vrgupВестник Ростовского государственного университета путей сообщенияVestnik Rostovskogo Gosudarstvennogo Universiteta Putej Soobshcheniya0201-727XРостовский государственный университет путей сообщения10.46973/0201-727X_2026_1_20vrgup-74Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, АВТОМАТИКА И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGIES, AUTOMATION AND TELECOMMUNICATIONSАнализ параметров базовых архитектур нейронных сетей в транспортных системах управленияAnalysis of parameters of basic neural network architectures in transport control systemsАлымовИ. О.AlymovI. O.

Алымов Илья Олегович, кафедра «Автоматика и телемеханика на железнодорожном транспорте», аспирант

 

Alymov Ilya Olegovich, Chair “Railway Automation and Telemechanics”, Postgraduate Student

ilya-alymov@mail.ruРостовский государственный университет путей сообщения (РГУПС)Rostov State Transport University (RSTU)202630032026012027Copyright © Алымов И.О., 20262026Алымов И.О.Alymov I.O.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.rgups.ru/jour/article/view/74

Рассмотрен подход к повышению эффективности автоматизированных систем управления движением поездов путем интеграции нейросетевого модуля-ассистента в контур подсистемы автоматического блокирующего логического контроля (АБЛК). Выполнен анализ применимости различных архитектур нейронных сетей для решения задач интеллектуальной поддержки поездного диспетчера, включая многослойный перцептрон (MLP) и рекуррентные сети с долгой краткосрочной памятью (LSTM). На основе имитационной модели диспетчерского участка, включающего три станции, проведена количественная оценка размерности входного вектора состояния и вычислительной сложности рассматриваемых архитектур. Представлены формулы расчета количества обучаемых параметров, выполнено сравнение MLP и LSTM при одинаковых параметрах модели. Результаты сравнительного анализа демонстрируют преимущество LSTM с точки зрения вычислительной эффективности при сохранении структуры временных зависимостей. На основании полученных результатов обоснован выбор LSTM в качестве базовой архитектуры для построения интеллектуального ассистента, работающего в едином контуре с подсистемой АБЛК.

The article considers an approach to improving the efficiency of automated train control systems by integrating a neural network assistant module into the contour of the automatic blocking logical control (ABLC) subsystem. An analysis of the applicability of various neural network architectures for solving problems of intelligent support for train dispatchers is carried out, including multilayer perceptron (MLP) and long short-term memory networks (LSTM). Based on a simulation model of a dispatching section comprising three stations, quantitative assessment of the dimension of the input vector of the state a quantitative assessment of the input state vector dimension and computational complexity of the considered architectures is performed. Formulas for calculating the number of trainable parameters are presented, and a comparison of MLP and LSTM with identical model parameters is made. The results of the comparative analysis demonstrate the advantage of LSTM in terms of computational efficiency while preserving the structure of temporal dependencies. Based on the obtained results, the choice of LSTM as the basic architecture for building an intelligent assistant operating in a single contour with the ABLC subsystem is substantiated.

автоматизированные системы управления движением поездовдиспетчерская централизацияинтеллектуальные системы поддержки принятия решенийактивный блокирующий логический контрольнейронные сетиLSTMмногослойный перцептрон (MLP)automated train control systemsthe human factordispatch centralizationintelligent decision support systemsactive blocking logical controlneural networksLSTMmultilayer perceptron (MLP)ReferencesАлымов, И. О. Проблемы безопасности и надежности в автоматизированных системах управления движением поездов / И. О. Алымов // Транспорт : наука, образование, производство : сборник научных трудов Международной научно-практической конференции, Ростов-на- Дону, 23–25 апреля 2025 г. – Ростов-на-Дону : Ростовский государственный университет путей сообщения, 2025. – С. 28–32. – EDN CULUWE.Alymov, I. O. Problems of safety and reliability in automated train traffic control systems / I. O. Alymov // Transport : Science, Education, Production : collection of scientific papers of the International scientific and practical conference, Rostovon-Don, April 23–25, 2025. – Rostov-on-Don : Rostov State Transport University, 2025. – P. 28–32. – EDN CULUWE.Особенности эмоционального состояния работников железнодорожного транспорта / Н. Н. Малютина, А. Л. Сединин, С. В. Лузина, Н. С. Сединина // Журнал научных статей Здоровье и образование в XXI веке. – 2017. – Т. 19, № 10. – С. 109–110. – EDN ZATOKV.Features of the emotional state of railway transport workers / N. N. Malyutina, A. L. Sedinin, S. V. Luzina, and N. S. Sedinin // Journal of scientific articles “Health and Education in the 21st Century”. – 2017. – Vol. 19, No. 10. – P. 109–110. – EDN ZATOKV.Долгий, И. Д. Актуальность внедрения автоматического блокирующего логического контроля действий оперативного персонала в автоматизированных системах управления движением поездов / И. Д. Долгий, И. О. Алымов, А. О. Горобец // Цифровые инфокоммуникационные технологии : сборник научных трудов, Ростов-на-Дону, 27 октября 2023 г. – Ростов-на-Дону : Ростовский государственный университет путей сообщения, 2023. – С. 380–384. – EDN AJAKND.Dolgy, I. D. The relevance of implementing automatic blocking logical control of operational personnel actions in automated train traffic management systems / I. D. Dolgy, I. O. Alymov, A. O. Gorobets // Digital infocommunication technologies : collection of scientific papers, Rostov-on-Don, October 27, 2023. – Rostov-on-Don : Rostov State Transport University, 2023. – P. 380–384. – EDN AJAKND.Комличенко, В. Н. Сравнительный анализ различных архитектур нейронных сетей для задач регрессии / В. Н. Комличенко, В. А. Федосенко, А. С. Купрейчик // Экономика и качество систем связи. – 2025. – № 1 (35). – С. 110–121. – EDN PAGCVM.Komlichenko, V. N. Comparative analysis of various neural network architectures for regression problems / V. N. Komlichenko, V. A. Fedosenko, A. S. Kupreichik // Economics and Quality of Communication Systems. – 2025. – No. 1 (35). – P. 110–121. – EDN PAGCVM.Пустынный, Я. Н. Решение проблемы исчезающего градиента с помощью нейронных сетей долгой краткосрочной памяти / Я. Н. Пустынный // Инновации и инвестиции. – 2020. – № 2. – С. 130–132. – EDN MRQIHM.Pustinny, Ya. N. Solving the problem of a vanishing gradient using neural networks of long short-term memory / Ya. N. Pustinny // Innovations and Investments. – 2020. – No. 2. – P. 130–132. – EDN MRQIHM.Lunt, A. An empirically-sourced heuristic for predetermining the size of the hidden layer of a multilayer perceptron for large datasets. Lecture Notes in Computer Science / A. Lunt, S. Xu // LNAI. – 2016. – Vol. 9992. – P. 542–547. – DOI 10.1007/978-3-319-50127-7_47.Lunt, A. An empirically-sourced heuristic for predetermining the size of the hidden layer of a multi-layer perceptron for large datasets. Lecture Notes in Computer Science / A. Lunt, S. Xu // LNAI. – 2016. – Vol. 9992. – P. 542–547. – DOI 10.1007/978-3-319-50127-7_47.Cybenko, G. Approximation by superpositions of a sigmoidal function / G. Cybenko // Mathematics of Control, Signals, and Systems. – 1989. – Vol. 2, No. 4. – P. 303–314. – DOI 10.1007/bf02551274.Cybenko, G. Approximation by superpositions of a sigmoidal function / G. Cybenko // Mathematics of Control, Signals, and Systems. – 1989. – Vol. 2, No. 4. – P. 303–314. – DOI 10.1007/bf02551274.Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвиль. – Москва : ДМК Пресс, 2018. – 652 с. – ISBN 978-5-97060-618-6.Goodfellow, Ya, Deep learning / Ya. Goodfellow, I. Bendjio, A. Courville. Moscow : DMK Press, 2018. 652 p. – ISBN 978-5-97060-618-6.Data Science Stack Exchange. (2016). Number of parameters in an LSTM model. – URL: https://datascience.stackexchange.com/questions/10615/number-of-parameters-in-an-lstm-model (date of access: 20.02.2026).Data Science Stack Exchange. (2016). Number of parameters in an LSTM model. – URL: https://datascience.stackexchange.com/questions/10615/number-of-parameters-in-an-lstmmodel (date of access: 20.02.2026).Hochreiter, S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural Computation. – 1997. – Vol. 9 (8). – P. 1735–1780. – DOI 10.1162/neco.1097.9.8.1735.Hochreiter, S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural Computation. – 1997. – Vol. 9 (8). – P. 1735–1780. – DOI 10.1162/neco.1097.9.8.1735

The authors declare that there are no conflicts of interest present.