В статье рассматривается решение задачи выбора наиболее подходящего маршрута движения беспилотных транспортных средств среди нескольких альтернатив. При выборе оцениваются параметры маршрутов (протяженность, средняя скорость трафика, проходимость, погода, количество заправочных станций), а также параметры точки старта (количество заправочных станций, стоимость парковки, погода) для возможности принятия решения о приостановке движения. Для анализа формируется синтетический набор данных с явной корреляцией параметров. Применимость датасета проверяется на линейных моделях с различным количеством входных парамтеров. Рассматриваются различные архитектуры нейронных сетей: линейные, рекуррентные (RNN), нейронные сети с долгой краткосрочной памятью (LSTM), трансформеры. Приведен анализ работы моделей. Определяются следующие преимущества и недостатки рассматриваемых архитектур для задачи: LSTM и RNNнаименее подвержены переобучению на наборе данных маршрутов; затраты на время обучения у RNNменьше, чем у других рассмотренных моделей; скорость вычисления у LSTM и RNNвыше, чем у transformer (при одинаковом количестве параметров); при малом количестве параметров точность модели transformer выше. Сделан вывод о том, что transformer лучше справляется с задачей по выявлению связей между параметрами маршрута для выбора лучшего варианта, однако необходимо следить за переобучением, также благодаря тому, что Transformer требует меньшее количество параметров для стабильной работы, это может скомпенсировать проигрыш во времени расчета в сравнении с RNN и LSTM.

The article considers the solution to the problem of choosing the most suitable route for unmanned vehicles among several alternatives. When choosing, the route parameters (length, average traffic speed, passability, weather, number of gasstations) are evaluated, aswell as the parameters of the starting point (number of gasstations, parking cost, weather) for the possibility of making a decision to suspend traffic. A synthetic data set with an explicit correlation of parameters is formed for the analysis. The applicability of the dataset is tested on linear models with a different number of input parameters. Various architectures of neural networks are considered: linear, recurrent (RNN), neural networks with long short-term memory (LSTM), transformers. An analysis of the operation of the models is given. The following advantages and disadvantages of the considered architectures for the task are determined: LSTM and RNN are least susceptible to retraining on a set of route data; RNNtraining time costs are lower than for other models considered; The calculation speed of LSTM and RNN is higher than that of transformer (with the same number of parameters); with a small number of parameters, the accuracy of the transformer model is higher. It is concluded that transformer copes better with the task of identifying relationships between route parameters in order to choose the best option, however, it is necessary to monitor retraining, also due to the fact that Transformer requires fewer parameters for stable operation, this cancompensate for the loss in calculation time compared to RNN and LSTM. № 1 ( - ) 2026. 58