студент с 01.01.2022 по настоящее время
Россия
сотрудник с 01.01.2016 по настоящее время
г. Санкт-Петербург и Ленинградская область, Россия
сотрудник с 01.01.2019 по настоящее время
Россия
Представлено исследование о применении методов интеллектуального анализа текстовой информации из открытых источников для формирования управленческих решений на примере анализа отзывов населения о транспортной отрасли. Цель: обоснование подхода к интеллектуальному анализу текстовых отзывов пассажиров о транспортной отрасли, направленного на трансформацию неструктурированных пользовательских высказываний в структурированные данные, пригодные для формирования управленческих решений. Методы: использованы методы обработки естественного языка, машинное обучение и технологии интеграции данных из разнородных источников. Результаты: подчеркивается эффективность предложенного конвейера обработки текста, включающего классификацию по виду транспорта и тематике, анализ тональности и извлечение именованных сущностей для выявления ключевых проблем и трендов общественного мнения. Практическая значимость: повышение оперативности реагирования транспортных регуляторов на проблемы пассажиров, оптимизация сервиса и переход к управлению на основе данных. Исследование имеет важное значение для развития цифровых технологий в транспортной отрасли и повышения эффективности управления пассажирскими перевозками в условиях цифровой трансформации.
интеллектуальный анализ данных, обработка естественного языка, Python, транс- порт, пассажиры, тональность, машинное обучение, медиапространство
1. Цифровые пассажирские сервисы: будущее транспорта обсудили на ЦИПРе // Ассоциация «Цифровой транспорт и логистика». URL: http://www.dtla.ru/news/tsifrovye-passazhirskie-servisy-budushchee-transporta-obsudilinatsipre/ (дата обращения: 15.01.2026).
2. 80 % компаний транспортной отрасли используют цифровые технологии, но потенциал роста есть // Цифровая индустрия промышленной России. URL: http://cipr.ru/news/80-kompanij-transportnoj-otrasli-ispolzuyut-czifrovyetehnologii- no-potenczial-rosta-est (дата обращения: 15.01.2026).
3. Анализ комментариев в социальных сетях и мессенджерах как метод оценки социальной результативности цифровых городских сервисов / О. Г. Филатова [и др.] // International Journal of Open Information Technologies. 2024. Т. 12, № 11. С. 103–110.
4. What do Riders Say and Where? The Detection and Analysis of Eyewitness Transit Tweets / O. Kabbani [et al.] // Journal of Intelligent Transportation Systems. 2023. Vol. 27, iss. 3. Pp. 347–363. DOI:https://doi.org/10.1080/15472450.2022.2026773
5. Lui Y., Li Y., Li W. A Natural Language Processing Approach for Appraisal of Passenger Satisfaction and Service Quality of Public Transportation // IET Intelligent Transport Systems. 2019. Vol. 13, iss. 11. Pp. 1701–1707. DOI: 10.1049/ iet-its.2019.0054
6. Максютин П. А., Шульженко С. Н. Обзор методов классификации текстов с помощью машинного обучения // Инженерный вестник Дона. 2022. № 12.
7. Zannat K. E., Choudhury C. F. Emerging Big Data Sources for Public Transport Planning: A Systematic Review on Current State of Art and Future Research Directions // Journal of the Indian Institute of Science. 2019. Vol. 99, iss. 4. Pp. 601–619. DOI:https://doi.org/10.1007/s41745-019-00125-9
8. Chowdhury S., Alzarrad A. Applications of Text Mining in the Transportation Infrastructure Sector: A Review // Information. 2023. Vol. 14, iss. 4. Art. 201. DOI:https://doi.org/10.3390/info14040201
9. Коновалова М. В. Когнитивные аспекты верификации в интернет-медиадискурсе // Лингвокультурология. 2019. № 13. С. 125–131.
