Актуальность научно-исследовательской работы определяется развитием технологий беспилотных транспортных средств (БТС), которые могут использоваться в городских системах в сети общественного транспорта. В связи с этим возникла необходимость в реализации моделей БТС, эффективных с точки зрения управления пассажиропотоком. Традиционно для указанных целей используются средства имитационного моделирования (например, AnyLogic), в которые встроены модули, позволяющие моделировать городские транспортные системы. Основная проблема – обеспечить возможность использовать такие системы имитационного моделирования в качестве предметно-ориентированных сред для обучения интеллектуальных агентов (моделей БТС) или их популяций.

В рамках данной научно-исследовательской работы разработана гибридная модель на основе дискретно-событийного и агентного подходов к имитационному моделированию городских транспортных систем с глубоким обучением с подкреплением. Новый подход к гибридному нейроимитационному моделированию позволяет оптимизировать параметры городских транспортных систем, учитывая изменяющийся пассажиропоток, количество и скорость движения транспорта, а также особенности конфигураций маршрутов общественного транспорта.

В работе использовалась новая модель взаимодействия имитационных моделей и моделей агентов глубокого обучения с подкреплением. От уже известных моделей её отличает возможность учёта ситуативного поведения агента (агентов) имитационной модели. В процессе выполнения проекта разработана гибридная нейроимитационная модель оптимизации маршрутов наземного транспорта на примере фрагмента городской среды, учитывающей динамически изменяющийся пассажирский трафик.

Алексей Наместников, профессор кафедры «Технологии информационного и математического моделирования», занимается исследованиями в области применения интеллектуальных технологий при проектировании технических систем с 1997 г. По данной тематике опубликовано более 110 научных работ.

Научная новизна заявленного проекта заключается в следующем:

• разработан новый подход к построению среды наблюдения, который отличается от известных способом интеграции имитационных моделей и моделей глубокого обучения с подкреплением;
• разработан алгоритм глубокого обучения с подкреплением (Deep-Q-Network), отличающийся от известных адаптированной к решаемой задаче функцией вознаграждения и учитывающий нестационарность динамики внешней среды.

Учёный планирует продолжить работу в направлении интеграции моделей глубокого обучения с подкреплением для обучения политике поведения БТС с моделями имитационного моделирования, применяющими геоинформационные данные.

Описанные исследования выполнены в рамках гранта на выполнение научно-исследовательских работ научно-педагогическими работниками СПбГАСУ в 2025 г.