Москва, Россия
аспирант
Москва, Россия
ВАК 2.9.8 Интеллектуальные транспортные системы
УДК 004.896 Искусственный интеллект в промышленных системах. Интеллектуальные САПР и АСУ. Интеллектуальные роботы
УДК 336.7 Денежное обращение. Банковское дело. Биржи
Рассмотрены основные направления использования искусственного интеллекта в функциональном тестировании критической информационной инфраструктуры системы бронирования и продажи билетов на железнодорожном транспорте с целью повышения эффективности, надежности и скорости тестирования, а также сокращения затрат и рисков, связанных с потенциальными сбоями и отказами системы. Метод исследования: анализ возможностей методов искусственного интеллекта для совершенствования технологий функционального тестирования. Результаты исследования: предложено использовать методы искусственного интеллекта при построении оптимальных тестов, выборе стратегий тестирования, а также при прогнозировании сбоев и отказов автоматизированной системы управления бронированием и продажей билетов. Практическая значимость заключается в возможности повышения эффективности функционального тестирования систем критической информационной инфраструктуры железнодорожного транспорта.
функциональное тестирование, искусственный интеллект, железнодорожный транспорт, критические информационные инфраструктуры, цифровые технологии
1. Попов П. А. Применение технологий искусственного интеллекта для железнодорожного транспорта // Вестник института проблем естественных монополий: Техника железных дорог. 2024. № 1 (65). С. 38–41. EDN: https://elibrary.ru/ZYYQSL
2. Якимова С. АСУ «Экспресс-3»: как управлять пассажирским комплексом // РЖД Цифровой. 2024. 18 июля. URL: http://rzddigital.ru/projects/asu-eksperess-3-kak-upravlyat-passazhirskim-kompleksom/ (дата обращения: 29.01.2025).
3. Перечень типовых отраслевых объектов критической информационной инфраструктуры, функционирующих в сфере транспорта. Опубликовано 16.08.2024. 22 с. URL: http://www.mintrans.gov.ru/documents/8/13678 (дата обращения: 29.01.2025).
4. О развитии искусственного интеллекта в Российской Федерации: Указ Президента Российской Федерации от 10 октября 2019 г. № 490: ред. от 15 февраля 2024 г. № 124.
5. IEEE/ISO/IEC 24765:2017. ISO/IEC/IEEE International Standard — Systems and Software Engineering — Vocabulary. Published 28 August 2017. New York (NY): The Institute of Electrical and Electronics Engineers, 2017. 541 p. DOI:https://doi.org/10.1109/IEEESTD.2017.8016712.
6. A Literature Review of Artificial Intelligence Applications in Railway Systems / R. Tang, L. De Donato, N. Bes̆inović, et al. // Transportation Research Part C: Emerging Technologies. 2022. Vol. 140, Art. No. 103679. 25 p. DOI:https://doi.org/10.1016/j.trc.2022.103679. EDN: https://elibrary.ru/LDMWUH
7. Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond / W. Chen, Y. Liang, Y. Zhu, et al. // arXiv. 2024. Vol. 2403.14151. 25 p. DOI:https://doi.org/10.48550/arXiv.2403.14151.
8. Feroz Khan A. B., Perl I. Integrating Machine Learning and Deep Learning in Smart Cities for Enhanced Traffic Congestion Management: An Empirical Review // Journal of Urban Development and Management. 2023. Vol. 2, Iss. 4. Pp. 211–221. DOI:https://doi.org/10.56578/judm020404. EDN: https://elibrary.ru/LYTUVQ
9. A Systematic Survey on Big Data and Artificial Intelligence Algorithms for Intelligent Transportation System / S. Abirami, M. Pethuraj, M. Uthayakumar, P. Chitra // Case Studies on Transport Policy. 2024. Vol. 17, Art. No. 101247. 18 p. DOI:https://doi.org/10.1016/j.cstp.2024.101247. EDN: https://elibrary.ru/MDNILB
10. Boukerche A., Tao Y., Sun P. Artificial Intelligence-Based Vehicular Traffic Flow Prediction Methods for Supporting Intelligent Transportation Systems // Computer Networks. 2020. Vol. 182, Art. No. 107484. 21 p. DOI: 10.1016/ j.comnet.2020.107484. DOI: https://doi.org/10.1016/j.comnet.2020.107484; EDN: https://elibrary.ru/NVGXXZ
