Аннотация результатов, полученных в 2020 году
В ходе проектных исследований получены следующие результаты: 1. Разработаны и исследованы основные положения концепции проактивного мониторинга событий в территориально-распределенных системах урбанистической среды на основе сбора, консолидации и предиктивного анализа больших данных о нештатных ситуациях и авариях с целью выявления возможных причин и факторов влияния для прогностического моделирования и оценки рисков возникновения и развития негативных событий. В процессе работы над концепцией разработаны методы и инструментальные средства сбора и консолидации больших данных о критических событиях на распределенных объектах инженерных сетей коммунального хозяйства и в дорожно-транспортной инфраструктуре города. Основная цель - выявление причин и сочетаний факторов влияния на возникновение и развитие аналогичных ситуаций на множестве объектов для моделирования и прогностической оценки рисков негативных событий. В проекте выполнен анализ концепции проактивного мониторинга в сравнении с традиционными подходами к мониторингу сложных систем и исследованы ее положения на предмет внедрения в будущую систему управления безопасностью интеллектуального города. Суть концепции сводится к использованию инструментов предиктивной аналитики для анализа состояния объектов и процессов, прогностического моделирования динамики изменения контролируемых их характеристик, показателей окружающей среды для и прогнозирования рисков возникновения и развития критических событий и раннего предупреждения об их наступлении. В рамках работы над концепцией выполнен анализ методов предиктивной аналитики и выбор наиболее подходящих для конкретных объектов мониторинга объектов критической городской инфраструктуры. Результатом мониторинга является реализация типовых или разработка новых превентивных мер проактивного управления процессами на распределенных объектах с целью предупреждения нештатных и аварийных ситуаций на других аналогичных объектах, а также восстановления работоспособности и функционала систем жизнеобеспечения и жизнедеятельности городского населения. В процессе исследований определены основные этапы проактивного мониторинга, проанализирован состав и функционал компонент будущей системы, определены объекты контроля, к которым относятся сложные протяженные системы инженерных сетей жилищно-коммунального хозяйства и дорожно-транспортные магистрали города. Также разработаны и исследованы положения концепции проактивного мониторинга для применения в экономических и образовательных системах. В экономических системах предложено использовать концепцию для исследования, интеллектуального анализа и прогностического моделирования инамки процессов инновационного развития экономических агентов в городах и регионах РФ, а также для обеспечения устойчивости развития региона путем определения существенных факторов влияния на устойчивость. В образовательных системах положения концепции проактивного мониторинга предложено использовать при создании интеллектуальной образовательной среды для контроля процесса подготовки специалистов с прогностической оценкой рисков получения некачественного и морально устаревшего образования. Методика и средства поиска и анализа сообщений применяются для анализа требований работодателей с целью актуализации образовательных программ и персонализации процесса обучения. 2. Разработана методология проактивного мониторинга событий в территориально-распределенных системах урбанистической среды на основе сбора, консолидации и предиктивного анализа больших данных о нештатных ситуациях и авариях с целью выявления возможных причин и факторов влияния для прогностического моделирования и оценки рисков возникновения и развития негативных событий. В рамках методологии в проекте предложена классификация критических событий. Для событий разных типов разработан набор характеризующих показателей. Выполнено исследование факторов влияния на события. Исходя из классификации критических событий предложена классификация факторов. Выполнен анализ и выбраны инфраструктурные объекты проактивного мониторинга в городской среде. Для каждого типа объектов выделены и исследованы критические события, причины возникновения и факторы влияния. Определены основные этапы методологии и перечень задач, решаемых на каждом из этапов. Основные шаги методологии: 1) Регистрации событий на контролируемом объекте посредством фиксации аномальных значений показателей объекта мониторинга, фото- и видеофиксации событий, уведомлений о нештатной ситуации или аварии с временными и геопространственными метками. 2) Сбор и предварительная обработка сенсорной информации о регистрируемом событии, которая включает показатели объекта мониторинга и значения факторов влияния, предшествующие моменту наступления события. 3) Поиск сообщений о регистрируемом событии в открытых источниках сети интернет по временной и геопространственной метке, по степени схожести словарей ключевых слов для описания данного класса событий и ранжирование по степени важности в зависимости от числа упоминаний в социальных сетях. 4) Представление данных киберсоциального типа в формализованном виде как вектора слов для описания, идентификации, классификации и кластеризации событий. 5) Сбор информации о параметрах возможных факторов влияния на события (температуры, давления, влажности, скорости ветра, гололеда, времени суток, освещенности, состояния объекта и т.п.) в заданный ретроспективный интервал времени до его возникновения. 6) Идентификация и классификация критических событий и факторов влияния. 7) Оценка чувствительности и отбор наиболее существенных факторов влияния. 8) Кластеризация критических событий и факторов влияния. 9) Представление динамики изменения параметров объектов и значений факторов влияния в виде спектров временных рядов. 10) Статистический анализ временных рядов (поиск отклонений и аномалий, подсчет временных интервалов, сопоставление отклонений со значениями факторов, уточнение оценки чувствительности, выявление шумов, тренда, сезонных колебаний и периодичности). 11) Бенчмаркинг анализа спектров временных рядов показателей и факторов, фиксация паттернов, связанных с событием. Формирование библиотеки паттернов. 12) Кластеризация паттернов событий и фиксация эталонных паттернов критических событий. 13) Пространственный анализ критических событий и выявление критических зон для визуализации на картографической основе. 14) Предиктивный анализ изменений параметров контролируемых объектов и факторов влияния до и после момента критического события с помощью прогностического моделирования соответствующих временных рядов. 15) Поиск информации об аналогичных событиях в другие временные интервалы на схожих объектах мониторинга по их паттернам путем сравнительного анализа паттернов для выработки превентивных мер и оповещения населения. 3. Разработаны принципы мультиагентного подхода для реализации процессов сбора, консолидации и анализа больших данных. Для достижения данного результата разработаны и реализованы универсальные принципы мультиагентного подхода, которые апробированы для решения задач в разных сферах человеческой деятельности и на разных этапах проактивного управления. Суть мультиагентного подхода к мониторингу событий заключается в том, что в вычислительные модули интеллектуальных датчиков и измерительных устройств, контролирующих показатели различных технологических процессов (энергетических потоков, транспортных потоков, пешеходных потоков и т.п.), загружаются программные агенты извлечения сенсорных киберфизических данных. Для сбора и обработки киберсоциальных данных в открытых источниках сети Интернет также используются поисковые программные агенты. Агенты решают задачи предварительной обработки (парсинга) данных обоих типов реализуя модели туманных и мобильных вычислений, их очистки, структуризации, консолидации, комплексирования, защиты, хранения и передачи для дальнейшей обработки в серверный кластер центра обработки данных в рамках модели облачных вычислений и хранения. Агенты в виде мобильных сервисов приложений также используются для постобработки, генерации отчетов, оповещений и уведомлений, визуализации на устройствах пользователей. Универсальные принципы и программно-инструментальные средства (агенты) были разработаны и апробированы при решении задач сбора и анализа больших данных в разных областях: а) для сбора и обработки сенсорных данных с датчиков и измерительной аппаратуры, установленной на котельных и тепловых магистралях системы городского теплоснабжения, б) для сбора и обработки сенсорных данных с фоторадарных комплексов фото и видеофиксации дорожно-транспортных происшествий на магистралях города и региона, в) для сбора и обработки данных о критических событиях в дорожной среде из открытых источников сети Интернет, г) для сбора и обработки данных об инновационном потенциале предприятий в регионах РФ и оценки устойчивости их экономического развития, д) для сбора и анализа требований работодателей в процессе актуализации образовательных программ и образовательного контента 4. Разработана и апробирована методика сбора и обработки больших сенсорных данных (фотографий, видеороликов, телеметрической информации и т.п.) с распределенных датчиков, (загазованности, загрязнений воздуха, охранной и пожарной сигнализации, протечек и т.п.), измерительных устройств (счетчиков электроэнергии, газа, тепла и воды) в инженерных сетях жилищно-коммунального хозяйства, с фоторадарных комплексов фото и видеофиксации, погодных станций, камер видеонаблюдения на участках дорожной инфраструктуры города. На первом этапе разработаны технологии и способы сбора и предварительной обработки сенсорных данных. Предварительная обработка данных связана с удалением шума, дубликатов данных, обработкой недостающих значений, удалением нерелевантных атрибутов, консолидацией данных из разных источников, приведением разнородных данных к однородной структуре и единому формату для загрузки в хранилище и последующего анализа. На следующем этапе проводится идентификация и классификация критических событий и факторов влияния на них. Далее выполнена кластеризация событий по предложенному комбинированного методу. Для снижения размерности фазового пространства состояния объекта из множества параметров событий выбираются те, который попадают в области недопустимых значений в моменты критического события и устанавливаются корреляционные взаимосвязи между ними и факторами влияния. Для оценки чувствительности параметров объектов к факторам применяется модифицированный метод многофакторного дисперсионного анализа. Результатом является кластер наиболее существенных факторов, связанный с конкретным классом объектом и критических событий. Для кластера фиксируется набор интервальных значений факторов, сочетание которых приводит к рискам критических событий. Следующим шагом является прогностическое моделирование динамики изменения факторов в сформированных кластерах. Целью является прогнозирование вероятных моментов времени возникновения критического события на схожих объектах и оценка рисков появления сочетания значений факторов, которое приводит к его возникновению. Реализуется представление динамики изменения параметров объектов и значений факторов влияния в виде спектров временных рядов. Следующим шагом является статистический анализ временных рядов, где определяются отклонения значений исследуемых переменных из области допустимых значений, моменты и интервалы времени отклонений, наличие тренда, наличие сезонных кратковременных и циклических колебаний, наличие шумов. Спектры временных рядов показателей и факторов, которые предшествуют моменту наступления событий фиксируются как паттерны, связанные с событием. Паттерны сравниваются с другими, которые хранятся в создаваемой библиотеке методом попарного сравнения (бенчмаркинг анализ). Выполняется кластеризация паттернов событий по степени схожести и определяются центры, которые фиксируются как эталонные. Решается задача пространственного анализа, в ходе которого выявляются схожие компоненты объектов мониторинга по рискам, числу и типу происшествий. Завершающим этапом методики является метод предиктивного анализа изменений параметров объектов и факторов влияния до и после момента критического события с помощью прогностического моделирования временных рядов. Для прогнозирования временных рядов факторов и параметров используется трехпараметрическая модель по методу экспоненциального сглаживания Хольта-Винтерса, если в исходных рядах есть случайные отклонения, тренд, периодичность и сезонность. Для реализации этапов методики в рамках мультиагентного подхода создаются программные агенты для решения отдельных задач на распределенных узлах сбора и хранения сенсорных данных и в диспетчерском центре обработки данных. Методика апробирована при создании интеллектуальной диспетчерской SCADA системы для мониторинга объектов инженерной сети теплоснабжения города посредством разработанных программных агентов, которые интегрируются в узлы сенсорной ZigBee сети, связанные с контрольно-измерительной аппаратурой, датчиками газа и пожарной сигнализации на котельных блочно-модульного типа. Также методика апробирована в создаваемой системе мониторинга критических событий в дорожно-транспортной инфраструктуре. Программные агенты интегрированы в фоторадарные комплексы фото и видеофиксации и/или связанные с ними сенсорные узлы сбора и передачи данных. 5. Разработана методика сбора и обработки больших данных (текстовых сообщений, фотографий и видеокадров) о происходящих событиях с открытых источников в сети Интернет и мобильных систем. Методика решает задачи: а) идентификации и классификация события, б) определение набора источников данных с информацией о критическом событии, в) получение максимального возможного числа наборов данных из доступных источников (описания событий от участников и очевидцев с фотографиями и видеороликами, информация с интегративных ресурсов), г) геопространственная и временная привязка данных о событии, д) проверка и исключение дублирующей информации, е) очистка от шумов, избыточного описания, ж) оценка актуальности, достоверности и точности информации о событии, з) нормализация и унификациях данных о событии, структурирование данных.. Разработаны основные этапы методики и программные агенты для их реализации (поисковые краулеры и виртуальные боты, подписанные на соответствующие группы социальных сетей. В общем виде методика включает следующие щаги: 1) выбор сообщений для анализа, 2) лексический разбор текста с разделением на слова, удалением знаков препинания и «стоп-слов», 3) классификация сообщений о событиях по типу, местоположению и объектам мониторинга, 4) синтез и актуализация словаря ключевых слов, 5) преобразование сообщения в вектор слов, 5) извлечение изображений и передача приложениям анализа, исключения дубликатов, фильтрации и загрузки в хранилище, 6) кластеризации событий, в) визуализация событий на карте. Для представления текстовых данных в виде векторов разработан и реализован оптимизированный алгоритм с вычислением семплированной логистической функцией кросс-энтропийных потерь. Визуальный контент также анализируется на предмет сравнения фото и видеоматериалов от различных источников и проверки оригинальности с помощью перцептивного хэш-алгоритма. В ходе проектных исследований первого этапа подготовлено и опубликовано 16 статей в ведущих рецензируемых журналах и рецензируемых сборниках международных конференций, в том числе в 7 изданиях, индексируемых в WOS и Scopus. Сделано 8 докладов на международных конференциях в России и за рубежом.

Аннотация результатов, полученных в 2021 году
В ходе второго этапа проектных исследований получены следующие научные результаты: 1. Разработан метод консолидации больших разнородных данных о критических событиях, авариях и нештатных ситуациях с разными временными и геопространственными метками, включая исключение дубликатов, подтверждение достоверности, очистку информационного шума, формализацию в виде векторных моделей, классификацию и кластеризацию в пространстве признаков, сбор статистик, ретроспективный анализ для установления корреляций с аналогичными происшествиями в прошлом (паттернами событий). Разработан метод обнаружения, распознавания и классификации объектов мониторинга с повышенной точностью идентификации объектов на зашумленных и некачественных изображениях в условиях осадков и плохой видимости. Разработана методика обработка дополнительной информации о событии из источников Интернет. Для демонстрации работы методик и алгоритмов подготовлены наборы сенсорных данных и метеорологических факторов влияния. Данные получены с камер автоматической фото и видеофиксации, расположенных на 15 участках дорог различного значения. Консолидированные сенсорные данные выгружены и собраны из нескольких десятков документов со статистикой проездов. В качестве первого примера для обработки и консолидации выгружено более 10 000 000 записей с 16 фоторадарных комплексов фото и видео фиксации. Разработано программное приложение визуализации и пространственного анализа данных об инцидентах и нарушениях на цифровой картографической основе. Приложение позволяет отображать подробную информацию о нарушениях и ДТП на интерактивной карте города, а также предоставляет набор операций для анализа. Пространственный анализ показателей позволяет выявлять корреляционную зависимость ДТП с учетом степени тяжести с нарушениями ПДД с учетом временных факторов и факторов сезонности. Анализ инфографики позволяет ранжировать типы ДТП по частоте и выполнить кластеризацию с привязкой к местности. Результатом является алгоритм анализа транспортной загруженности улично-дорожной сети. Данные для анализа загруженности дорог извлекаются из открытых источников Интернет. 2. Разработаны модель и метод обеспечения информационной безопасности для защиты больших сенсорных данных в распределенном информационном хранилище на сенсорных и мобильных узлах сбора данных и в каналах связи телекоммуникационной среды в процессе сбора, передачи и хранения на основе технологий распределенного реестра (блокчейн). Идея состоит в использовании технологии распределенного реестра для защиты транзакций обработки данных, организации децентрализованного хранения, SDN сетей для управления потоками сенсорных данных и защиты от несанкционированного трафика. Основными результатами здесь являются. 1) Способ двойного хэширования записей для обеспечения целостности данных. Связи записей реестра обеспечиваются двумя хэшами, которые вычисляются для основного блока и для блока метаданных. При этом каждая из частей записи используется для вычисления хэша другой части. 2) Модель SDN архитектуры системы мониторинга, которая включает четыре слоя: а) граничный слой оконечных сенсорных узлов, шлюзов-маршрутизаторов и плоскость данных SDN коммутаторов, б) зональный слой контроллеров и серверов, включая плоскость управления SDN контроллеров, г) облачный слой серверов центра обработки данных, д) мобильный слой пользовательских устройств и приложений. 3) Способ обеспечения безопасности, который включает ряд поэтапных алгоритмов и процедур: а) Процедура фильтрации недопустимого трафика согласно допустимым номерам портов посредством смарт-контракт. б) Алгоритм синтеза и проверки подлинности цифровых подписей узлов, который реализован в виде смарт контракта для выявления неавторизованных, поддельных или скомпрометированных узлов. в) Алгоритм валидации пакетов от сетевых узлов, который реализован в виде смарт-контракта для обнаружения поддельных источников и фильтрации недопустимого трафика. г) Методика и программные модули анализа нетипичных пакетов. Пакеты выделяются парсером, модуль анализа извлекает характеристики пакета, модуль кластеризации используются для группирования пакетов с оценкой сходства с вредоносными пакетами. Факты атаки и характеристики пакетов сохраняются в журналах безопасности. д) Алгоритм кластеризации с обучением на базе нечеткой логики и нейронной сети. Алгоритм позволяет определить вероятностную принадлежность пакета к кластерам пакетов разных типов. ж) Процедура обучения нечеткой нейронной сети для обнаружения нетипичных пакетов. Сеть представляет пятислойную структуру без обратных связей с весовыми коэффициентами и функциями активации. Для обучения сети применяется процедура обратного распространения. Результатом обучения и тестирования является синтез правил обработки пакетов и включение адресов их источников в правила таблицы потоков, что позволяет реализовать механизм безопасности в SDN контроллере. Процедуры проверки подлинности узлов и распознавания нетипичных пакетов обеспечивают доказательство подлинности транкзакций в блокчейн. 3. Разработана методика представления информации о событиях в виде временных рядов характеристик событий и временных рядов динамики возможных факторов для оценки рисков возникновения и развития негативных событий, определения корреляций с рядами факторов и закономерностей их влияния. Методика включает ряд этапов, реализующих алгоритмы и процедуры кластеризации, анализа ассоциаций, дисперсионного анализа, синтеза временных рядов, сравнительного анализа (бенчмаркинга) временных рядов, подбора и оценки модели прогнозирования временных рядов: 1. Процедура отбора данных, описывающих события, объекты мониторинга и факторы за заданный период времени до и после события (показатели событий, параметры объектов, характеристики факторов). 2. Процедура сегментации данных о событиях на основе алгоритма кластеризации для группирования в однородные сегменты по типам инцидентов и нарушений в пространственных зонах с учетом частот их появления. 3. Методика анализа правил ассоциаций для типов инцидентов в выделенных кластерах для выявления причин и выбора вероятных факторов влияния. 4. Алгоритм сравнительной оценки степени влияния факторов на результативный показатель в виде числа инцидентов всех типов за заданный период времени в разных кластерах на основе многофакторного дисперсионного анализа. В качестве факторов выбраны 6 характеристик погодных условий, таких как температура, давление, влажность, скорость ветра, видимость, количество выпавших осадков. В основе метода лежит оценка отклонений результативного показателя, которые вызваны воздействием исследуемого фактора в сравнении с отклонениями, которые вызваны воздействием случайных факторов. В результате выбираются факторы, влияние которых на результат более существенно, чем влияние случайных факторов. 5. Методика представления наборов данных в виде временного ряда, которая реализована в виде скриптов языка Python с встроенным интерфейсом rpy2 с программной средой R и включает шаги: а) подготовка данных к представлению в виде временного ряда в виде текстовой структуры числовых данных с разделителем и загрузка в среду для визуализации временного ряда. б) идентификация модели и проверка стационарности временного ряда с помощью теста Дикки-Фулера. в) выбор модели ARIMA с подбором параметров и сравнения по критерию Акаике. г) оценка оптимальности модели по критерию Фишера. 6. Метод сравнительного анализа рядов параметров объекта и факторов влияния для уточнения корреляционных связей посредством выделения схожих повторяющихся паттернов в рядах параметров событий, показателей объектов мониторинга, факторов. 7. Алгоритм расчета статистических показателей временных рядов (темпов роста/снижения инцидентов, роста/снижения нарушений, индекса сезонности, вероятности сезонности и цикличности на динамику событий, вероятности влияния случайных факторов и т.д.

Аннотация результатов, полученных в 2022 году
В ходе третьего этапа проекта выполнены следующие работы и получены научные результаты. 1 Результат. Разработан метод сравнительного анализа (бенчмаркинга) временных рядов характеристик критических событий с временными рядами возможных факторов влияния для определения корреляций между ними. Результатом сравнительного анализа является выделение схожих фрагментов рядов (паттернов) показателей инцидентов и нарушений с паттернами показателей факторов. Разработан комбинированный метод восстановления пропусков и исключения выбросов для фильтрации таблиц данных, синтезированным по выгружаемым с фоторадарных комплексов данным, включающий: а) процедуру переноса последнего отсчета LOCF, б) процедуру изменения аномалий по алгоритму k – ближайших соседей. Разработан аналитический подход для установления корреляционных связей между временными рядами показателей фактора влияния (метеоданных) с рядами результативных показателей (число аварий и нарушения скоростного режима) на основе алгоритмов многофакторного дисперсионного анализа, статистического анализа, кластеризации и сравнительного анализа рядов. Разработана методика отбора существенных показателей факторов влияния на основании оценки степени влияния (чувствительности) показателей факторов на два результативных показателя на основе метода многофакторного дисперсионного анализа. В качестве показателей метеоданных на первом этапе выбираются 28 характеристик погодных условий, извлекаемые из архивного файла. В результате работы методики выбрано 8 показателей для показателя аварийности (освещенность, видимость, оценка дорожных условий, влажность, высота снежного покрова, оценка обледенения, уровень осадков, облачность) и 6 показателей для нарушений скоростного режима (видимость, оценка дорожных условий, уровень осадков, оценка обледенения, освещенность, сила ветра). Разработан метод сравнения временных рядов в заданные интервалы времени, реализованный с использованием процедур статистического анализа для расчета признаков ряда и метода кластеризации для сравнения по схожести. Для кластеризации получено 48 описательных характеристик для каждого ряда. На первом этапе применен модифицированный алгоритм кластеризации k-means с оценкой степени близости по метрике DTW. Полученное число центроидов, их временные ряды и наборы 48 признаков являются входными данными для пятислойной нечеткой нейронной сети, которая после обучения применяется для расчета функций принадлежности исходных рядов к центроидам и их более оптимального перераспределения. 2 Результат. Разработан набор предиктивных моделей для прогностической оценки рисков возникновения и развития критических событий (аварий и нештатных ситуаций) на участках дорожно-транспортной инфраструктуры города. Модели предиктивного анализа получены для временных рядов показателей аварийности, нарушений скоростного режима и существенных показателей метеоданных, отобранных в ходе сравнительного анализа. Разработана методика прогностического моделирования временных рядов для синтеза и оценки предиктивных моделей. Разработана модель прогнозирования Фостера-Стьюарта с тройным экспоненциальным сглаживанием (модель Хольта-Винтерса) и выполнен прогноз на выгруженных данных Разработана модель SARIMA с 2 группами параметров (p,d,q)(ps,ds,qs) для рядов с сезонными компонентами. Для синтеза моделей и сравнения результатов прогноза по точности использованы пакет forecast и пакет prophet в системе R. Разработан комбинированный подход для оценки точности прогноза каждой моделью, включающий: а) оценку моделей по набору критериев AIC, BIC, RMSE, MAP, MASE, б) метод сравнительного анализа прогнозных и тестовых паттернов на основе кластеризации с DTW метрикой. Разработан метод предиктивного анализа рядов, который включает этапы: 1) Подготовка единой таблицы данных с датами, временными рядами показателей критических событий и факторов влияния. 2) Выбор временного ряда для синтеза модели. Разделение ряда на обучающую и тестовые выборки. 3) Декомпозиция временного ряда, проверка автокорреляции, проверка стационарности (теста Дикки-Фулера). 4) Определение параметров (p, d, q) (ps, ds, qs) для временного ряда методом полного перебора на основе анализа автокорреляционной/частной автокорреляционной функции и минимизации критерия Акаике. 5) Синтез набора моделей SARIMA для каждого ряда и получение графиков прогнозных значений на обучающих выборках. Если получен один набор и синтезирована одна модель, то переход к пункту 9. 6) Расчет критериев оценки моделей (AIC, BIC, RMSE, MAP, MASE) для моделей. Формирование списка моделей. 7) Сравнительный анализ комбинированным методом кластеризации графиков прогнозных значений с тестовыми выборками за аналогичные временные интервалы. Тестовые части ряда считаются центроидами. Отбор рядов с наименьшими DTW метриками близости к центроидам и формирование списка моделей. 8) Выбор оптимальных моделей с аналогичными параметрами из двух списков. 9) Синтез прогнозного паттерна для одной модели или усредненного прогнозного паттерна на базе расчета средних арифметических значений прогнозных паттернов, построенных набором моделей. 10) Синтез моделей деревьев решений C5.0 и CHAID для прогнозирования и сравнение их с моделями SARIMO. 11) Переход к пункту 2 для выбора следующего ряда. 3 результат. Разработан способ визуализации результатов проактивного мониторинга с геопространственной и временной привязкой на стационарных узлах и мобильных средствах связи для помощи пользователям и лицам, принимающим решения в процессе обеспечения безопасности в среде «умного города». Способ реализован в нескольких приложениях для визуализации и анализа результатов мониторинга на цифровой карте с поддержкой набора процедур предиктивной аналитики. Первое приложение предназначено для визуализации и анализа данных на Яндекс картах. Приложение отображает информацию о нарушениях и инцидентах в выбранной зоне в заданные интервалы времени. Представлены результаты работы приложения на примере карты города Пензы и Пензенского района. Анализ инфографики инцидентов позволяет выделять и ранжировать типы событий, выполнять их кластеризацию по типам, зонам, маршрутам, за заданный интервал времени и т.п. Для кластера или для всей карты синтезируются гистограммы распределения событий за интервал времени. Приложение позволяет визуализировать и анализировать временные ряды на основе тепловых карт. В приложении реализован алгоритм прогнозирования и визуализации вероятностного риска аварий на маршруте или в зоне на базе анализа статистик по аварийности, метеорологических данных и прогноза погоды. Разработан алгоритм анализа загруженности транспортной сети в зоне. Разработан метод анализа критических событий для сегментации данных об них алгоритмом кластеризации K-means. Разработан модуль анализа правил ассоциации для определения причин типов событий на базе алгоритма поиска правил ассоциации в больших данных. Разработано приложение для сбора, анализа и визуализации метеоданных на карте в заданный временной интервал. Приложение также используется для сбора, анализа и визуализации данных экологического мониторинга городской среды. Разработан перечень агентов мониторинга для предиктивной аналитики и управления движением транспорта в «умном» городе. В процессе проектных исследований за отчетный период подготовлено и опубликовано 9 статей в рецензируемых российских и зарубежных изданиях, в том числе 4 статьи, индексируемых в Scopus и/или Web of Science ((4) статьи в журналах 1 и 2 квартиля), 4 статьи в журналах из списка ВАК, 1 статья в других изданий.