Designing the Component Structure of the City Mobile Transport and Logistics System

The purpose of the study is to determine the component structure of the mobile transport and logistics system (TLS) of a smart city. The work used data preprocessing, coding, standardization, machine learning methods and correlations. Today, a rating assessment has been adopted in the world, which classifies the existing TLS as "mobile." The author analyzes mobility in smart cities of the world according to his own developed criterion system for assessing the transformation of a smart city, and also determines the best model that predicts this category. The resulting LGBM Classifier model allows you to determine the main and most important areas that classify modern transport and logic systems as "mobile" for international ratings. In addition, the author defines a new target feature – the standardized congestion of the smart city TLS, reflecting not only the mobility, but also the efficiency of these systems. The new CatBoost Classifier model allows you to solve this classification problem and clarify the component structure of the mobile transport and logistics system of a smart city for their further design.

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).