Подходы к обработке больших пространственно-временных данных ГЛОНАСС+112 в условиях неопределенности

В работе исследуются подходы к обработке больших пространственно-временных данных в единой государственной информационной системе (ЕГИС) ГЛОНАСС+112 в условиях пространственной и временной неопределенности. Данная система предназначена для организации взаимодействия оперативных служб в Республике Татарстан (РТ), осуществления комплексного сбора и обработки данных, характеризующих различные инциденты, на основании звонков, поступивших на единый номер экстренных служб «112». Исследована производительность и масштабируемость различных операций по работе с большими данными в данной системе, адаптированных для использования в условиях неопределенности (запрос диапазона с порогом, JOIN, поиск k-ближайших соседей). Предложены новые подходы для решения задач формирования ассоциативных правил и кластеризации в условиях пространственной и временной неопределенности. Предложена модернизация алгоритма кластеризации пространственно-временных данных ST-DBSCAN. Данный алгоритм внедрен в схему формирования ассоциативных правил. Разработан программный комплекс формирования ассоциативных правил для пространственно-временных данных в условиях неопределенности. Программный комплекс осуществляет анализ не только данных ГЛОНАСС+112, но и информации о погоде, поступающей из внешних источников. Формируемые ассоциативные правила могут быть использованы для принятия решений и планирования ресурсов подразделениями различных оперативных служб. Это позволит повысить эффективность управления нежелательными инцидентами и чрезвычайными ситуациями.

1. Dagaeva M., Garaeva A., Anikin I., Makhmutova A., Minnikhanov R. Big spatio-temporal data mining for emergency management information systems. IET Intelligent Transport Systems. 2019;13(11):1649–1657.

2. Аникин И.В., Минниханов Р.Н., Дагаева М.В., Махмутова А.З., Чокоев А.Н. Программный комплекс выявления ассоциативных правил в ЕГИС ГЛОНАСС+112 с использованием внешних источников данных. Сборник материалов форума KAZAN DIGITAL WEEK. 2021:34–41.

3. Минниханов Р.Н., Дагаева М.В., Аникин И.В., Сабитов А.А., Гараева А.Р. Опыт применения технологий интеллектуального анализа данных в информационных системах Республики Татарстан. Вестник НЦБЖД. 2021;2(48):159–167.

4. Aggarwal C.C. Data mining. The textbook. Springer Cham; 2014. 661 p.

5. Zheleznov A.N., Anikin I.V., Dagaeva M.V. Basic operations of analyzis uncertain spatio-temporal data and their application to data processing in GLONASS+112. Proceedings of V International conference «Modern problems of life safety: intelligent transport systems and situation centers». 2018;2:240–245.

6. Thai M.T., Wu W., Xiong H. Big Data in Complex and Social Networks. Chapman & Hall. 2020:252.

7. Kromer P. Jurney R. Big Data for Chimps: A Guide to Massive-Scale Data Processing in Practice. O'Reilly Media. 2015:220.

8. Parsian M. Data Algorithms. Recipes for scaling up with Hadoop and Spark. O'Reilly Media, Inc. 2015:686.

9. Manocha S., Girolami M.A. An empirical analysis of the probabilistic K-nearest neighbour classifier. Pattern Recognition Letters.2007;28(13):1818–1824.

10. Cheng R., Chen L., Chen J. Evaluating Probability Threshold k-Nearest-Neighbor Queries over Uncertain Data. Proceedings of the 12th International Conference on Extending Database Technology: Advances in Database Technology. 2009:672–683.

11. Lim H.-S., Lee J.-G., Lee M.-J., Whang K.-Y., Song I.-Y. Continuous query processing in data streams using duality of data and queries. Proceedings of the ACM SIGMOD International Conference on Management of Data. 2006:313–324.

12. Papadias D., Theodoridis Y. Spatial relations, minimum bounding rectangles, and spatial data structures. International Journal of Geographical Information Science. 1997;11(2):111–138.

13. Brisaboa N.R., Luaces M.R., Navarro G., Seco D. Range queries over a compact representation of minimum bounding rectangles. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2010;6413:33–42.

14. Agrawal R., Imieliński T., Swami A. Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD international conference on Management of data – SIGMOD '93. 1993.

15. Kuok C.M., Fu A., Wong M.H. Mining Fuzzy Association Rules in Databases. SIGMOD Record (ACM Special Interest Group on Management of Data). 1998;27(1):41–46.

16. Seda Unal Calargun, Adnan Yazici. Fuzzy association rule mining from spatio-temporal data. Proceedings of Computational Science and Its Applications – ICCSA 2008 – International Conference. 2008

17. Kanani Sadat Y., Nikaein T., Kar F. Fuzzy spatial association rule mining to analyze the effect of environmental variables on the risk of allergic asthma prevalence. Geodesy and cartography. 2015;41(2):101–112.

18. Zadeh L.A. Fuzzy Sets. Information and Control. 1965;8:338–363.

19. Birant D. ST-DBSCAN: An algorithm for clustering spatial-temporal data. Data & Knowledge Engineering. 2007;60(1):208–221.

20. Frequent Pattern Mining. Ed. Charu Aggarwal and Jiawei Han. Springer. 2014.