В статье рассматривается проблема высоких трудозатрат и значительного количества ошибок на этапе формализации исходных данных в задачах транспортного моделирования, что является критическим ограничением существующих систем автоматизации инженерных расчетов и подготовки исходных данных применительно к специфике транспортно-дорожного комплекса. Целью исследования является разработка предметно-ориентированной языковой модели для автоматизации извлечения и валидации параметров из неструктурированных и слабоструктурированных источников. Методология основана на тонкой настройке архитектуры трансформера на специализированном датасете, включающем реальные проектные документы, размеченные сущности и синтезированные примеры на основе нормативной документации. Особое внимание уделяется интеграции предметных знаний о методах расчета скорости движения автомобилей, требованиях ГОСТов и специфике дорожных данных. Проведен сравнительный анализ эффективности разработанной модели с традиционным ручным подходом к подготовке данных, включающий оценку точности извлечения и временных затрат. В результате создан действующий прототип модели, демонстрирующий высокую точность извлечения ключевых параметров и существенное сокращение времени подготовки данных. Применение разработанной модели позволяет перераспределить усилия инженера с рутинных операций ввода на задачи, требующие профессиональной экспертизы. Разработанная модель может служить основой для создания систем интеллектуальной автоматизации инженерных расчетов в области транспортного проектирования.
The article addresses the problem of high labor costs and a significant number of errors at the stage of initial data formalization in transport modeling tasks, which is a critical limitation of existing automation systems for engineering calculations and data preparation with respect to the specific context of the transport and road sector. The aim of the study is to develop a domain-specific language model for automating parameter extraction and validation from unstructured and semi-structured sources. The methodology is based on fine-tuning a transformer architecture on a specialized dataset including real project documents, annotated entities, and synthesized examples based on regulatory documentation. Special attention is paid to the integration of domain knowledge about vehicle speed calculation methods, GOST requirements, and the specifics of road data. A comparative analysis of the effectiveness of the developed model with the traditional manual approach to data preparation was carried out, including assessment of extraction accuracy and time costs. As a result, a functioning prototype of the model was created, demonstrating high accuracy of key parameter extraction and a significant reduction in data preparation time. The application of the developed model allows redistributing the engineer’s efforts from routine input operations to tasks requiring professional expertise. The developed model can serve as a basis for creating intelligent automation systems for engineering calculations in the field of transport design.
1. Лыгина Л. А., Строков Д. М., Котов А. А. Организация и безопасность движения в малых населенных пунктах сельского типа вдоль автомобильных дорог и режимы движения автомобилей // Вестник Московского автомобильно-дорожного государственного технического университета (МАДИ). 2021. № 4 (67). С. 104–113. URL: https://elibrary.ru/download/elibrary_47520997_98885934.pdf (дата обращения: 06.02.2026). EDN: LQEEQL.
2. Подберёзкин А. А., Остроух А. В., Борзенков А. М., Шмонин А. М., Пронин Ц. Б. Исследование комплексных подходов к цифровизации транспортных систем с применением методов искусственного интеллекта // Транспорт и информационные технологии. 2025. Т. 15. № 3. С. 141–166. URL: https://www.elibrary.ru/download/elibrary_85317604_40569131.pdf (дата обращения: 06.02.2026). DOI: 10.12731/3033-5965-2025-15-3-396. EDN: CEIRIN.
3. Подберёзкин А. А., Борзенков А. М., Волков А. М., Пронин Ц. Б., Остроух А. В. Применение генетического алгоритма для оптимизации светофорного регулирования с учетом нормативных требований и приоритета общественного транспорта // Современные наукоемкие технологии. 2025. № 9. С. 181–185. URL: https://www.elibrary.ru/download/elibrary_82961592_57117288.pdf (дата обращения: 06.02.2026). DOI: 10.17513/snt.40504. EDN: XCVSFJ.
4. Конкин А. В., Мазырин Т. А., Бойков Н. В. Проблемы обеспечения единой координатной среды данных в геоинформационных системах на стадии эксплуатации автомобильных дорог // Дороги и мосты. 2025. № 2 (54). С. 237–250. URL: https://elibrary.ru/download/elibrary_87622399_55498177.pdf (дата обращения: 06.02.2026). DOI: 10.70991/1815-896X-2025-2-54-237-250. EDN: NXLQAU.
5. Навой Д. B., Капский Д. В., Филиппова Н. А., Пугачев И. Н. Анализ мирового опыта в применении искусственного интеллекта в системах управления дорожным движением различного уровня // Системный анализ и прикладная информатика. 2024. № 1. С. 26–36. URL: https://www.elibrary.ru/download/elibrary_67224706_38849770.pdf (дата обращения: 06.02.2026). DOI: 10.21122/2309-4923-2024-1-26-36. EDN: YFVQAE.
6. Капский Д. В., Богданович С. В., Куренков П. В., Филиппова Н. А. Вопросы совершенствования транспортной отрасли в условиях развития подключенных транспортных средств // Интеллект. Инновации. Инвестиции. 2024. № 3. С. 64–73. URL: https://www.elibrary.ru/download/elibrary_68546827_56710793.pdf (дата обращения: 01.02.2026). DOI: 10.25198/2077-7175-2024-3-64. EDN: JIPRZJ.
7. Зиннуров Б. Р., Гизатуллин З. М. Извлечение знаний в формате триплетов с использованием дообученных больших языковых моделей // Computational Nanotechnology. 2025. Т. 12. № 4. С. 13–19. DOI: 10.33693/2313-223X-202512-4-13-19. EDN: FLJQXL.
8. Сак А. Н. Использование синтаксических связей для классификации строительных документов с помощью методов машинного обучения // Экономика строительства. 2025. № 5. С. 508–511. EDN: YKBEFA.
9. Луцкович А. И., Васильев В. И., Вульфин А. М., Кириллова А. Д., Сулавко А. Е. Автоматизированная система анализа слабоструктурированных данных киберразведки с использованием больших языковых моделей // Информационно-управляющие системы. 2025. № 2. С. 50–67. DOI: 10.31799/1684-8853-2025-2-50-67. EDN: QFQTPU.
10. Бакеев Р. Н., Кузьмин В. Н., Менисов А. Б., Сабиров Т. Р. Метод определения уязвимостей программного кода на основе кластерного анализа и контекстной адаптации больших языковых моделей // Информационно-управляющие системы. 2025. № 4 (137). С. 58–70.
11. DOI: 10.31799/1684-8853-2025-4-58-70. EDN: XJDOLW.
11. Голиков А. А., Акимов Д. А., Романовский М. С., Тращенков С. В. Аспекты создания корпоративной вопросноответной системы с использованием генеративных предобученных языковых моделей // Litera. 2023. № 12. С. 190–205. DOI: 0.25136/2409-8698.2023.12.69353. EDN: FSTHRW.
12. Зайцев Е. И., Нурматова Е. В. Агентно-ориентированная интеллектуальная система поддержки принятия решений: Архитектура и разработка // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление. 2025. № 3. С. 85–96. URL: https://www.elibrary.ru/download/elibrary_83055142_63409707.pdf (дата обращения: 03.02.2026). DOI: 10.18137/RNU.V9187.25.03.P.85. EDN: ODXWQI.
13. Рыбачук М. А. Аксиоматизация проектных решений при построении агентно-ориентированных моделей инновационно-технологических систем // Экономика науки. 2025. Т. 11. № 4. С. 38–51. URL: https://www.elibrary.ru/download/elibrary_88770667_39969003.pdf (дата обращения: 06.02.2026). EDN: UBTWOA.
14. Горбунова А. В. Оценка характеристик модели распределенных транзакционных приложений с микросервисной архитектурой и параллельными узлами // Информационно-управляющие системы. 2025. № 6. С. 42–50. DOI: 10.31799/1684-8853-2025-6-42-50. EDN: EGLAUQ.
15. Ефимова О. В., Кабанова Т. А. Методология оценки эффективности цифровых платформ для транспорта // Транспортное дело России. 2025. № 1. С. 32–36. URL: https://www.elibrary.ru/download/elibrary_80506950_44362161.pdf (дата обращения: 06.02.2026). EDN: RXPSZU.