moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2023.40.1.026 1307 Подходы к обработке больших пространственно-временных данных ГЛОНАСС+112 в условиях неопределенности Approaches to processing big spatiotemporal uncertain data in GLONASS+112 0000-0001-9478-4894 Аникин Игорь Вячеславович Anikin Igor Vyacheslavovich anikinigor777@mail.ru aff-1 Петров Глеб Евгеньевич Petrov Gleb Evgenievich gleb_petrov@mail.ru aff-2 Казанский национальный исследовательский технический университет им. А. Н. Туполева-КАИ Kazan National Research Technical University named after A.N. Tupolev-KAI Казанский национальный исследовательский технический университет им. А. Н. Туполева-КАИ Kazan National Research Technical University named after A.N. Tupolev-KAI 01 01 2026 1 1 10.26102/2310-6018/2023.40.1.026 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

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.

The paper examines some approaches to processing big spatiotemporal uncertain data in GLONASS+112. This system is used for managing interaction between operational services in the Republic of Tatarstan and collecting and processing data characterizing various incidents, based on calls received by a common emergency number "112". The performance and scalability of several basic operations for managing big data (query with threshold, JOIN, k-nearest neighbors algorithm) were studied; they were adapted for operating data under spatial and temporal uncertainty. New approaches to clustering and associative rules mining for uncertain data are suggested. Modernization of ST-DBSCAN algorithm for clustering spatiotemporal data is proposed. This algorithm is integrated into the association rules mining process. The program complex for forming the associative rules for spatiotemporal data under uncertainty has been developed. The complex is applied to analyze GLONASS+112 data as well as the information about weather conditions obtained from external sources. The associative rules being formed can be used by various units in operating services for decision-making and resource-planning. This would help to increase the efficiency of managing the emergencies and undesired incidents.

 интеллектуальный анализ данных пространственно-временные данные неопределенность кластеризация ассоциативные правила управление чрезвычайными ситуациями data mining spatiotemporal data uncertainty clustering associative rules emergency management Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References 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. 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. 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. Aggarwal C.C. Data mining. The textbook. Springer Cham; 2014. 661 p. 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. Thai M.T., Wu W., Xiong H. Big Data in Complex and Social Networks. Chapman & Hall. 2020:252. Kromer P. Jurney R. Big Data for Chimps: A Guide to Massive-Scale Data Processing in Practice. O'Reilly Media. 2015:220. Parsian M. Data Algorithms. Recipes for scaling up with Hadoop and Spark. O'Reilly Media, Inc. 2015:686. Manocha S., Girolami M.A. An empirical analysis of the probabilistic K-nearest neighbour classifier. Pattern Recognition Letters.2007;28(13):1818–1824. 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. 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. Papadias D., Theodoridis Y. Spatial relations, minimum bounding rectangles, and spatial data structures. International Journal of Geographical Information Science. 1997;11(2):111–138. 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. 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. 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. 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 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. Zadeh L.A. Fuzzy Sets. Information and Control. 1965;8:338–363. Birant D. ST-DBSCAN: An algorithm for clustering spatial-temporal data. Data & Knowledge Engineering. 2007;60(1):208–221. Frequent Pattern Mining. Ed. Charu Aggarwal and Jiawei Han. Springer. 2014.

The authors declare that there are no conflicts of interest present.