Modern Transportation Systems and TechnologiesModern Transportation Systems and TechnologiesИнновационные транспортные системы и технологии2782-3733Eco-Vector68868410.17816/transsyst688684Original studiesОригинальные статьиResearch ArticleAlgorithm for calculating the forecasted passenger flow of innovative railway transport based on a neural modelАлгоритм расчета прогнозного пассажиропотока инновационного железнодорожного транспорта на основе нейронной моделиhttps://orcid.org/0000-0003-3566-9225565838937008599-5636ZhuravlevaN. A.ЖуравлеваН. А.
Russian Federation

Dr Sci. (Economics), Professor

д–р экон. наук, профессор

zhuravleva_na@mail.ruhttps://orcid.org/0000-0002-5948-72264027-4771BatalovaN. V.БаталоваН. В.
Russian Federation

Senior Lecturer

старший преподаватель

natalyabatalova@yandex.ruEmperor Alexander I Petersburg State Transport UniversityПетербургский государственный университет путей сообщения Императора Александра I300920251134744850508202505082025Copyright ©; 2025, Zhuravleva N.А., Batalova N.V.Copyright ©; 2025, Журавлева Н.А., Баталова Н.В.2025Zhuravleva N.А., Batalova N.V.Журавлева Н.А., Баталова Н.В.https://creativecommons.org/licenses/by/4.0https://transsyst.ru/transj/article/view/688684

Aim: to create a neural network toolkit for predicting passenger traffic by innovative (high-speed) rail transport.

Materials and methods: statistical data on passenger traffic on all modes of transport in the areas of high-speed railway lines. Methods: econometric modeling, multilayer perceptron.

Results: an algorithm for planning passenger traffic on high-speed railway lines based on an intelligent neural model.

Conclusion: The ability of the neural network model to "learn" allows to increase the reliability of population mobility forecasts when evaluating HSRT projects.

Цель. Создание нейросетевого инструментария прогнозирования пассажирских перевозок инновационным (высокоскоростным) железнодорожным транспортом.

Материалы и методы. Статистические данные по пассажиропотокам на всех видах транспорта в зонах тяготения высокоскоростных железнодорожных магистралей. Методы: эконометрическое моделирование, многослойный перцептрон.

Результаты. Создан алгоритм планирования пассажирских перевозок на высокоскоростных железнодорожных магистралях (ВСЖМ) на основе интеллектуальной модели нейронного типа.

Заключение. Способность нейросетевой модели к «обучению» позволяет повысить достоверность прогнозов мобильности населения при оценке проектов ВСЖМ.

high-speed rail transportneural network modelingmultilayer perceptrondata architecturepassenger traffic forecastвысокоскоростной железнодорожный транспортнейросетевое моделированиемногослойный перцептронархитектура данныхпрогноз пассажиропотоковThe study was carried out within the framework of the state assignment of the Federal Agency for Railway Transport (Roszheldor) for the implementation of scientific research, experimental design and technological work for civil purposes.Исследование выполнено в рамках государственного задания Федерального агентства железнодорожного транспорта (Росжелдор) на выполнение научно-исследовательских, опытно-конструкторских и технологических работ гражданского назначения.Zaitsev AA, Talashkin GN. Economics of High-Speed Infrastructure. Bulletin of scientific research results. 2013;4(9):69–75. EDN: SERDED (In Russ.)Зайцев А.А., Талашкин Г.Н. Экономика инфраструктуры для высокоскоростного движения // Бюллетень результатов научных исследований. 2013. №4 (9). С. 69-75. EDN: SERDEDTsidenov AS. The creation of high-speed highways is the key to the country's success in the present and future. Transport Rossiiskoi Federatsii. Zhurnal o nauke, praktike, ekonomike. 2016;5(66):10–15. EDN: WZJSSHЦыденов А.С. Создание высокоскоростных магистралей - залог успеха страны в настоящем и будущем // Транспорт Российской Федерации. Журнал о науке, практике, экономике. 2016. №5 (66). С. 10–15. EDN: WZJSSHMironova IA, Tishchenko TI, Frolova MP. Problems of assessing the socio-economic efficiency of a large-scale infrastructure project using the example of a high-speed highway. Rossiiskii ekonomicheskii zhurnal. 2022;3. (In Russ.) doi: 10.33983/0130-9757-2022-3-100-119Миронова И.А., Тищенко Т.И., Фролова М.П. Проблемы оценки социально-экономической эффективности крупномасштабного инфраструктурного проекта на примере высокоскоростной магистрали // Российский экономический журнал. 2022. №3. doi: 10.33983/0130-9757-2022-3-100-119Zhuravleva NA. Economic assessment of intermodal effects of high-speed transport systems in the economy of the new technological order.Журавлева Н.А. Экономическая оценка интермодальных эффектов высокоскоростных транспортных систем в экономике нового технологического уклада // Бюллетень результатов научных исследований. 2018. № 4. С. 31–40. EDN: YYSESDBulletin of scientific research results, 2018; 4:31-40. EDN: YYSESD (In Russ.)Васильева М.Е., Волкова Е.М., Романов А.С. Интеллектуальные транспортные системы в Российских агломерациях: сущность, структура и направления развития // Инновационные транспортные системы и технологии. 2023. Т. 9, №4. C. 117-128. doi: 10.17816/transsyst202394117-128Vasilyeva ME, Volkova EM, Romanov AS. Intelligent transport systems in Russian megacities: the essence, structure and directions of development. Modern Transportation Systems and Technologies. 2023;9(4):117–128. doi: 10.17816/transsyst202394117-128 (In Russ.)Росстат – Национальные счета [internet] Дата обращения: 14.07.2025. Режим доступа: https://rosstat.gov.ru/statistics/accountsRosstat – Natsionalnie scheta [internet] Accessed: Jul 14, 2025 Available from: https://rosstat.gov.ru/statistics/accounts Accessed: Jul 14, 2025Данные Комитета по развитию туризма Санкт‑Петербурга. Отчет о ходе реализации Государственной программы Санкт-Петербурга «Развитие сферы туризма в Санкт-Петербурге» за 2019 год и за I полугодие 2020 года. [internet] Дата обращения: 14.07.2025. Режим доступа: https://www.gov.spb.ru/gov/otrasl/c_tourism/otchet-na-pravitelstvo-o-hode-realizacii-gosudarstvennoj-programmy-san/Dannie Komiteta po razvitiyu turizma Sankt‑Peterburga. Otchet o khode realizatsii Gosudarstvennoi programmi Sankt-Peterburga «Razvitie sferi turizma v Sankt-Peterburge» za 2019 god i za I polugodie 2020 goda. [internet] Accessed: Jul 14, 2025Available from: https://www.gov.spb.ru/gov/otrasl/c_tourism/otchet-na-pravitelstvo-o-hode-realizacii-gosudarstvennoj-programmy-san/ (In Russ.)Данные Комитета по развитию туризма Санкт‑Петербурга. Статистика развития туристического рынка. «Турбарометр Санкт‑Петербурга 20232». Аналитические показатели туризма и индустрии гостеприимства Санкт‑Петербурга в 2023 г. [internet] Дата обращения: 14.07.2025. Режим доступа: https://businesstat.ru/russia/services/hotels_and_tourism/tourism/?yclid=12898454363016527871Dannie Komiteta po razvitiyu turizma Sankt‑Peterburga. Statistika razvitiya turisticheskogo rinka. "Turbarometr Sankt‑Peterburga 2023". Analiticheskie pokazateli turizma i industrii gostepriimstva Sankt‑Peterburga v 2023 g. [internet] Accessed: Jul 14, 2025 Available from: https://businesstat.ru/russia/services/hotels_and_tourism/tourism/?yclid=12898454363016527871 (In Russ.)Толстых В.Н. Перцептрон, нейронная сеть. Что дальше? // Парадигма. 2022. № 37. EDN WLFBPITolstikh VN. Pertseptron, neironnaya set. Chto dalshe? Paradigma, 2022;37. (In Russ.) EDN: WLFBPIWei Z., Liangheng Ch., Junke X. High-speed railway, market access and economic growth // International Review of Economics & Finance. 2019. Vol. 76. doi: 10.1016/j.iref.2019.11.014Zou W, Chen L, Xiong J. High-speed railway, market access and economic growth. International Review of Economics & Finance. 2019. doi: 76. 10.1016/j.iref.2019.11.014.Cascetta E., Cartenì A., Henke I., Pagliara F. Economic growth, transport accessibility and regional equity impacts of high-speed railways in Italy: ten years ex post evaluation and future perspectives // Transp Res Part A Policy Pract. 2020;139:412–428. doi: 10.1016/j.tra.2020.07.008Cascetta E, Cartenì A, Henke I, Pagliara F. Economic growth, transport accessibility and regional equity impacts of high-speed railways in Italy: ten years ex post evaluation and future perspectives. Transp Res Part A Policy Pract. 2020;139:412–428. doi: 10.1016/j.tra.2020.07.008