Разработка единой централизованной системы управления транспортными потоками

В настоящее время наблюдается рост информации для интеллектуального анализа данных в транспортных системах, основная причина — увеличение количества разнородных источников. Актуальность темы заключается в необходимости сбора, обработки, агрегирования, моделирования больших объемов неструктурированных сведений, которые не могут быть эффективно обработаны традиционными методами. С возрастающим потоком автотранспорта, его разнообразием, возникает потребность в оптимизации процессов транспортировки и логистики, повышении системной безопасности автодвижения. Создание информационной базы знаний поможет решить ряд важных проблем, в том числе: эффективность использования автодорог, уменьшение ядовитых выбросов, контроль и разгрузка транспортного потока, уменьшение количества аварий, быстрое оповещение служб.

Описана идея разработки единой централизованной системы управления транспортным потоком. Для сбора, хранения и обработки разнородной информации предлагается использовать облачную инфраструктуру с разделением вычислений. С целью качественной обработки и агрегирования разнородных сведений рекомендуется исследовать скрытые зависимости в данных, строить и анализировать различные варианты агрегирования и интерпретировать их применительно к конкретным задачам.

Система должна соединять всех участников наземного движения, собирать разнородные материалы, которые могут быть получены от их устройств и множества датчиков, а также автоматизировать управление и принятие решений в транспортных системах. Неструктурированные сведения необходимо правильно интерпретировать, категоризировать и последовательно маркировать для выявления неявных связей между данными.

Научная новизна исследования состоит в формировании функций разрабатываемой системы, описании основных аспектов, требований, интерфейсов, моделей и методов агрегирования разнородных данных.

Результаты работы могут быть использованы не только для анализа больших данных в сфере транспорта, но и в других направлениях при решении задач обработки разнородной информации.

1. Багутдинов Р.А. Классификационная характеристика для задач обработки разнородных данных // International Journal of Open Information Technologies. 2018. Т. 6. № 8. С. 14–18.

2. Багутдинов Р.А. Подход к обработке, классификации и обнаружению новых классов и аномалий в разнородных и разномасштабных потоках данных // Вестник Дагестанского государственного технического университета. Технические науки. 2018. Т. 45. № 3. С. 85–93. DOI: 10.21822/2073-6185- 2018-45-3-85-93

3. Багутдинов Р.А. Проектирование модульной мультисенсорной системы для задач мониторинга окружающей среды на базе arduino // Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 2019. Т. 46. № 1. С. 173–180. DOI: 10.18413/2411-3808-2019-46- 1-173-180

4. Багутдинов Р.А. Разработка мультисенсорной системы для задач мониторинга и интерпретации разнородных данных // Системный администратор. 2019. № 3 (196). С. 82–85.

5. Голубев О.В. «Безлюдные» технологии в железнодорожном транспорте Арктической зоны // Техник транспорта: образование и практика. 2020. Т. 1. № 3. С. 185–193. DOI: 10.46684/2687-1033.2020.3.185-193

6. Головнич А.К. Визуальная реконструкция технологических операций в трехмерной модели железнодорожной станции // Техник транспорта: образование и практика. 2020. Т. 1. № 1–2. С. 68–75. DOI: 10.46684/2687-1033.1.12

7. Островский О.А. Алгоритм мероприятий по анализу ситуации при подозрении в совершении преступлений в сфере компьютерной информации с учетом специфики источников данных этой информации // Право и политика. 2018. № 10. С. 32–37. DOI: 10.7256/2454-0706.2018.10.22879

8. Островский О.А. Процессы применения информационных следов при расследовании преступлений в сфере компьютерной информации // Правовые проблемы укрепления российской государственности. 2019. С. 190–191.

9. Островский О.А., Шевелева И.А. Проблематика формирования и правового регулирования больших данных в исследовании информационных цифровых следов // Уголовное производство: процессуальная теория и криминалистическая практика: материалы VIII Международной научно-практической конференции. 2020. С. 57–59.

10. Островский О.А. Специфика алгоритма назначения ситуационных экспертиз // Судебно-медицинская экспертиза. 2019. Т. 62. № 2. С. 48–51. DOI: 10.17116/sudmed20196202148

11. Маликов О.Б., Покровская О.Д. Анализ системы нормирования на железнодорожном транспорте с позиций логистики и клиентоориентированности // Известия Петербургского университета путей сообщений. 2017. Т. 14. № 2. С. 187–199.

12. Журавлева Н.А. Развитие рынка услуг железнодорожного транспорта в контексте экономической безопасности России // Экономические науки. 2015. № 11 (132). С. 15–19.

13. Ермолаев К.Н. и др. Экономика России: прошлое, настоящее и будущее: коллективная монография / под общ. ред. Н.А. Адамова. М.: Институт исследования товароведения и конъюнктуры оптового рынка, 2014. С. 248.

14. Bierer B., Nägele H.J., Perez A.O., Wöllenstein J., Kress P., Lemmer A. et al. Real-Time Gas Quality Data for On-Demand Production of Biogas // Chemical Engineering & Technology. 2018. Vol. 41. Pp. 696–701. DOI: 10.1002/ceat.201700394

15. Regazzoni C.S., Foresti G.L. Guest Editorial: Video Processing and Communications in Real-Time Surveillance Systems // Real-Time Imaging. 2001. Vol. 7. Issue 3. Pp. 381–388. DOI: 10.1006/rtim.2001.0207

16. Lees K.J., Quaife T., Artz R.R.E., Khomik M., Clark J.M. Potential for using remote sensing to estimate carbon fluxes across northern peatlands — A review // Science of The Total Environment. 2018. Vol. 615. Pp. 857–874. DOI: 10.1016/j.scitotenv.2017.09.103

17. Moreno-Garcia J., Rodriguez-Benitez L., Fernґandez-Caballero A., Lґopez M.T. Video sequence motion tracking by fuzzification techniques // Applied Soft Computing. 2010. Vol. 10. Issue 1. Pp. 318–331. DOI: 10.1016/j.asoc.2009.08.002

18. Sharma M.Z. A data mining tool for detection of suspicious criminal activates based on decision tree // 2014 International Conference on Data Mining and Intelligent Computing. 2014. Pp. 1–6. DOI: 10.1109/ICDMIC.2014.6954268

19. Waleed J., Abdullah D.A., Khudhur M.H. Comprehensive Display of Digital Image Copy-Move Forensics Techniques // 2018 International Conference on Engineering Technology and their Applications (IICETA). 2018. Pp. 155–160. DOI: 10.1109/ IICETA.2018.8458084

20. Wang Y., Chi Z. System of Wireless Temperature and Humidity Monitoring Based on Arduino Uno Platform // 2016 Sixth International Conference on Instrumentation & Measurement, Computer, Communication and Control (IMCCC). 2016. Pp. 770–773. DOI: 10.1109/IMCCC.2016.89

21. Wen B., Luo Z., Wen Y. Evidence and Trust: IoT Collaborative Security Mechanism // 2018 Eighth International Conference on Information Science and Technology (ICIST). 2018. DOI: 10.1109/ICIST.2018.8426148

22. Yurkova O.N. Application of data analysis methods for automation of ontology formation // Herald of Dagestan State Technical University. Technical Sciences. 2018. Vol. 45. Issue 1. Pp. 172–180. DOI: 10.21822/2073-6185-2018-45-1-172-180

23. Xie M., Hu J., Tian B. Histogram-based online anomaly detection in hierarchical wireless sensor networks // 2012 IEEE 11th International Conference on Trust, Security and Privacy in Computing and Communications. 2012. DOI: 10.1109/trustcom.2012.173

24. Zhou K., Tang J. Uncertainty quantification in structural dynamic analysis using two-level Gaussian processes and Bayesian inference // Journal of Sound and Vibration. 2018. Vol. 412. Pp. 95–115. DOI: 10.1016/j.jsv.2017.09.034