10912

только номинальные параметры двигателя, которые доступны даже из ре-

рошо, а для второго – 6L275 – точка минимуму находится вне номиналь- ных значений.

Рисунок 3 – Удельный часовой расход топлива дизеля 6VDS 29/24 AL

Можно видеть, что во втором случае, когда выбор величин 0,9 не слишком удачен, погрешность имеет приемлемое значение.

520

Рисунок 4 – Удельный часовой расход топлива дизеля 6L275

Имея модели, с помощью которых можно вычислить часовой расход топлива при различных нагрузках дизеля, определяемыхÚ условиями плава- ния, далее несложно определить величину выбросов $.

Масса выбросов СО2 за единицу времени вычисляется по выраже- нию [кг/ч]:

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1.Ваншейдт, В.А. Судовые двигатели внутреннего сгорания / В.А. Ваншейдт. - Л.: Судостроение, 1965. – 544 с.

2.Alderton, P. M. The optimum speed of ship. The Journal of Navigation, 34(3), 341–355. 1981.

3.Руководство по теплотехническому контролю серийных теплохо- дов. - М.: Транспорт, 1980. 424 с.

4.Платов, А.Ю. Эксплуатационный метод нормирования скорости и расхода топлива при автоматизированном планировании работы речных грузовых судов / А.Ю. Платов, Ю.В. Гусева // Вестник Волжской государ- ственной академии водного транспорта, 2017. – № 51. – С. 130-142.

5.Самыкин, Г.А. Исследование эксплуатационной экономичности главных двигателей речных теплоходов: дисс. канд. техн. наук: 05.08.05. / Г. А. Самыкин. - Горький, 1975. - 183 с.

521

ПРОКОПЕНКО Н.Ю., к. ф.-м. н., доцент кафедры прикладной информатики и статистики; ПРОКОПЕНКО М.С., магистрант кафедры водоснабжения, водоотведения, инженерной экологии и химии

ФГБОУ ВО «Нижегородский государственный архитектурно- строительный университет», г. Нижний Новгород, Россия, prokopenko_nu@mail.ru

ИСПОЛЬЗОВАНИЕ АП DEDUCTOR ДЛЯ АНАЛИЗА ДАННЫХ ЭКОЛОГИЧЕСКОГО МОНИТОРИНГА

Экологический мониторинг представляет собой комплексную систе- му наблюдений за состоянием окружающей среды, оценки и прогнозиро- вания изменений окружающей среды под воздействием различных, в том числе природных факторов. Чтобы обеспечить полноценный анализ и по- лучить достоверные прогнозы, нужно собрать, сохранить, обработать и проанализировать огромное количество сведений из самых разнообразных источников, а для этого необходим инструмент, объединяющий в себе пе- редовые информационные технологии и развитый математический аппа- рат.

При разработке проекта экологического мониторинга необходима следующая информация:

∙источники поступления загрязняющих веществ в окружающую природную среду – выбросы загрязняющих веществ промышленными, энергетическими, транспортными и другими средствами, приводящие к попаданию в реки и озера опасных веществ и разливу жидких загрязняю- щих и опасных веществ;

∙данные о состоянии антропогенных источников загрязнения – мощность источника загрязнения и месторасположение его, гидродинами- ческие условия поступления загрязнения в окружающую среду.

Все существующие алгоритмы первичной обработки результатов экологического мониторинга и их применение невозможно реализовать без программных вычислительных средств. До 2010 года господствующее по- ложение на этом рынке занимали программные продукты иностранных фирм. В настоящее время положение дел меняется – появилось несколько российских программ такого назначения, по своим характеристикам спо- собных успешно конкурировать с зарубежными, а по ряду параметров и превосходящие их. Аналитические платформы Deductor и Loginom, разра- ботанные компанией ООО «Аналитические технологии» (г. Рязань), явля- ются одними из лучших отечественных разработок в данной области.

В данной работе будет рассмотрена методика проведения анализа данных на основе технологий Data Mining [1, 2], используя возможности аналитической платформы Deductor [2, 3].

522

Аналитическая платформа (АП) – это комплекс программных про- дуктов, связанных единой архитектурой. Аналитические платформы отно- сятся к группе программных продуктов и технологий под общим названи- ем Business Intelligence, они автоматизируют функции поддержки приня- тия решений.

АП Deductor продемонстрировал свою эффективность во множестве реальных проектов, так как в нем реализовано множество алгоритмов Data Mining: деревья решений, нейронные сети, самообучающиеся карты, ассо- циативные правила и многое другое. В Deductor вся обработка данных производится при помощи мастеров: импорт, экспорт, обработка, визуали- зация. Комбинируя эти действия, строятся сценарии анализа, позволяющие решать огромный спектр актуальных в настоящее время задач для эколо- гического мониторинга, таких как:

−построение матриц превышения фоновой концентрации;

−построение матрицы суммарного показателя загрязнения;

−просмотр графиков изменения показателя мониторинга;

−формирование отчетов и аналитических записок;

−прогнозирование экологических показателей.

Процесс обработки данных экологического мониторинга, используя АП Deductor состоит из следующих этапов:

−считывание данных с датчиков;

−выгрузка данных в единое хранилище;

−предобработка данных (оценка качества данных, сортировка, группировка, предварительный анализ);

−обработка и анализ данных (сравнение показателей с предельно допустимой концентрацией ПДК; сравнение полученных показателей с показателями за предыдущий период; построение моделей прогнозирования показателей; составление отчетности).

Аналитическая платформа позволяет осуществлять различные мето- ды анализа хранимых данных, такие как статистический анализ, интеллек- туальный анализ (а именно построение нейронных сетей и деревьев реше- ний для прогнозирования экологической ситуации), а также построение OLAP-кубов для визуализации результатов анализа.

Аналитическая отчетность – это одно из средств визуализации и кон- солидации результатов анализа данных для конечного пользователя. Ана- литическая отчетность обеспечивает быстрый доступ к результатам анали- за, не требуя от пользователя навыков анализа данных и работы в Deductor. Отчеты строятся в виде древовидного иерархического списка, каждым уз- лом которого является отдельный отчет или папка, содержащая несколько отчетов. Каждый узел дерева отчетности связан со своим узлом в дереве сценария. Для каждого отчета настраивается свой способ отображения (таблица, гистограмма, кросс таблица, кросс диаграмма и другие).

523

Для поставленных задач в АП Deductor были построены отчеты (рис.

1):

Рисунок 1 - Панель отчетов в АП Deductor

Используя возможности OLAP-анализа, можно получить отчеты в виде OLAP-кубов и кросс-диаграмм, которые будут отражать динамику за- грязнения различных объектов на протяжении всего периода загрязнения, отношение того или иного загрязнителя к уровню его предельно допусти- мой концентрации (ПДК), процентное соотношение качества вод региона и другие показатели.

Отчет «Среднее значение загрязнителя» (рис. 2) построен в виде OLAP – куба, он представляет собой сводную таблицу по измерениям «Створ» и «Название загрязнителя». Данный отчет является универсаль- ным, так как имеется возможность выбора любого объекта из базы данных для быстрого составления отчетности.

Рисунок 2 - Отчет «Среднее значение загрязнителей»

Для решения таких важных задач анализа, как прогнозирование, кла- стеризация, оптимизация недостаточно механизмов визуализации. Для этих задач необходимо построение прогностических моделей, нахождение нетривиальных зависимостей. Глубокий и всесторонний анализ данных методами Data Mining позволяет обнаружить проблемы на ранней стадии их возникновения и принять правильные решения по их устранению.

Так, например, для отнесения водных объектов на основе индекса за- грязнения воды ИЗВ к определенному классу было получено дерево реше-

524

ний (рис. 3). Критерии отнесения того или иного водного объекта к кон- кретному классу описаны в таблице 1.

Рисунок 3 – Дерево решений Таблица 1 – Классы качества вод в зависимости от значения ИЗВ

Ваналитической платформе Deductor существует специальный обра- ботчик «Нейроcеть».

Нейронная сеть – параллельно распределенная система процессор- ных элементов (нейронов), способных выполнять обработку данных, кото- рая может настраивать свои параметры в ходе обучения на эмпирических данных.

Вкачестве обучающего множества брали массив данных, содержа- щий значения загрязнителей за определенный период времени. Для про- верки результатов прогноза в модель не было включено последнее из име- ющихся значений загрязнителя.

Входе проектирования нейросетевой модели были реализованы не- сколько архитектур нейронных сетей и была выявлена оптимальная кон- фигурация нейронной сети.

Таблица 2 – Конфигурация нейронной сети

На основе нейронной сети был составлен прогноз значения загрязни- теля (рис. 4).

525

Рисунок 4 – Прогноз на основе ИНС

После построения прогноза значение загрязнителя было сравнено с имеющимся реальным значением на ту же дату. Расхождение прогнозиру- емого значения с фактическим составило 1,02 %, что говорит о довольно точном результате нейросетевого прогноза.

Полноценная информационная система экологического мониторинга смогла бы консолидировать, систематизировать и анализировать информа- цию о состоянии окружающей среды, а также о различных причинах изме- нений ее состояния, т.е. источниках и факторах воздействия, а также о до- пустимости изменений и нагрузок на окружающую среду в целом. Для со- здания такой информационной системы необходимо использовать совре- менные информационные технологии и новейшие программные продукты, в том числе предметно-ориентированные аналитические системы, которые приобретают в настоящее время всю большую и большую популярность.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1.Барсегян, А. А. Анализ данных и процессов : учеб. пособие / А. А. Барсегян, М. С. Куприянов, С. И. Елизаров. – 3-е изд., перераб и доп. – СПб. : БХВ-Петербург, 2009. – 512 с.

2.Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям – СПб.: Питер, 2013. – 624 с.

3.Аналитическая платформа Deductor [Электронный ресурс]. –

Режим доступа: https://basegroup.ru/deductor/description

526

ШИРОКОВ Д.С., студент кафедры информатики и информационных технологий; ЦВЕТКОВА И. Н., зав. кафедрой информатики и информационных технологий, канд. физ.-мат. наук, доцент; ГЛЕБОВА Н.В., зав. кафедрой математики и системного анализа, канд. техн. наук, доцент; ЛАРИЧЕВА Т.В., доцент кафедры информатики и информаци-

онных технологий, канд. пед. наук, доцент

Нижегородский институт управления - филиал Российской Академии Народного Хозяйства и Государственной Службы при Президенте Россий- ской Федерации (НИУ РАНХиГС),

г. Нижний Новгород, Россия, i.tsvetkova@niu.ranepa.ru

АКТУАЛЬНЫЕ ВОПРОСЫ ИСПОЛЬЗОВАНИЯ СОВРЕМЕННЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В ПРОЕКТАХ ПО РАЗВИТИЮ ТЕРРИТОРИЙ

Скорость и качество развития информационных технологий и повсе- местное их внедрение во все сферы человеческой деятельности, даже те, которые традиционно считались офлайновыми, постепенно приводят к цифровой трансформации всех отраслей экономики и жизни общества.

Внедрение бережливых технологий, технологий «умный город» и «умный дом» является важным процессом для перевода в цифровой вид традиционных форм деловых и производственных отношений, форм взаи- модействия населения и предприятий с государством. Сложность этого процесса обусловлена несколькими причинами:

∙ограничением средств на цифровизацию бизнес-процессов и процессов управления;

∙недостаточным количеством квалифицированных IT- специалистов [5];

∙дефицитом руководителей, которые понимают, как осуществ- лять цифровую трансформацию бизнес-процессов и процессов управления;

∙недостатком пользователей, способных правильно и эффектив- но использовать инновационные технологии во всех сферах профессио- нальной деятельности и обыденной жизни общества [6].

«Умный дом» и «умный город» - системы, позволяющие существен- но облегчить жизнь человек. Данные системы выполняют одну задачу, но делают это в разных масштабах. Так, «умный город» соединяет граждан и городские структуры с помощью электронных сетей[3] и интернета, а «ум- ный дом» в свою очередь является продолжением идеи домашней автома- тизации, которая началась с изобретения первых бытовых приборов и не закончится до сих пор, пока остаются действия, которые можно автомати- зировать.

Рассмотрим возможности взаимодействия вышеуказанных систем[4].

527

Автоматизированный вызов экстренной помощи при возникновении опасных ситуаций.

Оказание содействия сотрудникам служб быстрого реагирования по- сле их вызова (например, автоматическое открытие входной двери сотруд- никам скорой медицинской помощи).

Помощь с определением времени выхода из дома на основе фактиче- ского времени движения общественного транспорта.

Помощь с выбором одежды по погоде.

Определение количества свободных парковочных мест на придомо- вой территории для жильцов и гостей дома.

Автоматическое снятие показаний счётчиков электричества, воды и газа и передача их для выставления платежей.

Автоматическая оплата налогов.

Для реализации данного функционала потребуется разработка каких- либо средств взаимодействия между «умным домом» и «умным городом». Одним из таких средств может быть API системы «умный город». API представляет собой программный интерфейс системы, то есть набор спо- собов взаимодействия одной программы с другой[2]. Однако, перед тем, как переходить к приблизительному описанию API системы, стоит постро- ить схему их потенциального взаимодействия.

Рисунок 1 – Диаграмма BPMN взаимодействия систем «Умный город» и «Умный дом».

Анализ диаграммы показывает, что API система «Умный город» должны включать подсистемы экстренной помощи, общественного транс- порта, парковки, платежей, налогов и метеорологической службы. Про-

528

граммный интерфейс должен по определённому запросу возвращать тре- буемую информацию.

Для упрощения работы системы можно провести декомпозицию, например, систем экстренной помощи, оплаты налогов, парковки и т.д. Так, для системы экстренной помощи можно провести разделение по про- филям: пожарная служба, полиция и скорая медицинская помощь. Для то- го, чтобы отправить правильную команду экстренной службы, требуется передача необходимых данных: для пожарных, например, - время возгора- ния, этаж возгорания и адрес; для полиции - тип правонарушения, адрес, этаж и данные о владельце помещения или постоянно проживающем лице; для скорой помощи - адрес, этаж и текущее состояние пострадавшего лица.

Систему оплаты платежей можно разделить по типу потребляемого ресурса, например, для электричества передавать количество потреблён- ных киловатт и идентификатор квартиры, а на основании этих данных си- стема «Умный город» сформирует счёт и отправит его системе «Умный дом», которая с согласия пользователя произведёт оплату[4].

Системе парковки можно передавать информацию об адресе, коли- честве свободных парковочных мест и общем количестве мест. Исходя из этих данных можно рассчитывать процент загруженности парковки и ока- зывать помощь при парковке.

Стоит привести примеры предположительного взаимодействия си- стем. Система «Умный дом» обнаружила жильца в состоянии без созна- ния. При попытке взаимодействия с жильцом не было получено положи- тельных результатов, вследствие чего «Умный дом» делает вывод о нали- чии опасной ситуации для жильца и отправляет медицинской подсистеме системы «Умный город» адрес, этаж и состояние жильца, после чего си- стема «Умный город» отправляет по указанному адресу карету скорой ме- дицинской помощи. Врачи подходят к указанной квартире, «Умный дом» распознаёт врачей по униформе или специальному идентификатору, от- крывает дверь и, при необходимости, оповещает, где находится постра- давший и включает свет. Врачи оказывают помощь и покидают помеще- ние, после чего система «Умный дом» возвращается к штатному функцио- нированию.

Рассмотрим ещё один возможный случай. Жильца нет дома, но в до- ме по какой-то причине начинается пожар. Система «Умный дом» распо- знаёт данную ситуацию по камерам и/или датчикам возгорания, отправля- ет запрос системе «Умный город» с передачей необходимых параметров, сообщает остальным жильцам дома о необходимости начала эвакуации, перекрывает подачу газа и электричества в помещение с возгоранием и от- крывает двери. В свою очередь система «Умный город» отправляет по ад- ресу бригаду пожарных, к приезду которых уже всё готово.

Следующий пример касается системы определения количества пар- ковочных мест. Предположим, что система «Умный город» имеет интегра-

529