Отраслевой модуль
Технологии ИИ для решения задач транспортного планирования
Модуль разработан для формирования компетенций, необходимых для применения технологий искусственного интеллекта при решении задач профессиональной деятельности в транспортной отрасли, включая задачи транспортного планирования и транспортного моделирования.
Объем модуля — 144 ак. часа, рекомендуется студентам не ранее 2 курса бакалавриата.
Объем модуля — 144 ак. часа, рекомендуется студентам не ранее 2 курса бакалавриата.
О модуле
Практико-ориентированный образовательный модуль, направленный на освоение подходов к применению технологий искусственного интеллекта для решения задач транспортного планирования. Содержание модуля охватывает актуальные направления применения ИИ, включая транспортное планирование и моделирование, анализ и интерпретацию городских и транспортных данных, прогнозирование транспортных потоков и аварийных ситуаций, поддержку принятия решений при планировании развития городских территорий, применение методов машинного обучения, глубокого обучения, компьютерного зрения, анализа временных рядов, обработки естественного языка, больших языковых моделей и геоинформационных инструментов для решения актуальных задач транспортного планирования.
Модуль разработан Университетом ИТМО в рамках проекта ТОП-ИИ Минцифры России для внедрения в образовательные программы высшего образования по направлениям подготовки в сфере транспорта и градостроительства.
Включение модуля в образовательный процесс позволяет усилить прикладную и отраслевую направленность подготовки, обеспечить связь ИИ-компетенций обучающихся с актуальными запросами транспортной отрасли и сформировать у студентов базовые навыки работы с данными, цифровыми инструментами и прикладными ИИ-решениями, востребованными в сфере транспортного планирования, управления автомобильным транспортом и развития транспортной инфраструктуры.
Для кого подготовлен
Реализуется как компонент основной профессиональной образовательной программы (ОПОП) по следующим направлениям
23.03.01 Технология транспортных процессов
07.03.04 Градостроительство
Изучение модуля возможно не ранее 2 курса бакалавриата
Формат обучения
- Продолжительность обучения1 семестр, 4 зачетные единицы
- Общий объем модуля144 академических часа (32 а.ч. лекций, 32 а.ч. лабораторных работ, 80 а.ч. самостоятельная работа)
Программа обучения
Модуль состоит из двух блоков:
1.1 Основные понятия технологий ИИ (определения ИИ, конструктивное и регуляторное определение, сильный и слабый ИИ, символьный ИИ и экспертные системы, машинное обучение, модели ИИ на данных, нейросети)
1.2 Подходы к созданию моделей ИИ на данных (большие и малые данные, разметка неструктурированных данных, синтетические данные, классические модели машинного обучения, нейросетевые модели и глубокое обучение, ансамбли, обучение с подкреплением, онлайн-обучение, обучение переносом, AutoML)
1.3 Оценка качества систем ИИ (интервальное оценивание, доверительные интервалы, порядковые статистики, ящики с усами, неопределенности, метрики качества, бенчмарки, бейзлайны, кросс-валидация, бутстреп)
1.4 Генеративный ИИ и большие языковые модели (генеративный метод Монте-Карло, GAN, VAE, байесовы сети, диффузионные алгоритмы, NLP, LLM, галлюцинации, RAG, модели-критики, генеративный дизайн)
1.5 Системы поддержки принятия решений (теория принятия решений, интеллектуальные СППР, архитектура, прогнозирование, профессиональные ассистенты, рекомендательные системы, объяснимость, оценка качества)
1.6 Мультиагентные системы ИИ (понятие агента, архитектуры, сложные системы, автономные агенты, уравнения SIR/SIS, агенты на основе LLM, дебаты и комитеты агентов)
1.7 Применение ИИ в науке, бизнесе и социальной сфере (научная деятельность, промышленность, образование, здравоохранение, банковская сфера, маркетинг, строительство и ЖКХ, медиа)
1.8 Экономика ИИ (автоматизация, влияние на производственные процессы, эффекты внедрения, оценка себестоимости и прибыли, влияние на инновационный цикл, риск-аппетиты, регулирование)
1.2 Подходы к созданию моделей ИИ на данных (большие и малые данные, разметка неструктурированных данных, синтетические данные, классические модели машинного обучения, нейросетевые модели и глубокое обучение, ансамбли, обучение с подкреплением, онлайн-обучение, обучение переносом, AutoML)
1.3 Оценка качества систем ИИ (интервальное оценивание, доверительные интервалы, порядковые статистики, ящики с усами, неопределенности, метрики качества, бенчмарки, бейзлайны, кросс-валидация, бутстреп)
1.4 Генеративный ИИ и большие языковые модели (генеративный метод Монте-Карло, GAN, VAE, байесовы сети, диффузионные алгоритмы, NLP, LLM, галлюцинации, RAG, модели-критики, генеративный дизайн)
1.5 Системы поддержки принятия решений (теория принятия решений, интеллектуальные СППР, архитектура, прогнозирование, профессиональные ассистенты, рекомендательные системы, объяснимость, оценка качества)
1.6 Мультиагентные системы ИИ (понятие агента, архитектуры, сложные системы, автономные агенты, уравнения SIR/SIS, агенты на основе LLM, дебаты и комитеты агентов)
1.7 Применение ИИ в науке, бизнесе и социальной сфере (научная деятельность, промышленность, образование, здравоохранение, банковская сфера, маркетинг, строительство и ЖКХ, медиа)
1.8 Экономика ИИ (автоматизация, влияние на производственные процессы, эффекты внедрения, оценка себестоимости и прибыли, влияние на инновационный цикл, риск-аппетиты, регулирование)
ЛР1.1 Первичная обработка и разведочный анализ данных. Выбор модели ИИ
ЛР1.2 Разработка, обучение и сравнение моделей ИИ на основе классических и нейросетевых методов
ЛР1.3 Разработка и оценка качества процессной СППР для задачи предиктивной аналитики
ЛР1.4 Эффективный промптинг, оценка эффективности и устойчивости работы LLM в профессиональной области
ЛР1.2 Разработка, обучение и сравнение моделей ИИ на основе классических и нейросетевых методов
ЛР1.3 Разработка и оценка качества процессной СППР для задачи предиктивной аналитики
ЛР1.4 Эффективный промптинг, оценка эффективности и устойчивости работы LLM в профессиональной области
2.1 Основные сведения транспортного планирования. Методология транспортного планирования. Городской транспорт
2.2 Методы и модели оценки эффективности транспортных систем. Транспортная доступность и транспортная связанность территорий и пр.
2.3. Введение в транспортное моделирование. Данные для транспортных моделей.
2.4. Теория графов в задачах транспортного планирования и оценке транспортной инфраструктуры
2.5. Модели транспортного спроса
2.6. Технологии искусственного интеллекта в транспортном планировании
2.2 Методы и модели оценки эффективности транспортных систем. Транспортная доступность и транспортная связанность территорий и пр.
2.3. Введение в транспортное моделирование. Данные для транспортных моделей.
2.4. Теория графов в задачах транспортного планирования и оценке транспортной инфраструктуры
2.5. Модели транспортного спроса
2.6. Технологии искусственного интеллекта в транспортном планировании
ЛР2.1 Сбор и первичная обработка исходных данных в транспортном планировании
ЛР2.2 Анализ транспортной инфраструктуры муниципального образования по критериям транспортной связанности и доступности с использованием ИИ и пр.
ЛР2.3 Анализ транспортной связанности и доступности субъекта Российской Федерации, оценка роли опорных населенных пунктов с использованием искусственного интеллекта
ЛР2.4. Применение генеративных технологий ИИ для задач планирования маршрутов общественного транспорта
ЛР2.2 Анализ транспортной инфраструктуры муниципального образования по критериям транспортной связанности и доступности с использованием ИИ и пр.
ЛР2.3 Анализ транспортной связанности и доступности субъекта Российской Федерации, оценка роли опорных населенных пунктов с использованием искусственного интеллекта
ЛР2.4. Применение генеративных технологий ИИ для задач планирования маршрутов общественного транспорта
Технологический стек модуля
Python, Jupyter Notebook / Google Colab
/1.
Интерактивная облачная среда для работы с кодом на языке Python, включающая набор популярных библиотек для науки о данных и машинного обучения
Pandas, NumPy
/2.
Библиотеки для обработки табличных данных, вычисления статистических характеристик и подготовки данных для обучения моделей ИИ
Matplotlib, Seaborn
/3.
Построение гистограмм, диаграмм рассеяния, ящиков с усами (box plots), тепловых карт корреляции для разведочного анализа данных
Google Colab, GitHub
/4.
Облачная платформа для хранения Jupyter-блокнотов, датасетов, результатов лабораторных работ и проектных артефактов с возможностью совместного доступа и версионирования
Scikit-learn, TensorFlow
/5.
Библиотеки классических методов машинного обучения (регрессия, классификация, кластеризация) и глубокого обучения (нейросетевые модели, включая свёрточные и рекуррентные архитектуры)
Blocksnet
/6.
Библиотека моделирования территорий для решения задач транспортного планирования и оценки инфраструктуры
QGIS
/7.
Открытая бесплатная геоинформационная система для работы с пространственными данными, картографирования и анализа транспортной инфраструктуры
GigaChat, Perplexity, ChatGPT
/8.
Большие языковые модели для генерации текстов, работы с технической документацией, создания отчётов и адаптации материалов
CLIP, FAISS, Chroma
/9.
Мультимодальный анализ (сопоставление текста и изображений) и векторный поиск для создания систем поиска по транспортным объектам
Ценностно-ориентированная система «Простор»
/10.
Система комплексной оценки, мониторинга и планирования жилой и промышленной застройки урбанизированных территорий
Разработан в партнерстве
Модуль разработан Университетом ИТМО в рамках проекта «ТОП ИИ» при участии
Разработчики, преподаватели и эксперты
Бухановский А.В.
Научный руководитель, разработчик содержания, профессор, д.т.н., Университет ИТМО, центр «Сильный ИИ в промышленности»
Митягин С. А.
Разработчик модуля, преподаватель, Университет ИТМО
Результаты обучения
Обрабатывать и анализировать транспортные и геоданные
Слушатель сможет применять методы первичной обработки и разведочного анализа данных к транспортным потокам, геоинформационным данным и открытым источникам, выявлять закономерности и структурировать информацию для дальнейшего использования
Использовать генеративные технологии ИИ и LLM в транспортном планировании
Слушатель сможет применять адаптивные методы дообучения генеративных моделей, интегрировать RAG-пайплайны для поиска и обобщения информации из технической документации, инструкций и регламентов
Обучать и оценивать качество моделей ИИ
Слушатель сможет обучать базовые модели машинного обучения и глубокого обучения, оценивать их качество с использованием метрик и интерпретировать полученные результаты
Применять методы машинного обучения для решения транспортных задач
Слушатель сможет определять тип задачи машинного обучения (классификация, регрессия, кластеризация или обнаружение аномалий), выбирать и обосновывать метод решения с учетом характеристик данных и транспортного контекста
Анализировать транспортную инфраструктуру с использованием ИИ
Слушатель сможет применять стандартные методы и модели ИИ для задач транспортного планирования, производить реинжиниринг процессов транспортного планирования в результате интеграции моделей ИИ
Собирать и систематизировать данные для задач управления автомобильным транспортом
Слушатель сможет производить сбор и систематизацию данных из разнородных источников мониторинга дорожной ситуации, производить инжиниринг потоков данных для подготовки к использованию методами и моделями ИИ
Формализовать бизнес-цели и вырабатывать стратегии внедрения ИИ
Слушатель сможет формализовать бизнес-цель или производственную цель внедрения ИИ, выявлять заинтересованные стороны и фиксировать их требования к решению, формулировать функциональные и нефункциональные требования к ИИ-решению в транспортной отрасли
Преимущества и условия внедрения модуля
Преимущества для вуза:
Методическая готовность к реализации благодаря полному пакету учебно-методической документации — модуль обеспечен рабочей программой дисциплины (РПД), фондом оценочных средств (ФОС), видеолекциями и детальными методическими указаниями для выполнения лабораторных работ.
Обогащение транспортных и градостроительных программ современными цифровыми компетенциями без потери их профильности благодаря междисциплинарной структуре модуля — содержание выстроено на стыке транспортных наук и цифровых технологий, что позволяет студентам профильных направлений осваивать актуальные IT-навыки в контексте их основной специализации, а не в отрыве от неё
Соответствие актуальным трендам цифровой трансформации и кадровым потребностям отрасли благодаря ориентации содержания на реальные запросы рынка труда в сфере транспортного планирования и управления — модуль готовит выпускников к работе с данными, геоинформационными системами и современными инструментами ИИ, что напрямую повышает их востребованность
Условия внедрения:
Наличие в вузе образовательных программ по направлениям 23.03.01 и 07.03.04 (или смежным)
Сетевой договор с вузом о реализации модуля
Модуль должен быть включен в учебный план как обязательная дисциплина или дисциплина по выбору
Что нужно знать студенту на старте
Информационные технологии в профессиональной деятельности
/1.
Высшая математика (элементы линейной алгебры и математического анализа)
/2.
Теория вероятностей и математическая статистика
/3.
Основы программирования
/4.
Информатика
/5.
Теория графов
/6.
Основы геоинформатики
/7.
© Учебно-методический центр «Искусственный интеллект», 2026
Все материалы, размещённые на данном сайте, являются объектами авторского права. Запрещается их копирование, распространение или любое иное использование без указания первоисточника.
