ПРЕДИКТИВНІ СИСТЕМИ СПОСТЕРЕЖЕННЯ В ЦИФРОВИХ ДВІЙНИКАХ: ВІД РЕАКТИВНОГО МОНІТОРИНГУ ДО ПРОАКТИВНОГО УПРАВЛІННЯ
DOI:
https://doi.org/10.18664/1994-7852.216.2026.362824Ключові слова:
цифровий двійник, предиктивний моніторинг, залізнична логістика, приховані марковські моделі, LSTM, оптимізація сортувальної станції, експлуатаційна стійкість, проактивне управлінняАнотація
У статті запропоновано перехід від реактивного управління залізничними вузлами до предиктивного моніторингу в складі цифрових двійників. На відміну від «цифрових тіней», що лише фіксують стан об’єктів, розроблений підхід базований на авіаційній логіці попередження про наближення до критичних меж. Використано гібридну архітектуру: рекурентні нейронні мережі (LSTM) для прогнозування інтенсивностей потоків і приховані марковські моделі (HMM) для ідентифікації експлуатаційних станів. Моделювання підтвердило здатність системи виявляти передумови заторів за 15–20 кроків до їх виникнення. Це створює часовий резерв для превентивного регулювання, що забезпечує стабільність вузла в умовах стохастичного навантаження.
Посилання
De Swaef, T., Schreel, J., Blanchy, G., Garré, S., Lootens, P., Verbrigghe, N., Vleminckx, B. & Roldán-Ruiz, I. (2026). Digital models and shadows for planning, running and interpreting field drought experiments. Field Crops Research. 341. 110399. DOI: https://doi.org/10.1016/j.fcr.2026.110399
Thompson, E. A., Lu, P., Alimo, P. K., Atuobi, H. B., Akoto, E. T. & Abbew, C. K. (2025). Revolutionizing Railway Systems: A Systematic Review of Digital Twin Technologies. High-speed Railway. 3. 4. DOI: 10.1016/j.hspr.2025.05.005
Ghaboura, S., Ferdousi, R., Laamarti, F., Yang, C. & El Saddik, A. (2023). Digital Twin for Railway: A Comprehensive Survey. IEEE Access. 99. 1–1. DOI: 10.1109/ACCESS.2023.3327042
Krmac, E. & Djordjevic, B. (2024). Digital Twins for Railway Sector: Current State and Future Directions. IEEE Access. 99. 1–1. DOI: 10.1109/ACCESS.2024.3439471
Ou, Y., Mihăiţă, A.-S., Ellison, A., Mao, T., Lee, S. & Chen, F. (2025). Rail Digital Twin and Deep Learning for Passenger Flow Prediction Using Mobile Data. Electronics. 14 (12). 2359. DOI: 10.3390/electronics14122359
Issa, M., Remy, S., Ducellier, G. & Lu, L. (2023). Updating a Railway Infrastructure Digital Twin by the Integration of a Variety of Data Sources. Transportation Research Procedia. 72. 666–673. DOI: 10.1016/j.trpro.2023.11.453
Zhou, S., Kugu, O., Wurth, L. & Grafinger, M. (2024). A Reinforcement-Learning-based Parameter Tuning Methodology for Traction Control in the Holistic Railway Digital Twin System. Procedia CIRP. 128. 828–833. DOI: 10.1016/j.procir.2024.07.105
Padovano, A., Longo, F., Manca, L. & Grugni, R. (2024). Improving safety management in railway stations through a simulation-based digital twin approach. Computers & Industrial Engineering. 187. 109839. DOI: 10.1016/j.cie.2023.109839
Roksvåg, T., Vandeskog, S. M., Wulff, C. O. & Wergeland, K. (2026). An LSTM network for joint modeling of streamflow and hydropower generation for run-of-river plants. Journal of Hydrology. 667. 134890. DOI: https://doi.org/10.1016/j.jhydrol.2025.134890
Mathew, L., Brophy, C., Donohue, I., Ross, S. R.-J. & D’Angelo, S. (2026). A general hidden Markov model framework for capturing changes in species behaviour under disturbance in acoustic time series. Ecological Modelling. 516. 111524. DOI: https://doi.org/10.1016/j.ecolmodel.2026.111524
Пархоменко, Л. О. (2025). Розвиток теорії управління експлуатаційною роботою залізничної системи в умовах невизначеностей і ризиків : дис. … д-ра техн. наук : 05.22.01. Харків. 423.
Hayashi, A., Iwata, K. & Suematsu, N. (2013). Marginalized Viterbi algorithm for hierarchical hidden Markov models. Pattern Recognition. 46 (12). 3452–3459. DOI: https://doi.org/10.1016/j.patcog.2013.06.001
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
