Mathematical software for choosing a curriculum scenario in a digital railway environment
Keywords:
nonparametric criteria, hierarchy analysis method, expert information, track and track facilities, digital railwayAbstract
The creation of a digital economy in the country, import substitution programs, improvement and implementation of information technologies and artificial intelligence technologies require the development, improvement and transformation of higher education. In recent years, Russian Railways has been implementing a comprehensive scientific and technical project «Digital Railway», which involves the development of digital technologies of the holding. The Digital Railway includes the development of IT technologies such as big data, industrial Internet, wireless communication technologies, virtual and augmented reality, the possibility of using modern and highly effective diagnostic and forecasting methods as well as personnel training. In this regard, digitalization of railways requires a digital transformation of education, and for this it is necessary to improve curricula, change their content by hours and disciplines taught. When discussing these issues, it is possible to create several scenarios for training programs, so the task arises of choosing the best one. The mathematical software contains two nonparametric criteria (the Kraskel – Wallace criterion and the Wilcoxon – Mann – Whitney criterion) for selecting a scenario in terms of mathematical statistics. To compare the scenarios, five indicators are given, whose values are determined by experts on a 100-point scale. To «convolve» five indicators into a single complex one, it is proposed to use a linear model with weighting coefficients, which are recommended to be determined using the method of hierarchy analysis with the calculation of the consistency ratio. These studies were conducted in relation to the specialty «Track and Track Facilities». When testing the methodology, one of the three scenarios under consideration was selected.
References
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.
