КЛАСИФІКАЦІЯ ТА ОСОБЛИВОСТІ ЗБОРУ ДАНИХ У СИСТЕМАХ ПІДТРИМКИ ПРИЙНЯТТЯ УПРАВЛІНСЬКИХ РІШЕНЬ

Автор(и)

DOI:

https://doi.org/10.32782/tnv-tech.2023.4.3

Ключові слова:

дані, контроль, збір, база даних, програмне забезпечення, управління, метод, джерело

Анотація

Системи підтримки прийняття рішень є розвитком комп’ютерних систем підтримки ухвалення управлінських рішень (СППР) з допомогою застосування принципу проактивних обчислень, тобто. перенесення дій людини на більш високий рівень управління та використання алгоритмів інтелектуальної обробки даних та машинного навчання. Прийняття попереджувальних рішень може призвести до економії коштів при управлінні процесами, зокрема, управління транспортною інфраструктурою на основі аналізу великих обсягів різнорідних даних. У концепції проактивних систем лежить схема: виявити, спрогнозувати, ухвалити рішення, діяти й принципи побудови СППР з урахуванням обробки подій. При реалізації керування транспортною інфраструктурою критичним завданням є завдання ефективної обробки різнихх даних, що одержуються з різних джерел. Якість та своєчасність даних впливає на оперативність та результативність прийняття рішень. У сучасній дискусії є питання про розробку підходів ефективного збору та обробки даних, пошуку нових способів зберігання та попереднього аналізу. Експонентне зростання обсягу даних та збільшення мережної смуги пропускання, що надається для передачі даних, відкриває нові можливості управління транспортною інфраструктурою, але при цьому виникають проблеми ефективної обробки даних. У статті подано класифікацію даних за різними критеріями. Виділено такі типи даних, що використовуються в проактивних системах підтримки прийняття рішень: машинні дані сенсорного типу (sensors data), подієві дані (log data), візуальні дані – зображення або відео, текстові дані (textual data), дані соціальних мереж (social data) георозподілені дані (geospatial data). Виконано аналіз особливостей та проблем збору та злиття різнорідних даних у проактивних системах підтримки прийняття управлінських рішень. Виділено такі особливості: необхідність визначення форматів даних, необхідність забезпечення якості даних; необхідність мінімізації участі людини у процесі збирання різнорідних даних; забезпечення збору даних у реальному часі.

Посилання

Llinas, J. Multisensor Data Fusion. MA: Artech House. 2015.

Hall, D. Mathematical Techniques in Multisensor Data Fusion. Boston, MA: Artech House. 2017.

Connecting the Physical World with Pervasive Networks. D. Estrin, D. Culler, K. Pister, G. Sukhatme. IEEE Pervasive Computing 1, 2012, (1).

Codd, E. F. Providing OLAP (On-Line Analytical Processing). E. F. Codd & Associates, 2017.

Benchmark for OLAP on NoSQL technologies comparing NoSQL multidimensional data warehousing solutions. 2015 IEEE 9th International Conference on Research Challenges in Information Science (RCIS), Athens. 2015.

Твердохліб А.О., Коротін Д.С. Ефективність функціонування комп’ютерних систем при використанні технології блокчейн і баз данних. Таврійський науковий вісник. Серія: Технічні науки, 2022, (6)

Цвик О.С. Аналіз і особливості програмного забезпечення для контролю трафіку. Вісник Хмельницького національного університету. Cерія: Технічні науки, 2023, (1).

Новіченко Є.О. Актуальні засади створення алгоритмів обробки інформації для логістичних центрів. Таврійський науковий вісник. Серія: Технічні науки, 2023 (1).

Зайцев Є.О. Smart засоби визначення аварійних станів у розподільних електричних мережах міст. Таврійський науковий вісник. Серія: Технічні науки, 2022, (5).

Hall, D. L. An introduction to multisensor data fusion. Proceedings of the IEEE. 2019. Vol. 85(1).

Khaleghi, B. Multisensor data fusion: A review of the state-of-the-art. Information Fusion, Vol. 14(1). 2013.

Hashem, I. A.T. The rise of ‘Big Data’ on Cloud Computing: Review and Open Research Issues. Information Systems. 2015. Vol. 47.

Michele, D.C. An Architecture for Sentiment Analysis in Twitter. D.C. Michele, D.N. Emanuel, P. Alfredo. International Conference on E-learning 15. Berlin, Germany. 2015.

Geospatial data generation and preprocessing tools for urban computing system development. Golubev et al. Procedia Comput. Sci. (101). 2016.

Mahler, R.P.S. Statistical Multisource-Multitarget Information Fusion. Artech House, Boston, MA. 2007.

Evaluating the sustainability of Volgograd. Садовникова Н.П., Parygin D., Gidkova N., Gnedkova E., Sanzhapov B. WIT Transactions on Ecology and the Environment. 2014. No. 179 (Vol. 1).

Яцишин А.Ю. Проектування гібридних сховищ даних з врахуванням структурованості даних. Управління розвитком складних систем. 2012. (9)

Патракеєв І. М. Моделювання динамічних об’єктів транспортної системи міста методами штучного інтелекту. Харків, ХНАМГ, 2010.

Кучук Г.А. Метод синтезу логічної структури мережевої бази даних. Системи обробки інформації. 2001. (2).

Степанов, С.Ю. Технологічна платформа для розподілених гетерогенних систем збирання та обробки даних. Науковий альманах. 2017. № 2–3(28).

Khaleghi, B. Multisensor data fusion: A review of the state-of-the-art. Information Fusion, Vol. 14 (1). 2013.

##submission.downloads##

Опубліковано

2023-11-09

Як цитувати

Антоненко, А. В., Бондаренко, Є. С., Каньшин, К. В., Степанчук, В. І., & Ланевський, Л. А. (2023). КЛАСИФІКАЦІЯ ТА ОСОБЛИВОСТІ ЗБОРУ ДАНИХ У СИСТЕМАХ ПІДТРИМКИ ПРИЙНЯТТЯ УПРАВЛІНСЬКИХ РІШЕНЬ. Таврійський науковий вісник. Серія: Технічні науки, (4), 23-31. https://doi.org/10.32782/tnv-tech.2023.4.3

Номер

Розділ

КОМП’ЮТЕРНІ НАУКИ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ

Статті цього автора (авторів), які найбільше читають

<< < 1 2