Механизм управления алгоритмами построения витрин данных в интеллектуальных транспортных системах
(Стр. 175-185)
Подробнее об авторах
Городничев Михаил Геннадьевич
кандидат технических наук, доцент; декан, факультет «Информационные технологии»
Московский технический университет связи и информатики (МТУСИ)
г. Москва, Российская Федерация Полянцева Ксения Андреевна кандидат технических наук; доцент, кафедра «Интеллектуальный анализ данных»; Московский технический университет связи и информатики (МТУСИ); г. Москва, Российская Федерация Грязнов Николай Александрович кафедра «Математическая кибернетика и информационные технологии»; Московский технический университет связи и информатики (МТУСИ); г. Москва, Российская Федерация.
Московский технический университет связи и информатики (МТУСИ)
г. Москва, Российская Федерация Полянцева Ксения Андреевна кандидат технических наук; доцент, кафедра «Интеллектуальный анализ данных»; Московский технический университет связи и информатики (МТУСИ); г. Москва, Российская Федерация Грязнов Николай Александрович кафедра «Математическая кибернетика и информационные технологии»; Московский технический университет связи и информатики (МТУСИ); г. Москва, Российская Федерация.
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
В статье рассматривается задача повышения гибкости и управляемости процессов построения витрин данных в интеллектуальных транспортных системах. Актуальность исследования обусловлена необходимостью оперативного изменения алгоритмов обработки данных в условиях динамически изменяющихся требований и большого объема поступающей информации от транспортной инфраструктуры и телематических источников. Предложен механизм управления алгоритмами расчета витрин данных, обеспечивающий централизованное хранение, валидацию и динамическое применение вычислительных правил без модификации основного кода ETL-процессов. Разработана архитектура программного решения, включающая пользовательский интерфейс, серверное приложение и репозиторий правил в базе данных, а также описана интеграция механизма в процессы построения витрин данных. Представлена математическая модель применения вычислительных правил, формализующая процесс выбора и композиции функций обработки данных. Проведено функциональное тестирование разработанного механизма, подтвердившее корректность его работы и возможность применения в различных режимах эксплуатации, включая пилотное внедрение алгоритмов. Практическая значимость работы заключается в возможности использования предложенного механизма в информационных системах интеллектуального транспорта для сокращения времени внедрения изменений алгоритмов и повышения надежности процессов обработки данных.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Городничев М.Г., Полянцева К.А., Грязнов Н.А. Механизм управления алгоритмами построения витрин данных в интеллектуальных транспортных системах // Computational Nanotechnology. 2026. Т. 13. № 1. С. 175-185. DOI: 10.33693/2313-223X-2026-13-1-175-185. EDN: MHSMFK
Список литературы:
Полянцева К.А. Высоконагруженная платформа для агрегации и анализа неструктурированных данных о состоянии дорожного полотна // Автоматизация в промышленности. 2022. № 5. С. 32–37. DOI: 10.25728/avtprom.2022.05.09.
Полянцева К.А., Егорова К.О. Автоматизация процессов обработки больших данных с использованием DevOps // Экономика и качество систем связи. 2025. № 4 (38). С. 107–118.
Beese J., Aier S., Haki K., Winter R. The impact of enterprise architecture management on information systems architecture complexity // European Journal of Information Systems. 2023. Vol. 32. No. 6. Pp. 1070–1090. DOI: 10.1080/0960085X.2022.2103045.
Dibouliya A. Self-serving data marts orchestrated by AutoML-Governed pipelines // International Journal of Environmental Sciences. 2025. Pp. 65–82. DOI: 10.64252/p9cqj306.
Gong T., Zhu L., Yu F.R., Tang T. Edge intelligence in intelligent transportation systems: A survey // IEEE Transactions on Intelligent Transportation Systems. 2023. Vol. 24. No. 9. Pp. 8919–8944. DOI: 10.1109/TITS.2023.3275741.
Haque M.A., Ahmad S., Alanazi S., John A. IoT-based data analysis and security for intelligent transportation system in smart cities // Synergies in Data Analytics and Cyber Security. Proceedings of the International Conference (DACS 2024) / D. Puthal, B.K. Panigrahi, N. Ray, Z. Ding (eds.). Singapore: Springer, 2026. Pp. 62–75. DOI: 10.1007/978-981-95-2680-2_62.
Narayanan P.K. Orchestrating data engineering pipelines using apache airflow // Data engineering for machine learning pipelines. Berkeley, CA: Apress, 2024. Pp. 235–260. DOI: 10.1007/979-8-8688-0602-5_12.
Pagidi R.K., Kolli R., Mokkapati C. et al. Enhancing ETL performance using delta lake in data analytics solutions // Universal Research Reports. 2022. Vol. 9. No. 4. Pp. 473–495. DOI: 10.36676/urr.v9.i4.1381.
Patel P. Cross-functional data modeling and data mart design for sales intelligence // International Journal of Science and Research Archive. 2025. Vol. 16. No. 3. Pp. 1383–1392. DOI: 10.30574/ijsra.2025.16.3.2518.
Sharma V. An enlightening assessment of data mart exploration in promptly mounting data warehousing consequence // IARJSET. 2021. Vol. 8. No. 5. Pp. 264–268. DOI: 10.17148/IARJSET.2021.8544.
Tourouta E., Gorodnichev M., Polyantseva K., Moseva M. Providing fault tolerance of cluster computing systems based on fault-tolerant dynamic computation planning. Springer, 2022. Pp. 143–150. (Lecture Notes in Information Systems and Organisation) DOI: 10.1007/978-3-030-94252-6_12.
Veeramachaneni J. Designing self-healing ETL pipelines with airflow and databricks // International Journal of Science and Research Archive. 2025. Vol. 17. No. 3. Pp. 1037–1043. DOI: 10.30574/ijsra.2025.17.3.3114.
Wang F.-Y., Miao Q., Li X. et al. Transportation 5.0: The DAO to safe, secure, and sustainable intelligent transportation systems // IEEE Transactions on Intelligent Transportation Systems. 2023. Vol. 24. No. 10. Pp. 10262–10278. DOI: 10.1109/TITS.2023.3305380.
Youseff S., Farinu H., Barnty B. et al. Performance optimization and cost-efficiency in serverless ETL execution models // International Journal of Computer Engineering and Technology. 2026. Vol. 17. No. 1. Pp. 45–58. DOI: 10.34218/IJCET_17_01_005.
Zhu L., Yu F.R., Wang Y. et al. Big data analytics in intelligent transportation systems: A survey // IEEE Transactions on Intelligent Transportation Systems. 2019. Vol. 20. No. 1. Pp. 383–398. DOI: 10.1109/TITS.2018.2815678.
Полянцева К.А., Егорова К.О. Автоматизация процессов обработки больших данных с использованием DevOps // Экономика и качество систем связи. 2025. № 4 (38). С. 107–118.
Beese J., Aier S., Haki K., Winter R. The impact of enterprise architecture management on information systems architecture complexity // European Journal of Information Systems. 2023. Vol. 32. No. 6. Pp. 1070–1090. DOI: 10.1080/0960085X.2022.2103045.
Dibouliya A. Self-serving data marts orchestrated by AutoML-Governed pipelines // International Journal of Environmental Sciences. 2025. Pp. 65–82. DOI: 10.64252/p9cqj306.
Gong T., Zhu L., Yu F.R., Tang T. Edge intelligence in intelligent transportation systems: A survey // IEEE Transactions on Intelligent Transportation Systems. 2023. Vol. 24. No. 9. Pp. 8919–8944. DOI: 10.1109/TITS.2023.3275741.
Haque M.A., Ahmad S., Alanazi S., John A. IoT-based data analysis and security for intelligent transportation system in smart cities // Synergies in Data Analytics and Cyber Security. Proceedings of the International Conference (DACS 2024) / D. Puthal, B.K. Panigrahi, N. Ray, Z. Ding (eds.). Singapore: Springer, 2026. Pp. 62–75. DOI: 10.1007/978-981-95-2680-2_62.
Narayanan P.K. Orchestrating data engineering pipelines using apache airflow // Data engineering for machine learning pipelines. Berkeley, CA: Apress, 2024. Pp. 235–260. DOI: 10.1007/979-8-8688-0602-5_12.
Pagidi R.K., Kolli R., Mokkapati C. et al. Enhancing ETL performance using delta lake in data analytics solutions // Universal Research Reports. 2022. Vol. 9. No. 4. Pp. 473–495. DOI: 10.36676/urr.v9.i4.1381.
Patel P. Cross-functional data modeling and data mart design for sales intelligence // International Journal of Science and Research Archive. 2025. Vol. 16. No. 3. Pp. 1383–1392. DOI: 10.30574/ijsra.2025.16.3.2518.
Sharma V. An enlightening assessment of data mart exploration in promptly mounting data warehousing consequence // IARJSET. 2021. Vol. 8. No. 5. Pp. 264–268. DOI: 10.17148/IARJSET.2021.8544.
Tourouta E., Gorodnichev M., Polyantseva K., Moseva M. Providing fault tolerance of cluster computing systems based on fault-tolerant dynamic computation planning. Springer, 2022. Pp. 143–150. (Lecture Notes in Information Systems and Organisation) DOI: 10.1007/978-3-030-94252-6_12.
Veeramachaneni J. Designing self-healing ETL pipelines with airflow and databricks // International Journal of Science and Research Archive. 2025. Vol. 17. No. 3. Pp. 1037–1043. DOI: 10.30574/ijsra.2025.17.3.3114.
Wang F.-Y., Miao Q., Li X. et al. Transportation 5.0: The DAO to safe, secure, and sustainable intelligent transportation systems // IEEE Transactions on Intelligent Transportation Systems. 2023. Vol. 24. No. 10. Pp. 10262–10278. DOI: 10.1109/TITS.2023.3305380.
Youseff S., Farinu H., Barnty B. et al. Performance optimization and cost-efficiency in serverless ETL execution models // International Journal of Computer Engineering and Technology. 2026. Vol. 17. No. 1. Pp. 45–58. DOI: 10.34218/IJCET_17_01_005.
Zhu L., Yu F.R., Wang Y. et al. Big data analytics in intelligent transportation systems: A survey // IEEE Transactions on Intelligent Transportation Systems. 2019. Vol. 20. No. 1. Pp. 383–398. DOI: 10.1109/TITS.2018.2815678.
Ключевые слова:
витрины данных, интеллектуальные транспортные системы, управление алгоритмами, вычислительные правила, ETL-процессы, хранилища данных, динамическое формирование запросов, архитектура информационных систем.
