Аннотация. Современная железнодорожная отрасль сталкивается с задачей оптимизации грузоперевозок в условиях ежегодного увеличения объемов перевозимых данных на 15–20% и потребности в кардинальном повышении эффективности логистических процессов. Существующие подходы к планированию и управлению основаны преимущественно на эвристиках и опыте экспертов, что не позволяет справляться с растущими нагрузками. Данная работа предлагает новый комплексный подход, интегрирующий методы машинного обучения, оптимизационные алгоритмы, технологии интернета вещей и анализ больших данных о грузопотоках. В отличие от имеющихся аналогов, предлагаемая методология реализует многоуровневую модель цифровизированного управления перевозками. Основные модули включают: подсистему сбора и анализа данных о перевозках в режиме реального времени на базе IoT датчиков; модель машинного обучения для прогнозной аналитики грузонагрузок и спроса; адаптивные алгоритмы оптимального планирования маршрутов и расписаний; цифровой двойник ж/д инфраструктуры для имитационного моделирования. Научная новизна заключается во внедрении новейших цифровых технологий для автоматизации управления на транспорте, в частности в разработке и интеграции перечисленных модулей, позволяющей добиться синергетического эффекта. Результаты тестирования на реальных данных крупнейшего оператора продемонстрировали сокращение времени планирования грузоперевозок на 30%, повышение точности планов на 25%, а также уменьшение времени реакции на инциденты на 15 минут.

Annotation. The modern railway industry is faced with the task of optimizing freight transportation in the context of an annual increase in the volume of transported data by 15–20% and the need for a radical increase in the efficiency of logistics processes. The existing approaches to planning and management are based mainly on heuristics and expert experience, which does not allow us to cope with increasing loads. This work offers a new integrated approach integrating machine learning methods, optimization algorithms, Internet of Things technologies and big data analysis on cargo flows. Unlike existing analogues, the proposed methodology implements a multi-level model of digitalized transportation management. The main modules include: a subsystem for collecting and analyzing real-time transportation data based on IoT sensors; a machine learning model for predictive analytics of cargo loads and demand; adaptive algorithms for optimal route planning and schedules; a digital twin of railway infrastructure for simulation modeling. The scientific novelty lies in the introduction of the latest digital technologies for automation of transport management, in particular, the development and integration of these modules, which allows to achieve a synergistic effect. The results of testing on real data from the largest operator demonstrated a 30% reduction in freight planning time, a 25% increase in the accuracy of plans, as well as a 15-minute reduction in incident response time.