МИР ТРАНСПОРТА

Функционирование транспорта и всей необходимой для него инфраструктуры порождает феномен транспортной экосистемы. Природа транспортных и иных возникающих в рамках транспортной экосистемы правоотношений в значительной мере обусловлена процессом технологического развития общества. Цель исследования: на основе достижений правовой герменевтики, применения системно-правового анализа проанализировать правовой режим транспортных экосистем, основанных на принципах функционирования искусственного интеллекта. На основе применения методов сравнительно-правового и формально-догматического анализа получены научные результаты в сфере транспортно-правовой науки. В частности, осуществлено научное обоснование гипотезы о том, что имплементация высокотехнологичного элемента в виде искусственного интеллекта влечет кардинальные изменения в методологической основе функционирования транспортных экосистем, трансформирует концепт управленческого воздействия на происходящие в них процессы и влечет изменение природы и содержания правового регулирования транспортных и смежных им общественных отношений. Полученные выводы направлены на формирование нового научно обоснованного представления о правовом режиме транспортных экосистем, основанных на принципах функционирования искусственного интеллекта. Полный текст статьи в переводе на английский язык публикуется во второй части данного выпуска.

В статье приводятся результаты применения методов машинного обучения для исследования данных специальной анкеты, учитывающей общие характеристики авиарейсов, характеристики пассажиров и их мнения о различных аспектах авиарейса. Цель исследования - выявление в экспериментальных данных факторов, негативно влияющих на отношение пассажиров к услугам авиакомпании. При проведении исследования были использованы популярные алгоритмы, входящие в состав свободного программного обеспечения для анализа данных и машинного обучения, университета Вайкато (Новая Зеландия) WEKA, распространяемого по лицензии GNU GPL: наивный байесовский классификатор; многослойный перцептрон, использующий алгоритм обратного распространения ошибки; метод ближайших соседей (KNN) с адаптивным подбором параметров; деревья решений - алгоритм J48, который является аналогом на Java известного алгоритма C4.5; случайный лес; логистическая регрессия; алгоритм адаптивного бустинга (AdaBoost); машина опорных векторов - алгоритм SMO (Sequential Minimal Optimization), являющийся одной из возможных реализаций алгоритма машины опорных векторов. Показано, что наилучшие по точности модели, отражающие удовлетворенность пассажиров услугами авиакомпании, получаются с помощью алгоритмов «случайный лес» (погрешность на тестовой выборке - 3,9 %) и нейросетевого подхода (погрешность на тестовой выборке - 3,7 %). Вместе с тем, указанные алгоритмы не позволяют явным образом выделить факторы, характерные для авиапассажиров, не удовлетворенных качеством обслуживания. Этот пробел восполняет алгоритм на основе метода структурного резонанса в многомерных данных SRMD, позволивший выявить в данных точные логические правила, обладающие высокой полнотой. Полученные логические правила являются хорошо интерпретируемыми паттернами пассажиров, которые либо отрицательно, либо нейтрально оценивают услуги авиакомпании в целом. Полный текст статьи в переводе на английский язык публикуется во второй части данного выпуска.

Автомобильные дороги являются стратегически необходимой частью инфраструктуры страны, высокие требования к их состоянию обуславливают регулярный контроль качества дорожного полотна. Большая протяженность автомобильных дорог в России и влияние на них погодно-климатических условий (сезонные колебания температур, осадки) подчеркивают актуальность поиска методов неразрушающего контроля при диагностике дорог, обеспечивающих короткие сроки выполнения диагностических работ и использование минимальных ресурсов. Рассмотрены существующие решения для обнаружения повреждений дорожного полотна: применение георадара, лазерного метода, метода анализа вибровоздействий неровностей дорожной поверхности, детекция повреждений по данным лидар-устройств и системы мобильного картографирования. Целью исследования является разработка алгоритма анализа состояния дорожного полотна, позволяющего осуществлять детекцию дефектов дорожного покрытия по снимкам, полученным в процессе диагностики автомобильных дорог аэродромно-дорожной измерительной передвижной лабораторией КП-514-RDT, в комплекте с программным обеспечением IndorRoad и RDT-Line. Разработка алгоритма для обнаружения дефектов покрытия автодороги осуществлялась с применением методов машинного обучения. Выявленные дефекты имеют точную геопривязку по пикетажу измеряемого участка автодороги. В результате разработки получена обученная модель, позволяющая в автоматическом режиме размечать на снимке дефекты разных классов. Разработанный алгоритм интегрирован в программное обеспечение для управления мониторингом состояния региональных и муниципальных дорог. Полный текст статьи в переводе на английский язык публикуется во второй части данного выпуска.