1 Состояние вопроса исследования и актуальность работы Формирование рациональной структуры парка грузовых автомобилей является ключевой задачей автотранспортного предприятия (АТП), определяющей его способность выполнять перевозки с требуемым уровнем сервиса при минимально возможных затратах. Ошибки в планировании структуры парка приводят либо к дефициту автомобилей, что вызывает невыполнение заявок и рост доли привлеченного транспорта, либо к избыточному количеству автомобилей, что увеличивает постоянные затраты и простои транспортных средств [1, 2].Традиционные методы формирования парка, основанные на нормативных показателях и усреднённых коэффициентах, не учитывают индивидуальные особенности перевозок и скрытые закономерности, присутствующие в исторических данных [3, 4]. Как отмечают исследователи [5, 6], существующие подходы к планированию парка можно классифицировать на нормативно-аналитические, статистико-прогнозные, имитационные, оптимизационные и методы на основе искусственного интеллекта. Каждый из этих подходов имеет ограничения: нормативно-аналитические методы не адаптируются к изменяющимся условиям, статистико-прогнозные требуют стационарности временных рядов, имитационное моделирование сложно в настройке, а оптимизационные методы чувствительны к точности входных параметров [7, 8].В последние годы активно развиваются методы машинного обучения (ML) для решения задач транспортного планирования [9, 10]. Исследования показывают, что ML-модели способны выявлять нелинейные зависимости между признаками заказов и оптимальными параметрами подвижного состава [11, 12]. Однако применение только ML-моделей не обеспечивает формализованного учёта ограничений и целевых функций, характерных для задач планирования парка [13].Актуальность темы усиливается следующими условиями: выраженная сезонность и непостоянство спроса; неоднородность грузопотоков и маршрутная вариативность; необходимость оперативного пересчета потребности в автомобилях при изменении планов перевозок; развитие цифровых технологий и переход к управлению на основе данных [14-16].Цель исследования – разработка интеллектуального метода формирования парка АТП, обеспечивающего обоснованный выбор структуры парка грузовых автомобилей с учётом объёмов партий грузов, грузоподъёмности, коэффициента использования грузоподъёмности, сезонных колебаний и прогнозируемых изменений спроса.Для достижения цели поставлены следующие задачи: анализ существующих методов формирования парка и моделей машинного обучения; разработка структуры интеллектуального метода, объединяющего ML-классификацию и оптимизационный расчёт; обоснование выбора ML-алгоритмов; экспериментальная апробация метода на реальных данных. 2 Материалы и методы  В исследовании применён комплексный методологический подход, объединяющий методы системного анализа, математической оптимизации, машинного обучения, статистической обработки данных и проектирования программных средств. Выбор и интеграция указанных методов обусловлены сложностью решаемой задачи формирования парка грузовых автомобилей, требующей учёта множества взаимосвязанных факторов при обработке больших объёмов исторических данных.Для декомпозиции задачи формирования парка применён метод системного анализа, позволивший выделить ключевые факторы эффективности функционирования автотранспортного предприятия. В ходе анализа определены следующие структурные элементы системы: спрос на перевозки, характеризуемый объёмами партий грузов, маршрутной структурой и сезонными колебаниями; подвижной состав, дифференцированный по типам грузоподъёмности; эксплуатационные затраты, включающие постоянную и переменную составляющие. Выявлены причинно-следственные связи между указанными элементами, а также ограничения, накладываемые техническими характеристиками транспортных средств, временными интервалами доставки и обратными рейсами. Построенная концептуальная модель послужила основой для формализации задачи и выбора методов её решения.Для формализованного расчёта оптимальной структуры парка использованы методы линейного и целочисленного программирования (LP/MILP). Оптимизационная модель построена на основе группировки заказов по маршрутам с целевой функцией минимизации количества транспортных средств, необходимых для выполнения заданного объёма перевозок. В модель интегрированы дифференцированные коэффициенты использования грузоподъёмности, рассчитанные на основе исторических данных, а также коэффициент использования обратных рейсов, принимающий значения от 0,7 до 0,85 в зависимости от маршрутной структуры. Ограничения модели включают: соответствие грузоподъёмности выделенного транспортного средства весу перевозимого груза с учётом планового коэффициента загрузки; не превышение установленных сроков доставки; целочисленность переменных, определяющих количество транспортных средств каждого типа.Для обработки исторических данных и подготовки входных параметров для ML-моделей и оптимизационного расчёта применён комплекс статистических методов. Расчёт описательных статистик (среднее арифметическое, медиана, стандартное отклонение, 75-й и 90-й перцентили) выполнен для фактических коэффициентов использования грузоподъёмности по каждому типу транспортного средства. Это позволило выявить существенные различия в загрузке между типами и обосновать применение дифференцированных нормативов [17, 18]. Анализ сезонности спроса проведён с помощью вычисления месячных коэффициентов сезонности на основе временных рядов объёмов перевозок. Коэффициенты рассчитаны как отношение среднего значения показателя за месяц к среднегодовому значению, что обеспечило возможность прогнозирования потребности в парке с учётом сезонных колебаний.Для классификации типа грузового автомобиля под конкретную перевозку применены четыре алгоритма машинного обучения, представляющие различные классы моделей: логистическая регрессия (линейная модель с высокой интерпретируемостью), случайный лес (ансамблевый метод на основе деревьев решений, устойчивый к выбросам), градиентный бустинг (ансамблевый метод последовательного улучшения моделей, обеспечивающий высокую точность) и многослойный перцептрон (нейросетевая модель, способная моделировать сложные нелинейные взаимодействия признаков) [19, 20]. Обучение моделей выполнено на исторических данных, размеченных с использованием дифференцированных коэффициентов загрузки. Оценка качества классификации проводилась по метрикам accuracy (доля правильно классифицированных заказов), precision (точность предсказания для каждого типа транспортного средства), recall (полнота выявления заказов каждого типа) и F1-score (гармоническое среднее precision и recall) [21, 22]. Выбор лучшей модели осуществлялся на основе совокупности указанных метрик с приоритетом F1-score как наиболее сбалансированного показателя при неравномерном распределении классов.Реализация интеллектуального метода формирования парка выполнена в форме исследовательских прототипов в среде Jupyter Notebook, что обеспечило интерактивность разработки, визуализацию промежуточных результатов и возможность итеративного улучшения моделей. Архитектура программного решения включает модули: загрузки и предобработки данных, статистического анализа, обучения и оценки ML-моделей, оптимизационного расчёта, анализа сезонности и прогнозирования. Визуализация процесса формирования парка автомобилей и алгоритм программы представлены на рис. 1 и рис. 2.В качестве эмпирической базы использован публичный датасет SCMS Delivery History, содержащий 10324 записи о доставках. Для анализа отобраны 2830 записей, соответствующих автомобильному виду транспорта. Датасет включает следующие категории признаков: географические (страна и город отправления и назначения), временные (дата и время отправления и прибытия), транспортные (тип подвижного состава, грузоподъёмность, тип топлива), грузовые (вес груза, тип груза, стоимость перевозки, страхование), расчётные (протяжённость маршрута, время в пути, коэффициент использования грузоподъёмности). Предобработка данных включала очистку от пропусков (числовые признаки заполнены медианными значениями, категориальные – наиболее частотными), приведение числовых признаков к единому масштабу, кодирование категориальных переменных методом one-hot encoding. Расчет  Рисунок 1 – Визуализация процесса формирования парка автомобилей (Swim Lane Diagram)    Рисунок 2 – Алгоритм программы расчета и прогноза парка автомобилей Экспериментальное исследование проведено в несколько этапов. На первом этапе выполнены расчёты описательных статистик коэффициентов использования грузоподъёмности по каждому типу транспортного средства и определения плановых нормативов на уровне 75-го перцентиля. На втором этапе выполнена разметка целевой переменной – каждому заказу присвоен тип грузового автомобиля с учётом рассчитанных нормативов. На третьем этапе проведено обучение четырёх ML-моделей с разделением данных на обучающую (75 %) и тестовую (25 %) выборки с сохранением распределения классов. На четвёртом этапе выполнена оптимизация парка по маршрутам с использованием методов линейного программирования, результаты агрегированы и сопоставлены с традиционным автоматизированным подходом. На пятом этапе проведён анализ сезонности и сценарное моделирование изменения спроса. Все вычисления выполнены с использованием библиотек Python: pandas и numpy – для обработки данных, scikit-learn – для обучения и оценки ML-моделей, scipy.optimize – для решения оптимизационных задач, matplotlib и seaborn – для визуализации результатов.  3 Результаты исследований Результаты статистического анализа коэффициентов использования грузоподъёмности представлены в табл. 1.Наибольшая загрузка наблюдается у сверхтяжёлых грузовиков (SuperHeavy): средняя 0,749, 75 % заказов имеют загрузку не ниже 1,0. Тяжёлые грузовики (HeavyTruck) имеют среднюю загрузку 0,583, p75 = 0,71. Средние грузовики (MediumTruck) демонстрируют среднюю загрузку 0,68, p75 = 0,802. Лёгкие (LightTruck) и мини-грузовики (MiniTruck) имеют наиболее низкую загрузку: средняя 0,38-0,39, p75 = 0,355 и 0,599 соответственно, что указывает на систематическое недоиспользование их грузоподъёмности. Разброс значений (std) значителен, особенно у MiniTruck (0,281), что свидетельствует о высокой вариативности весов перевозимых грузов.Полученные данные показывают, что фактические коэффициенты использования существенно различаются по типам грузовиков и не соответствуют единому нормативному значению (например, 0,85), что обосновывает необходимость использования дифференцированных коэффициентов. Результаты обучения моделей представлены в табл. 2. Таблица 1 – Статистические характеристики коэффициента использования грузоподъёмностиТип грузовика(Vehicle load capacity)Грузоподъем-ность, т(Count n) Количество наблюдений(Mean)Среднееарифметическое(Median)Медиана (Std)Стандартноеотклонение (p75)75-й процентиль(p90)90-й процентиль (HeavyTruck)тяжёлый7-202630,5830,5340,1820,7100,873(LightTruck)лёгкий1-319020,3920,3550,1180,3550,464(MediumTruck) средний3-72260,6800,6500,1620,8020,920(MiniTruck) мини-грузовикдо 13580,3840,3400,2810,5990,820(SuperHeavy) сверхтяжёлыйболее 20810,7490,7030,1931,0001,000 Модель Gradient Boosting демонстрирует наилучшие показатели по всем метрикам: Accuracy 0,9958, F1-Score 0,9957. Время обучения составляет 2,78 секунды, что является приемлемым для практического применения. Это позволяет правильно подобрать тип транспортного средства под каждый заказ с учётом веса, стоимости, страны и производителя, а не по жёсткому правилу «вес ≤ грузоподъёмность». Несмотря на большее время обучения по сравнению с методом случайного леса, качество предсказаний является приоритетным критерием, поэтому градиентный бустинг принят для использования в интеллектуальной системе.Заказы сгруппированы по маршрутам. Для каждого маршрута решена задача линейного программирования с дифференцированными коэффициентами загрузки и учётом обратных рейсов. Результаты оптимизации представлены в табл. 3. Таблица 2 – Сравнение метрик качества моделей классификацииМодельТип моделиAccuracyТочностьклассификацииPrecisionТочностьпредсказанийRecallПолнотаF1-ScoreСреднее между Precision и RecallВремяобучения (с)(Gradient Boosting)градиентный бустингАнсамбль(бустинг)0,99580,99580,99580,99572,7795(Random Forest) «случайный лес»Ансамбль(деревья)0,98450,98480,98450,98430,7379(Neural Network  Multi-layer Perceptron (MLP)нейронная сеть «многослойный перцептрон»Нейросеть0,96470,96500,96470,96446,1387(Logistic Regression)статистическая модель «логистическая регрессия)Обобщеннаялинейная(сигмоидная)0,89970,89950,89970,89330,2272 Таблица 3 – Сравнение автоматизированного и интеллектуального подходовПоказательАвтоматизированный подходИнтеллектуальный подходИзменениеНеобходимоеколичество ТС14271-50 %Эксплуатационныезатраты, у.е.1 000 000470 000-53 %Коэффициент загрузки0,750,82-0,85+20 %Точность прогноза76 %88-93 %+12-17 % Интеллектуальный подход обеспечивает сокращение необходимого парка на 50 % и снижение эксплуатационных затрат на 53 % при сохранении объёма перевозок. Повышение коэффициента загрузки с 75 % до 82-85 % свидетельствует о более эффективном использовании подвижного состава. Выполнен анализ сезонности спроса с вычислением месячных коэффициентов сезонности. Прогноз потребности в парке на каждый месяц с учётом сезонных колебаний представлен в табл. 4. Точность прогноза, оценённая на основе модели градиентного бустинга, составила 99,6 %. Таблица 4 – Прогноз потребности в парке на каждый месяцНомер месяца123456789101112Итого(HeavyTruck)тяжёлый11111111111112(LightTruck)лёгкий32334434433340(MediumTruck )средний11111121111113(MiniTruck) мини-грузовик11111111111112(SuperHeavy) сверхтяжёлый11111111111112Итого76778898877789 Проведён сценарный анализ изменения спроса в диапазоне от –30 % до +30 % (табл. 5). Таблица 5 – Рекомендации по изменению парка при изменении спросаСценарий, %Изменение спросаОбщееколичество заказовОбщий вес, тКоличество грузовиковИзменение парка, %Инфестиции, у.е.Изменениеинвестиций, %-30%-3019786660,37-12.5550,000-7.6-20%-2022627611,77-12.5550,000-7.6-10%-1025458563,17-12.5550,000-7.6+0%028309514,680.0595,0000.0+10%10311010466,180.0595,0000.0+20%20339311417,5912.5660,00010.9+30%30367712368,9912.5660,00010.9 При росте спроса на 30 % необходимый парк увеличивается на 12,5 %, при снижении спроса на 30 % – сокращается на 11,8 %. Инвестиционные затраты на парк при росте спроса увеличиваются на 10,9 %. 4 Обсуждение и заключение Полученные результаты подтверждают преимущества гибридного подхода, объединяющего машинное обучение и оптимизацию. В отличие от традиционных нормативно-аналитических методов [3, 4], предложенный подход учитывает индивидуальные особенности каждого заказа и извлекает скрытые закономерности из исторических данных. По сравнению с чисто оптимизационными методами [8] ML-компонент позволяет получить более точные входные параметры для оптимизационной задачи.Использование дифференцированных коэффициентов использования грузоподъёмности, вычисленных на основе 75-го перцентиля фактических значений, устраняет разрыв между теорией и практикой, характерный для подходов, применяющих единый нормативный коэффициент [23, 24]. Это особенно важно для малотоннажных грузовых автомобилей, где фактическая загрузка систематически ниже нормативной.Высокое качество классификации, достигнутое моделью градиентного бустинга (F1-score 0,89), согласуется с результатами других исследований по применению ансамблевых методов в транспортных задачах [12, 25]. Способность градиентного бустинга выявлять нелинейные зависимости и устойчивость к выбросам делают его предпочтительным выбором для задач классификации на основе табличных данных.Сокращение парка на 50 % при сохранении объёма перевозок имеет важное практическое значение для автотранспортных предприятий. Снижение эксплуатационных затрат на 53 % достигается за счёт более точного соответствия парка структуре спроса, уменьшения простоев и повышения коэффициентов использования подвижного состава [26, 27].Повышение точности прогноза до 88-93 % (на 12-15 % выше традиционных методов) позволяет автотранспортному предприятию более обоснованно планировать развитие парка и избегать как дефицита, так и избытка транспортных средств [28].В качестве ограничения следует отметить, что исследование проведено на основе одного датасета. Для подтверждения универсальности метода требуется его апробация на данных различных автотранспортных предприятий с разной структурой грузопотоков и региональными особенностями.Перспективным направлением дальнейших исследований является интеграция в систему дополнительных факторов: технической готовности подвижного состава, ограничений по водительскому составу, требований к экологическому классу транспортных средств. Также представляет интерес разработка методов интерпретации предсказаний ML-моделей для повышения доверия к системе со стороны лиц, принимающих решения.В результате проведённого исследования разработан интеллектуальный метод формирования парка грузовых автомобилей, объединяющий классификацию типов транспортных средств на основе машинного обучения с оптимизационным расчётом методом линейного программирования.Проведён анализ фактических коэффициентов использования грузоподъёмности, на основе которого обоснована необходимость применения дифференцированных нормативов, вычисленных как 75-й перцентиль исторических данных.Выполнено сравнение четырёх моделей машинного обучения для классификации типа грузового автомобиля; модель градиентного бустинга показала наилучшие результаты (F1-score 0,99).Разработана оптимизационная модель, учитывающая маршрутную структуру перевозок, дифференцированные коэффициенты загрузки и возможность обратных рейсов.Экспериментально подтверждена эффективность предложенного метода: снижение эксплуатационных затрат на 53 %, сокращение необходимого парка на 50 %, повышение коэффициента использования грузоподъёмности на 20 % по сравнению с традиционным автоматизированным подходом.Интеграция машинного обучения и оптимизации позволяет извлекать скрытые закономерности из исторических данных, учитывать сезонность спроса, маршрутную структуру и индивидуальные особенности заказов, что обеспечивает более точное и экономически эффективное планирование парка грузовых автомобилей.