В статье рассматривается архитектура платформы на основе искусственного интеллекта для автоматизированного управления процессом моделирования скоростных режимов автотранспорта. Целью исследования является разработка архитектуры и алгоритмов управления автоматизированной системой, где интеллектуальные агенты выступают в роли ядра, организующего сквозной технологический процесс от постановки задачи до анализа результатов. Методология исследования базируется на применении агентно-ориентированной парадигмы, принципов платформенной инженерии и контура машинного обучения и эксплуатации для управления жизненным циклом моделей. Предлагаемая архитектура включает слой интеллектуального взаимодействия с пользователем на естественном языке, слой кооперирующихся сервисов для обработки данных, детерминированное расчётное ядро и единую платформу данных. Предложена схема управления технологическим процессом с выделением входных и выходных данных, управляющих воздействий и контрольных точек, что позволяет организовать обратную связь между этапами расчёта и обеспечивает обработку исключительных ситуаций. Агенты в составе системы управляют потоком задач, координируют выполнение этапов извлечения, проверки, расчёта и представления данных, а также обеспечивают автоматическое восстановление при сбоях. В результате создан действующий прототип платформы, демонстрирующий возможность автоматизации этапов подготовки, валидации исходных данных и первичной интерпретации результатов моделирования. Разработанная платформа может рассматриваться как основа для создания интеллектуальных систем поддержки принятия решений в области проектирования и оценки безопасности дорожного движения.
The article considers the architecture of an artificial intelligence-based platform for automated control of vehicle speed regime modeling. The aim of the study is to develop an architecture and control algorithms for an automated system in which intelligent agents serve as the core organizing the end-to-end technological process from problem formulation to result analysis. The research methodology is based on the agent-oriented paradigm, platform engineering principles, and a machine learning operations framework for managing model lifecycles. The proposed architecture includes a layer for natural language intelligent interaction with the user, a layer of cooperating services for data processing, a deterministic computation kernel, and a unified data platform. A control scheme for the technological process is proposed, specifying inputs and outputs, control actions, and checkpoints, which enables feedback between calculation stages and ensures exception handling. The agents within the system manage the task flow, coordinate the execution of extraction, validation, calculation, and data presentation stages, and provide automatic recovery from failures. As a result, a working prototype of the platform has been developed, demonstrating the feasibility of automating the stages of data preparation, validation, and primary interpretation of modeling results. The developed platform can be considered as a foundation for creating intelligent decision support systems in the field of road design and traffic safety assessment.
1. Котов А. А. Интерполяция поверхностей и анализ пространственных данных в геоинформационных системах для целей представления и пространственного анализа района изысканий в АСУТП установления полосы варьирования трассы автомобильной дороги // Вестник Московского автомобильно-дорожного института (государственного технического университета). 2005. № 5. С. 50-56. URL: https://www.elibrary.ru/download/elibrary_21098564_71080911.pdf (дата обращения: 15.05.2026). EDN: RTSEYH.
2. Зырянов В. В., Аохуа Го., Линник Ю. Н., Кулев М. В. Моделирование гибких скоростных режимов на автомагистралях // Мир транспорта и технологических машин. 2024. № 4-1 (87). С. 104-111. DOI: 10.33979/2073-7432-2024-4-1(87)-104-111. EDN: NCCROE.
3. Nesa M., Yoon Y. Speed prediction and nearby road impact analysis using machine learning and ensemble of explainable AI techniques // Scientific Reports. 2024. Vol. 14. Article 25208. URL: https://www.nature.com/articles/s41598-024-74545-8 (дата обращения: 15.05.2026). DOI: 10.1038/s41598-024-74545-8.
4. Kuftinova N. G., Ostroukh A. V., Pronin C. B., Pospelov P. I., Kotov A. A. “Hybrid Domain-Specific Large Language Model for Traffic Accident Analysis and Road Safety Index Prediction,” 2026 Systems of Signals Generating and Processing in the Field of on Board Communications, Moscow, Russian Federation, 2026. Р. 1-7. DOI: 10.1109/IEEECONF68869.2026.11461182.
5. Wandelt S., Zheng C., Wang S., Liu Y., Sun X. Large Language Models for Intelligent Transportation: A Review of the State of the Art and Challenges // Applied Sciences. 2024. Vol. 14. № 17. Article 7455. URL: https://www.mdpi.com/2076-3417/14/17/7455 (дата обращения: 17.05.2026). DOI: 10.3390/app14177455.
6. Karim M. M., Shi Y., Zhang S., Wang B., Nasri M., Wang Y. Large language models and their applications in roadway safety and mobility enhancement: A comprehensive review // Artificial Intelligence for Transportation. 2025. Vol. 1. Article 100004. URL: https://www.sciencedirect.com/science/article/pii/S3050860625000043 (дата обращения: 12.05.2026). DOI: 10.1016/j.ait.2025.100004.
7. Загидуллин Р. Р., Хайбуллин А. Н. Прогнозирование транспортной загруженности с использованием методов машинного обучения // Транспорт и информационные технологии. 2025. Т. 15. № 2. С. 202–216. DOI: 10.12731/2227-930X-2025-15-2-347. EDN: HHJBXM.
8. Котов А. А. Предиктивное управление потребительскими свойствами автомобильных дорог: технологии непрерывного мониторинга в процессах эксплуатации транспортной инфраструктуры // Строительные и дорожные машины. 2026. № 1. С. 49-66. URL: https://iereview.ru/index.php/IE/article/view/243 (дата обращения: 15.05.2026). EDN: WVHPWS.
9. Игнатов А. В., Басков В. Н. Методика оценки влияния фактора «Автомобиль» на безопасность дорожного движения // Вестник Сибирского государственного автомобильно-дорожного университета. 2025. Т. 22. № 4 (104). С. 568-577. URL: https://www.elibrary.ru/download/elibrary_82833437_52003152.pdf (дата обращения: 19.05.2026). DOI: 10.26518/2071-7296-2025-22-4-568-577. EDN: JADMFR.
10. Zhang W., Valencia A., Chang N.-B. Synergistic Integration Between Machine Learning and Agent-Based Modeling: A Multidisciplinary Review // IEEE Transactions on Neural Networks and Learning Systems. 2023. Vol. 34. № 5. P. 2170–2190. URL: https://pubmed.ncbi.nlm.nih.gov/34473633/ (дата обращения: 11.05.2026). DOI: 10.1109/TNNLS.2021.3106777.
11. An L., Grimm V., Bai Y. et al. Modeling agent decision and behavior in the light of data science and artificial intelligence // Environmental Modelling & Software. 2023. Vol. 166. Article 105713. URL: https://www.canr.msu.edu/csis/uploads/files/Agent_decision_BD_AI_2023.pdf (дата обращения: 15.05.2026). DOI: 10.1016/j.envsoft.2023.105713.
12. Уваев М. Ю., Шиков А. Н. Применение агентно-ориентированного моделирования системы поддержки принятия решений на предприятии // Автоматизация. Современные технологии. 2025. Т. 79. № 11. С. 504-508. URL: https://www.elibrary.ru/item.asp?id=83179444 (дата обращения: 15.05.2026). DOI: 10.36652/0869-4931-2025-79-11-504-508. EDN: RYLWTK.
13. Минаев В. А., Толпыгин А. С. Цифровая платформа для защищенных информационно-управляющих систем беспилотного транспорта // Информация и безопасность. 2024. Т. 27. № 3. С. 309-318. URL: https://www.elibrary.ru/download/elibrary_76014176_22378518.pdf (дата обращения: 15.05.2026). DOI: 10.36622/1682-7813.2024.27.3.001. EDN: UXJRGD.
14. Сак А. Н. Использование синтаксических связей для классификации строительных документов с помощью методов машинного обучения // Экономика строительства. 2025. № 5. С. 508-511. URL: https://www.elibrary.ru/item.asp?id=82513860 (дата обращения: 14.05.2026). EDN: YKBEFA.
15. Kreuzberger D., Kühl N., Hirschl S. Machine Learning Operations (MLOps): Overview, Definition, and Architecture // IEEE Access. 2023. Vol. 11. P. 31866–31879. URL: https://epub.uni-bayreuth.de/7577/1/Machine_Learning_Operations_MLOps_Overview_Definition_and_Architecture.pdf (дата обращения: 19.05.2026). DOI: 10.1109/ACCESS.2023.3262138.
16. Исаева О. С., Исаев С. В., Кулясов Н. В. Формирование адаптивных рассылок брокера данных Интернета вещей // Информационно-управляющие системы. 2022. № 5 (120). С. 23–31. DOI: 10.31799/1684-8853-2022-5-23-31. EDN: VGTSEJ.
17. Котов А. А., Остроух А. В., Поспелов П. И., Подберёзкин А. А., Пронин Ц. Б. MADI-Speed-AI: моделирование скоростных режимов и расчёт показателей дорожных условий: свидетельство о регистрации программы для ЭВМ RU 2026662470, опубл. 28.04.2026 Бюл. № 5. Заявка № 2026662348 от 28.04.2026. URL: https://www.elibrary.ru/download/elibrary_91264667_15459878.PDF (дата обращения: 15.05.2026).