Математическое обеспечение для выбора сценария учебной программы в условиях цифровой железной дороги
Ключевые слова:
непараметрические критерии, метод анализа иерархий, экспертная информация, путь и путевое хозяйство, цифровая железная дорогаАннотация
Создание в стране цифровой экономики, программ импортозамещения, совершенствование и внедрение IT и технологий искусственного интеллекта требуют модернизации, оптимизации и трансформации высшего образования. В ОАО "РЖД" в последние годы реализуется комплексный научно-технический проект «Цифровая железная дорога», предполагающий расширение цифровых технологий холдинга. «Цифровая железная дорога» включает развитие следующих IT-технологий: большие данные; промышленный интернет; технологии беспроводной связи, виртуальной и дополненной реальности; возможность использования современных и высокоэффективных методов диагностики, прогнозирования, а также обучения персонала. В связи с этим цифровизация железных дорог требует цифровой трансформации образования, а для этого необходимо повышение качества учебных программ, изменение их содержания по часам и читаемым дисциплинам. При обсуждении этих вопросов возможно создание нескольких сценариев учебных программ, поэтому возникает задача выбора лучшего из них. Математическое обеспечение содержит два непараметрических критерия (критерий Краскела – Уоллеса и критерий Уилкоксона – Манна – Уитни) для выбора сценария в терминах математической статистики. Для сравнения сценариев приведены пять показателей, значения которых определяют эксперты по стобалльной шкале. Для «свертки» пяти показателей в один комплексный предложено использовать линейную модель с весовыми коэффициентами, которые рекомендовано определять по методу анализа иерархий с вычислением отношения согласованности. Данные исследования проведены применительно к специальности «Путь и путевое хозяйство». При апробации методики выбран один из трех рассматриваемых сценариев.
Библиографические ссылки
Ашихмин Р.С., Борисова О.В. Искусственный интеллект: реальный потенциал для повышения эффективности бизнеса и государства // Вызовы цифровой экономики: технологический суверенитет и экономическая безопасность : сб. ст. VI Всерос. науч.-практ. конф. с междунар. участ. Брянск, 2023. С. 45–48.
Стародубова А.А., Исхакова Д.Д. Инновационные стратегии цифровых предприятий для достижения устойчивого раз-вития в регионах // π-Economy. 2023. Т. 16. № 1. С. 39–50.
Тебекин А.В. Анализ проблем и перспектив реализации планов импортозамещения в отраслях промышленности // Транспортное дело России. 2022. № 2. С. 159–165.
Абдикеев Н.М. Импортозамещение в высокотехнологичных отраслях промышленности в условиях внешних санкций // Управленческие науки. 2022. Т. 12. № 3. С. 53–69.
Авдеенко Е.Е., Шитый А.Д. Использование искусственного интеллекта в целях повышения эффективности развития бизнеса и государства // Вызовы цифровой экономики: технологический суверенитет и экономическая безопасность : сб. ст. VI Всерос. науч.-практ. конф. с междунар. участ. Брянск, 2023. С. 14–18.
Сивицкий Д.А. Анализ опыта и перспектив применения искусственных нейронных сетей на железнодорожном транспор-те // Вестн. Сибир. гос. ун-та путей сообщ. 2021. № 2 (57). С. 33–41.
Алюнова Т.И., Алюнов Д.Ю. Трансформация образования в условиях цифровизации // Управление в условиях цифро-визации социально-экономических процессов : сб. науч. ст. Чебоксары, 2020. С. 8–12.
Трудности и перспективы цифровой трансформации образования / А.Ю. Уваров, Э. Гейбл, И.В. Дворецкая и др. М. : НИУ ВШЭ, 2019. 344 с.
Волегжанина И.С. Цифровая трансформация образования в сфере железнодорожного транспорта // Вестн. Сибир. гос. ун-та путей сообщ.: Гуманитарные исследования. 2022. № 2 (13). С. 60–67.
Манаков А.Л., Хабаров В.И., Волегжанина И.С. Интеграция образования, науки и производства по модели «Фабрика знаний» (на примере транспортной отрасли) // Качество. Инновации. Образование. 2019. № 5 (163). С. 12–19.
Исаева Т.Е., Малишевская Н.А. Реализация компетентностного подхода в профессиональной подготовке обучающихся технических вузов через использование электронных стимуляторов // Вестн. Череповец. гос. ун-та. 2021. № 2 (101). С. 132–146.
Розенберг Е.Н., Аношкин В.В. Перспективы роста пропускной способности участков // Железнодорожный транспорт. 2020. № 3. С. 4–7.
Сотников Е.А., Мехедов М.И., Холодняк П.С. Интенсификация роста загруженных направлений сети железнодорож-ных дорог // Железнодорожный транспорт. 2020. № 3. С. 11–14.
Краковский Ю.М., Каргапольцев С.К., Начигин В.А. Моделирование перевозочного процесса железнодорожным транспортом: анализ, прогнозирование, риски. СПб. : ЛИТЕО, 2018. 240 с.
Базилевский М.П. Прогнозирование грузооборота железнодорожного транспорта по регрессионным моделям с детерминированными и стохастическими объясняющими переменными // Науч. ведомости Белгород. гос. ун-та. Сер.: Экономика. Ин-форматика. 2019. Т. 46. № 1. С. 117–129.
Краковский Ю.М., Лузгин А.Н. Прогнозирование базовых показателей перевозочного процесса на основе сценарного подхода // Прикладная информатика. 2017. Т. 12. № 2 (68). С. 29–36.
Краковский Ю.М.. Куклина О.Н. Бинарное прогнозирование динамических показателей на основе методов машинного обучения // Вестн. Томск. гос. ун-та. Управление, вычислительная техника и информатика. 2023. № 62. С. 50–55.
Краковский Ю.М., Крамынина Г.Н. Исследование сценариев прогнозирования грузооборота на железной дороге с учетом экспертной информации // System Analysis & Mathematical Modeling. 2023. Т. 5. № 4. С. 417–424.
Козлов П.А., Вакуленко С.П., Колокольников В.С. Расчет и оптимизация полигонов железнодорожного транспорта // Вестн. Ростов. гос. ун-та путей сообщ. 2017. № 3 (67). С. 96–101.
Краковский Ю.М., Даваадорж Б. Нечеткий численный вероятностный анализ для оценки показателей надежности рельсовых скреплений // Мир Транспорта. 2017. Т. 15. № 3 (70). С. 30–39.
Гула Д.Н., Головчинский В.О. Прогнозирование технического состояния сложных технических комплексов на основе экспертной информации // Изв. Тул. гос. ун-та. Технические науки. 2021. № 3. С. 260–264.
Прогнозирование качества функционирования технического объекта с использованием машинного обучения / М.И. Корнилова, С.В. Бусыгин, В.Н. Ковальногов и др. // Надежность и качество сложных систем. 2023. № 4 (44). С. 152–158.
Холлендер М., Вульф Д. Непараметрические методы статистики. М. : Финансы и статистика, 1983. 518 с.
Закс Л. Статистическое оценивание. М. : Статистика, 1976. 598 с.
Саати Т.Л. Принятие решений : Метод анализа иерархий. М. : Радио и связь, 1993. 314 с.
Микони С.В. Теория и практика рационального выбора. М. : Маршрут, 2004. 462 с.
