalakrishna D., Serulle N. U., Storer T., Kuhn B., Wood N. Using capability maturity frameworks for transportation systems management and operations (TSMO) program advancement: Case studies and lessons learned. Report FHWA-HOP-19-011. Washington, D.C.: Federal Highway Administration, 2019. URL: https://ops-dr.fhwa.dot.gov/publications/fhwahop19011/ch1.htm


Повний текст: PDF