Цель. Целью статьи является обзор возможностей, подходов и приемов Big Data в области исследования и обеспечения функциональной безопасности транспортных систем, в том числе беспилотных систем. Отмечается, что современные технологии, приводящие к созданию транспортных систем нового поколения, эксплуатирующихся в изменчивых условиях и при значительном уровне пассажиронапряженности, требуют изменений в сложившихся схемах построения систем управления. В условиях роста агломераций многие пригородные системы сливаются с городскими, а интервалы движения в них приближаются по своей величине к интервалам движения в метрополитене. В этих условиях происходит переход от человеко-машинных систем к системам автоматическим, характеризующимся различной степенью автоматизации. Наблюдается масштабное внедрение цифровых средств связи, автоматизации технологических операций и дистанционного сбора данных и механизмов управления в сфере железнодорожных перевозок. Изменение поведения транспортных систем как подвида киберфизических систем приводит к смене парадигмы управления с линейно-функциональной к адаптивной с принципиально нелинейными системами с переменной структурой и переменными параметрами.

Методы. Традиционно для систем управления устойчивость оценивается по Ляпунову, в этом случае поведение устойчивой системы со 100% вероятностью можно представить в окрестности ε-трубки. Для рассматриваемых контролируемых систем, в которых устойчивость появляется за счет введения алгоритма-супервайзера, говорить о строгой устойчивости по Ляпунову некорректно. Идея контролируемых алгоритмов может распространяться не только на ИНС, но и на другие интеллектуальные алгоритмы. При этом выделяется область систем и знаний, не охваченная современными нормативными документами и методами доказательства безопасности. Выявление и исключение аномальных сигналов таких систем в этом случае позволят уточнить границы множества допустимых процессов, увеличив в ряде случаев быстродействие алгоритмов принятия решений за счет отключения целой ветви неблагоприятных сценариев.

Результаты. Для нелинейных транспортных систем с переменной структурой и переменными параметрами рассмотрены примеры использования машинного обучения/больших данных (ML/Big Data) в анализе функциональной безопасности сложных систем управления на железнодорожном транспорте. Предложена конструкция применения контролируемых искусственных нейронных сетей во взаимодействии с принципами верификации кода (model checking). Особое внимание уделено искусственным нейронным сетями с элементами управления, которые рассматриваются в качестве нового подкласса нейронных сетей.

Заключение. Сформированы современные требования к транспортным системам с применением искусственного интеллекта для адаптивного графика движения поездов и беспилотных систем управления. Это позволит в дальнейшем развивать целое направление исследований, связанное с функционированием сложных систем с контринтуитивным поведением – от оценки уровня функциональной безопасности систем с применением ИИ и машинного обучения до доказательства безопасности интеллектуальных контролируемых систем управления на основе методов формальной верификации.