Анализ визуальных моделей технологии больших данных при мониторинге перевозочного процесса на основе хранилища рейсов грузовых вагонов

Дата поступления: 
15.09.2020
Библиографическое описание статьи: 

Власов А. И. Анализ визуальных моделей технологии больших данных при мониторинге перевозочного процесса на основе хранилища рейсов грузовых вагонов / А. И. Власов, А. А. Подорин, А. Ю. Малеваный, Д. В.Рубцов // Современные технологии. Системный анализ. Моделирование. – 2020. – № 3(67). – С. 100–108. – DOI: 10.26731/1813-9108.2020.3(67).100-108

Рубрика: 
Год: 
2020
Номер журнала (Том): 
УДК: 
656.213
DOI: 

10.26731/1813-9108.2020.3(67).100-108

Файл статьи: 
Страницы: 
100
108
Аннотация: 

В статье проанализированы способы оценки эффективности управления перевозочным процессом. Основное внимание уделяется методам и средствам мониторинга его основных показателей. Рассмотрены структуры данных для хранения информации по вагонам и их рейсам, выявлено, что в рамках современных реалий существующие способы мониторинга недостаточно эффективны, поскольку требуется обработка объемных данных. Проведен анализ существующей структуры, обнаружено, что исходная структура данных включает в себя набор разрозненной информации, что создает сложности и неточности при мониторинге перевозочного процесса, поэтому предложена ее реструктуризация. Новая структура позволяет устранить несоответствия в грузовых операциях, разрешить сложности и сократить ошибки при мониторинге перевозочного процесса. Для решения проблемы анализа вагоно- и грузопотоков по сети Российских железных дорог предлагается выделить новую структуру данных, которая позволит минимизировать объем хранимой информации в целевом статистическом срезе. В связи с увеличением количества и сложностью транспортных данных в качестве решения проблемы предлагается использовать технологию больших данных. Применение хранилища рейсов вагонов обеспечивает возможности мониторинга текущего перевозочного процесса и выявления проблемных направлений перевозок. Полученные результаты могут быть использованы для планирования и прогнозирования грузоперевозок. Предложенный подход к реализации хранилища значительно упрощает разработку систем анализа вагоно- и поездопотоков. Реализуемые технологии обеспечивают возможность дополнения архитектуры другими сведениями и прогнозирование фактического грузопотока, исходя из информации за прошлые периоды.

Список цитируемой литературы: 
  1. Бородин А.Ф. Технологическое обеспечение перевозочного процесса. Железнодорожный транспорт. 2013. № 3. С. 33–36.
  2. Подорин А.А., Щепанов С.Л., Щепанов А.Л., Рубцов Д.В. Диагностика перевозочного процесса на основе хранилища рейсов // Сборник трудов пятой научно-технической конференции с международным участием «Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование» (ИСУЖТ-2018, Москва, 14 ноября 2018 г). М.: Изд-во ОАО «НИИАС», 2018. С. 87–89.
  3. Власов А.И. Системный анализ технологических процессов производства сложных технических систем с использованием визуальных моделей // Международный научно-исследовательский журнал. 2013. № 10-2 (17). С. 17–26.
  4. Власов А.И. Концепция визуального анализа сложных систем в условиях синхронных технологий проектирования // Датчики и системы. 2016. № 8-9 (206). С. 19–25.
  5. Власов А.И. Пространственная модель оценки эволюции методов визуального проектирования сложных систем // Датчики и системы. 2013. № 9 (172). С. 10–28.
  6. Власов А.И., Гоношилов Д.С. Системный анализ производства c использованием визуальных инструментов BPMN // Информационные технологии в проектировании и производстве. 2019. № 3.
  7. Vlasov A.I., Gonoshilov D.S. Simulation of manufacturing systems using BPMN visual tools // Journal of Physics: Conference Series. 2019. 1353(1). art. no. 012043.
  8. Kim Hee, Naveed Mushtaq, HevinÖzmen, Marten Rosselli, Roberto V. Zicari and others. Leveragingbigdataformanagingtransportoperations.
  9. Sánchez-Martínez G.E., Munizaga M. Workshop 5 report: Harnessing big data. Research in Transportation Economics, 2016. No. 59. Pp. 236–241. doi.org/10.1016/j.retrec.2016.10.008.
  10. Zhiyuan H., Liang Z., Ruihua X., Feng Z. Application of big data visualization in passenger flow analysis of Shanghai Metro network. In 2017 2nd IEEE International Conference on Intelligent Transportation Engineering: ICITE 2017: September 1–3, 2017, Singapore, 2017. Pp. 184–188. Piscataway, NJ: IEEE. doi.org/10.1109/ICITE.2017.8056905.
  11. Ortuzar J. de D., Willumsen L.G. Modelling Transport. Modelling Transport, 2011. doi.org/10.1002/9781119993308.
  12. Власов А.И., Новиков П.В., Ривкин А.М. Особенности планирования воздушного движения с использованием синоптических карт, построенных с применением технологий BIG DATA // Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия Приборостроение, 2015. № 6 (105). С. 46–62.
  13. Кочуев А.Ю., Скорикова С.А., Хартов В.Я. Технологии виртуализации хранения данных RAID 2.0+ И STORAGE POOL // Технологии инженерных и информационных систем, 2019. № 1. С. 70–79.
  14. Constantinos A. Mobility Patterns, Big Data and Transport Analytics / D. Loukas, P. Francisco Elsevier Science and Technology, 2018.
  15. Коваленко М.В., Самарев Р.С. Анализ основных средств обработки графовых данных // Технологии инженерных и информационных систем, 2019. № 1. С. 87–94.
  16. Палагин Ю.И. Интермодальные транспортно-логистические процессы: экспедирование, технологии, оптимизация / Ю.И. Палагин, В.А. Глинский, А.И. Мочалов. Санкт-Петербург, Издательство «Политехника», 2019. 367 с.
  17. Музычин В.В. Решение транспортной задачи применительно к грузовым железнодорожным перевозкам / В.В. Музычин // Вестник Балтийского федерального университета им. И. Канта. Серия: Физико-математические и технические науки, 2017. № 1. С. 38–47.
  18. Артюхин В.В. Прогнозирование чрезвычайных ситуаций с помощью дискретной оптимизации и современных программных средств / В.В. Артюхин // Технологии гражданской безопасности, 2014. Т. 11. № 1 (39). С. 86–91.
  19. Терешина Н.П., Подсорин В.А., Соколов Ю.И. и др. Экономика железнодорожного транспорта: вводный курс / Н.П. Терешина, В.А. Подсорин, Ю.И. Соколов, Ю.Н. Кожевников, Е.А. Иванова, М.Г. Данилина. Саратов, Издательство: Ай Пи Ар Медиа, 2019. 418 с.
  20. Лаханкин Е.А. Развитие алгоритмов и программных средств проектирования технологии и нормирования работы локомотивов и локомотивных бригад в грузовом движении: сборник трудов пятой научно-технической конференции с международным участием «Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование» (ИСУЖТ-2016, Москва, 17–18 ноября 2016 г). М.: Изд-во ОАО «НИИАС», 2016. С. 198–201.
  21. Echeistov V.V., Krivoshein A.I., Shakhnov V.A., Filin S.S., Migalin V.S., Vlasov A.I. An information system of predictive maintenance analytical support of industrial equipment // Journal of Applied Engineering Science. 2018. Vol. 16. No. 4. Pp. 515–522.