В статье рассматривается переход от традиционных методов периодической диагностики автомобильных дорог к системе предиктивного управления их потребительскими свойствами на основе непрерывного мониторинга. Потребительские свойства трактуются как измеримые характеристики, воспринимаемые пользователем при движении (скорость и стабильность сообщения, безопасность, комфорт, надежность/доступность, информационная обеспеченность), и предлагается управлять ими через связку показатель → метрика → источник данных → управленческое действие . Исследование базируется на анализе современных инструментов сбора данных, таких как интернет вещей (IoT), системы межмашинного взаимодействия (V2X / M2M) и интеллектуальные датчики, установленные у участников движения и на дорожных машинах (в том числе мобильных диагностических комплексах) в связке с телематикой и сервисными регламентами, интегрированными в единую цифровую экосистему. В работе предложена концепция сервисно-ориентированного управления, где дорожная инфраструктура рассматривается не как статичный объект, а как динамический сервис, качество которого поддерживается за счет оперативного взаимодействия парка техники и систем предиктивной аналитики. Предложена целевая архитектура, включающая цифровой двойник дорожного объекта (в том числе для моделирования износа покрытий), сенсорные сети (IoT) и распределенные измерения, облачную ГИС-платформу и модули машинного обучения для обнаружения дефектов и прогнозирования деградации с учетом неопределенности. Показано, что внедрение предлагаемого подхода может повысить эксплуатационную надежность дорог, обеспечить достижение целевых показателей надежности/доступности сети и эффективности работ техники при выполнении условий качества данных и готовности парка техники. Практическая значимость работы заключается в возможности применения предложенных алгоритмов предприятиями дорожной отрасли для повышения эффективности использования парка машин и минимизации рисков возникновения аварийных ситуаций, вызванных техническим состоянием автомобильных дорог. Эффекты (снижение аварийности/затрат) рассматриваются как ожидаемые и обоснованные мировым опытом и литературными данными, при этом подчеркивается необходимость пилотных внедрений и строгой валидации качества данных для переноса в конкретные региональные условия.
This paper discusses the transition from traditional periodic road inspection methods to a system of predictive management of roadway serviceability based on continuous monitoring. Serviceability is defined here as measurable characteristics perceived by the user during travel (travel speed and flow stability, safety, comfort, reliability/availability, and information support). The paper proposes managing these characteristics through an indicator → metric → data source → management action framework. The study relies on an analysis of modern data collection tools—such as the Internet of Things (IoT), Vehicle-to-Everything (V2X) and Machine-to-Machine (M2M) systems, and smart sensors installed on road user vehicles and maintenance fleets (including mobile diagnostic units)—combined with telematics and maintenance protocols integrated into a single digital ecosystem. The paper introduces a concept of service-oriented management, where road infrastructure is viewed not as a static object but as a dynamic service, the quality of which is maintained through the real-time interaction of the equipment fleet and predictive analytics systems. A target architecture is proposed, comprising a digital twin of the road asset (including pavement deterioration modeling), sensor networks (IoT) and distributed measurements, a cloud-based GIS platform, and machine learning modules for defect detection and degradation forecasting under uncertainty. It is shown that implementing the proposed approach can increase the operational reliability of roads and ensure the achievement of network reliability/availability targets and fleet efficiency, provided that data quality and fleet readiness conditions are met. The practical significance of this work lies in the potential for road agencies to apply the proposed algorithms to improve fleet utilization efficiency and minimize accident risks caused by roadway conditions. While the benefits (reduction in accidents and costs) are considered expected and substantiated by global experience and literature, the study emphasizes the necessity of pilot implementations and strict data quality validation for application in specific regional conditions.