Предиктивні системи спостереження в цифрових двійниках: від реактивного моніторингу до проактивного управління

Abstract

UA: У статті запропоновано перехід від реактивного управління залізничними вузлами до предиктивного моніторингу в складі цифрових двійників. На відміну від «цифрових тіней», що лише фіксують стан об’єктів, розроблений підхід базований на авіаційній логіці попередження про наближення до критичних меж. Використано гібридну архітектуру: рекурентні нейронні мережі (LSTM) для прогнозування інтенсивностей потоків і приховані марковські моделі (HMM) для ідентифікації експлуатаційних станів. Моделювання підтвердило здатність системи виявляти передумови заторів за 15–20 кроків до їх виникнення. Це створює часовий резерв для превентивного регулювання, що забезпечує стабільність вузла в умовах стохастичного навантаження.

EN: Modern digitalization of railway transport is increasingly adopting the Digital Twin concept. However, most current implementations function merely as «Digital Shadows», providing high-fidelity visualization of infrastructure and rolling stock but lacking tools for predictive trajectory analysis. This leads to a reactive management model where corrective actions are taken only after a crisis occurs, such as track congestion or shunting bottlenecks. This «firefighting» approach results in inefficient resource use and a loss of throughput capacity under stochastic traffic fluctuations. This study proposes a conceptual shift from reactive monitoring to a proactive system within a Digital Twin. The core idea is to transform the twin from a passive observer into an active predictive unit. The approach is inspired by aviation safety-critical systems, specifically Ground Proximity Warning Systems (GPWS/TAWS). By analogy, the station's control system must continuously calculate the «closure vector» toward an operational collapse–a state where input spikes exceed processing capacity, leading to a total halt of operations. A hybrid multilayered architecture is proposed. The first layer utilizes multivariate recurrent structures (Long Short-Term Memory, LSTM) to forecast the intensities of interrelated technological flows: inbound traffic, processing rates, and outbound departure rhythms. This allows the system to identify «technological debt» and trends in queue accumulation. The second layer employs Hidden Markov Models (HMM) to interpret these numerical forecasts. The system’s dynamics are represented as a sequence of hidden operational states: Underutilization, Optimal, Marginal (risk zone), and Congestion (collapse). The relationship between observed flow intensities and hidden states is managed through transition matrices and emission functions, enabling real-time identification of the most probable system regime using the Viterbi algorithm. Model verification was conducted through simulations of a shunting yard under variable loads. The results show that identifying hidden states allows for the recognition of a transition to a «Marginal» state 15–20 steps before physical congestion reaches a critical threshold. This provides a vital «time buffer» for dispatchers to implement preemptive measures, such as regulating inbound flows. The study confirms that the proposed signaling logic effectively prevents phase transitions into unmanaged congestion, stabilizing the outbound rhythm even under significant external disturbances. The research establishes a foundation for a new generation of decision-support systems where efficiency is defined by the ability to anticipate and avoid failures. The methodology is universal and can be scaled to various transport hubs, ensuring operational resilience through the proactive management of stochastic processes.