Проектирование компонентной структуры мобильной транспортно-логистической системы умного города

Целью исследования является определение компонентной структуры мобильной транспортно-логистической системы (ТЛС) умного города. В работе использовались предобработка данных, кодирование, стандартизация, методы машинного обучения и корреляции. Сегодня в мире принята рейтинговая оценка, которая относит существующую ТЛС к категории «мобильных». Автор анализирует мобильность в умных городах мира по собственной разработанной критериальной системе оценки трансформации умного города, а также определяет лучшую модель, прогнозирующую данную категорию. Полученная модель LGBM Classifier позволяет определить основные и наиболее важные направления, которые относят современные транспортно-логистические системы к категории «мобильных» для международных рейтингов. Помимо этого, автор определяет новый целевой признак – стандартизированную перегруженность ТЛС умного города, отражающую не только мобильность, но и экономичность данных систем. Новая модель CatBoost Classifier позволяет решить данную задачу классификации и уточнить компонентную структуру мобильной транспортно-логистической системы умного города для целей дальнейшего их проектирования.

1. Булгаков С.В. Интеллектуализация логистики // Наука и технологии железных дорог. 2024. Т. 8. № 2 (30). С. 27–34.

2. Илясова Е.В. Реализация концепции «умный город» в развитии территорий // Аудитор. 2024. Т. 10. № 10. С. 29–35.

3. Шульженко Т.Г., Жук А., Иванова Д.П. Логистика новой городской мобильности: ценностно ориентированный подход. М.: ООО «Научно-издательский центр ИНФРА-М», 2023. 546 с.

4. Andreas K. Sustainability and new technologies: last-mile delivery in the context of smart cities // Sustainability. 2024. Vol. 16. № 18. P. 8037.

5. Bielecki M., Galińska B., Tokarski D. Determinants and trends of logistics paradigms in industrial revolutions // Economics and Environment. 2024. Vol. 90. № 3. P. 780.

6. Goumiri S., Yahiaoui S., Djahel S. Smart Mobility in Smart Cities: Emerging challenges, recent advances and future directions // Journal of Intelligent Transportation Systems. 2023. Р. 81–117. URL: https://doi.org/10.1080/15472450.2023.2245750

7. Булатова Н.Н., Дудин В.С., Алексеев А.В. Формирование цифровой экосистемы региональной транспортно-логистической инфраструктуры // π-Economy. 2024. Т. 17. № 3. С. 68–80.

8. Зырянов В.В., Семчугова Е.Ю., Караева М.Р., Костенко А.А. Повышение качества прогнозирования объемов перевозок с использованием нейронных сетей // Мир транспорта и технологических машин. 2024. № 1-3 (84). С. 27–34.

9. Карелина М.Ю., Грязнов М.В., Акулов А.А., Соловьев Н.В. Разработка математической модели ожидания рисков при логистических транспортных перевозках на конкретном примере // Транспортное дело России. 2024. № 4. С. 207–209.

10. Трегубов В.Н. Особенности обмена информацией в логистических сетевых структурах // Факторы укрепления социально-экономического и интеллектуального суверенитета России: [колл. моногр.] / [колл. авт.]; под общ. ред. Е.Г. Жулиной. Саратов: Амирит, 2024. 257 с. С. 91–106.

11. Щёголева Т.В., Андросов С.И., Ляпин Д.О. Синергетический подход к интеграции управления, логистики и предпринимательства в рамках цифровой трансформации // Развитие малого предпринимательства в Байкальском регионе. Материалы 6-й межд. науч.-практ. конф. Иркутск, 2024. С. 254–258.

12. Afanasenko I.D., Borisova V.V. Artificial intelligence in digital type logistics systems // Advances in Research on Russian Business and Management. 2021. Р. 233–240.

13. Behrendt F., Sheller M. Mobility data justice // Mobilities. 2023. Р. 151–169. URL: https://doi.org/10.1080/17450101.2023.2200148.

14. Савин Г.В., Савина В.В. Построение интегрированной потоковой модели транспортно-логистической системы умного города // Экономическое развитие России. 2024. Т. 31. № 12. С. 87–92.

15. EasyPark Smart City Index 2025. URL: https://www.easyparkgroup.com/smart-cities-index (дата обращения: 20.12.2024).