Статья посвящена разработке базовой онтологической модели управления проектами дорожного хозяйства, основанной на технологиях цифровых двойников и методах искусственного интеллекта. В отличие от существующих решений, предложенная модель обеспечивает глубокую интеграцию гетерогенных данных в единую семантическую структуру, что позволяет минимизировать информационные разрывы, повысить точность управленческих решений и снизить влияние человеческого фактора на процесс принятия решений. В работе детально рассмотрен онтологический подход к формализации ключевых сущностей, их атрибутов и взаимосвязей в контексте управления дорожной инфраструктурой. Особое внимание уделено обработке неструктурированных данных, таких как обращения граждан, отчеты подрядчиков и результаты автоматизированного мониторинга состояния дорожного покрытия. Для анализа текстовой информации применены современные алгоритмы обработки естественного языка на основе нейросетевых архитектур, а также методы машинного обучения, обеспечивающие автоматическую классификацию и извлечение значимых параметров: локация дефектов, тип проблем, степень критичности, ответственные организации и сроки реагирования. Ключевое преимущество предложенной модели заключается в её способности динамически объединять данные из разрозненных источников, включая геопространственные данные, показания датчиков, нормативные документы и отчеты, в единую семантическую сеть. Это не только устраняет информационную фрагментацию, но и обеспечивает согласованность управленческих решений на всех уровнях. Дополнительным достоинством является возможность прогнозирования развития дефектов и оптимизации ресурсного планирования на основе исторических данных и предиктивной аналитики. Результаты тестирования подтверждают повышение эффективности управления дорожным хозяйством за счет сокращения времени обработки данных и увеличения точности диагностики проблемных участков.
The article presents the development of a foundational ontological model for managing road infrastructure projects, utilizing digital twin technologies and artificial intelligence methods. Unlike existing solutions, the proposed model enables deep integration of heterogeneous data into a unified semantic framework, minimizing information gaps, improving decision-making accuracy, and reducing human factor influence in the decision-making process. The study details an ontological approach to formalizing key entities, their attributes, and relationships within road infrastructure management. Special emphasis is placed on processing unstructured data, including citizen complaints, contractor reports, and automated road condition monitoring results. For textual data analysis, advanced natural language processing algorithms based on neural network architectures are employed, alongside machine learning methods that enable automatic classification and extraction of critical parameters: defect locations, problem types, severity levels, responsible organizations, and response timelines. The core advantage of the proposed model lies in its ability to dynamically integrate data from disparate sources-such as geospatial data, sensor readings, regulatory documents, and reports-into a unified semantic network. This not only eliminates information fragmentation but also ensures decision-making consistency across all levels. An additional benefit is the model’s predictive capability, allowing defect progression forecasting and resource planning optimization based on historical data and predictive analytics. Testing results confirm improved road infrastructure management efficiency through reduced data processing time and enhanced accuracy in identifying problem areas.