Формирование рациональной структуры парка грузовых автомобилей определяет способность автотранспортного предприятия выполнять перевозки с требуемым уровнем сервиса при минимальных затратах. Традиционные методы, основанные на нормативных показателях и усреднённых коэффициентах, не учитывают индивидуальные особенности перевозок и скрытые закономерности, присутствующие в исторических данных. В работе предложен интеллектуальный метод формирования парка, объединяющий классификацию типов грузовых автомобилей на основе машинного обучения с оптимизационным расчётом методом линейного программирования. Использован публичный датасет SCMS Delivery History (2830 записей автомобильных перевозок). Для каждого типа грузового автомобиля вычислен 75-й перцентиль фактического коэффициента использования грузоподъёмности, что позволило получить дифференцированные нормативы. Выполнено обучение четырёх моделей классификации: логистическая регрессия, случайный лес, градиентный бустинг, нейронная сеть.
Результаты. Лучшие результаты показала модель градиентного бустинга с F1-score 0,89, точностью классификации 88-93 %. Предложенный метод обеспечивает снижение эксплуатационных затрат на 53% и сокращение необходимого парка на 50% по сравнению с традиционным автоматизированным подходом при сохранении объёма перевозок. Коэффициент использования грузоподъёмности повышен с 75 % до 82-85 %. Интеграция машинного обучения и оптимизации позволяет извлекать скрытые закономерности из исторических данных, учитывать сезонность, маршрутную структуру и индивидуальные особенности заказов. Разработанный интеллектуальный метод может быть внедрён в промышленные системы управления парком грузовых автомобилей для автоматизированного формирования рекомендаций по структуре парка.