Стаття

Отримано 21.12.2020

Доопрацьовано 03.05.2021

Прийнято 18.06.2021

Взято з Вип. 109, 2021

Сторінки 157 -165

Kuzminets, M., & Dubovenko, Yu. (2021). CONSTRAINTS OF OPTIMIZATION OF STATISTICAL ANALYSIS OF DATA OF ENGINEERIG MONITORING OF TRANSPORT NETWORKS. Automobile Roads and Road Construction, (109), 157-165. https://doi.org/10.33744/0365-8171-2021-109-157-165

ОБМЕЖЕННЯ ОПТИМІЗАЦІЇ СТАТИСТИЧНОГО АНАЛІЗУ ДАНИХ ТЕХНІЧНОГО МОНІТОРИНГУ ТРАНСПОРТНИХ МЕРЕЖ

Микола Кузьмінець Юрій Дубовенко

У процесі неперервного технічного моніторингу транспортних мереж та об’єктів до рожньо-мостового господарства накопичуються великі обсяги даних неперервних вимірювань різно манітних технічних показників. Ці бази даних містять окремі часові ряди записів технічного монітори нгу транспортних мереж, що включають, крім корисних сигналів, також випадкові завади (шуми) та пропуски даних різної природи. Аналіз таких даних, що ускладнені нелінійними похибками, вимагає спеціального статистичного інструментарію. Широко вживані статистичні пакети для обробки випад кових даних, здебільшого не містять повного циклу засобів та алгоритмів, необхідних для обробки великих часових рядів та інших спостережень великої розмірності. Зокрема, лінійна шкала часу для обробки періодичних даних в поширених програмах цифрової статистики відсутня. А тим часом, нако пичено позитивний досвід обробки даних, що ускладнені похибками, в зовсім іншій галузі знань – гео фізичному та геоінженерному моніторингу. І звідти можна запозичити деякі прийоми та засоби. Зокрема, шляхом аналізу технічних спостережень із подібними початковими умовами та часо вими обмеженнями, виявлено, що методика ковзного вікна підходить з достатньою для практики точ ністю для обробки перерваних часових рядів. Проте її головними недоліками є істотне обмеження щодо довжини рядка запису та підвищена чутливість до прогалин даних. Нехтування цими обмежен нями методу призводить до істотних спотворень моделі корисного сигналу під час потокової фільтрації вхідної інформації. Тому графік обробки часових рядів потребує певної внутрішньої оптимізації, щоб адаптуватись до накопичення похибок під час послідовних ітерацій з первісної обробки даних. Визначено компактний алгоритм, який містить необхідні кроки для оптимізації графіка обробки часових рядів. Ці кроки полягають у наступному: необхідне зберігання даних у внутрішній базі даних системи спостережень; побудова зразків даних для порівняння має виконуватись лише у єдиному масштабі часу; цільову вибірку даних для конкретної задачі доцільно здійснювати на основі метаопису усієї серії спостережень; осереднення найбільш оптимально здійснювати у ковзному вікні; крім того, доцільно задіяти прив’язку масиву даних та окремих серій до календарних дат та передба чити маски для генералізації пропусків (як при пошуку у файлових базах даних). Також не зайвим буде можливість побудови зведених графіків спостережень та зберігання графіки у поширеному векторному форматі. Розкриваються умови вивчення часових рядів технічного моніторингу, а саме такі, як база да них, календарна структура даних, обробка прогалин, оптимальний пакет чисельних методів аналізу даних, послідовна їх обробка у ковзному вікні тощо. Всі пропозиції проілюстровано конкретними при кладами технічного та геофізичного моніторингу, що виконувались авторами у попередні роки. 

моніторинг, часовий ряд, оптимізація, усереднення, ковзне вікно

  1. Yakimov I.M., Kirpichnikov A.P., Mokshin V.V., Mukhutdinov T.A., 2015. Simulation training in the Simulink package of the Matlab system. Bulletin of Kazan technol. univ. Vol. 18. 5: 184–188. (in Russian).

  2. Trofimov A.V., 2015.The time index is a criterion for assessing the impact of traffic load on the quality of its functioning. Bulletin of IrSTU. 10 (105): 181–185. (in Russian).

  3. Belenkiy A.V., 2008. Timelines that allow you to see the time. ComputerPress. 12: 5–12. https://compress.ru/article.aspx?id=19860 (in Russian).

  4. Glinchenko A.S., 2005. Digital signal processing [Text]: textbook / A.S. Glinchenko. 2nd ed., Revised. and add. Krasnoyarsk: PH KSTU, 234 p. (in Russian).

  5. Lychkina, NN, 2005. Simulation of economic processes: manual / NN. Lychina. Moscow. 220 p.

  6. Chuba M.V., Keleman I.N., Garanja I.A., Stasyuk A.F., Verbitsky Yu.T., Nishchimenko I.M., Plishko S.M., Verbitskaya O.Ya., Davydyak O.D., Oleinik G.I., Simonova N.A., Burlutskaya A.M., Evdokimova O.V., 2011. Catalog and detailed data on earthquakes in the Carpathian region for 2011. Seismologist. Bull. of Ukraine for 2011. Sevastopol, SPC "Ecosee-Hydrophysics", pp. 115–182. (in Russian).

  7. Bakhvalov N.S., Zhidkov N.P., Kobelkov G.M., 2008. Numerical methods. - 5th ed. Moscow: Binom. (in Russian).

  8. Anderson T., 1976. Statistical time series analysis. 755 p. Moscow: Mir, (in Russian).

  9. Velichko V.V., 2016. Comparative analysis of statistical software packages. Innovative science. 5: 32–35. ISBN 2410-6070. (in Russian).

  10. Cooley James W. and Tukey John W., 1965. An algorithm for the machine calculation of complex Fourier series. Mathematics of Computation, p. 297–301.

  11. Shishov V.V., Ivanovsky A.B., 2006. Comparative analysis of moving synchronization coefficients in the analysis of time series. Bulletin of the Siberian state. Aerospace University by Academician M.F. Reshetnev. Pp. 29–33. (in Russian).

  12. Dubovenko Yu.I., Chorna O.A. On the ambiguity of 4D gravity monitoring of geological media. Геофізичний журнал. 2010. 32, № 4. C. 41–46.

  13. Dubovenko Yu.I., 2015. Notices on the strategy for creating of digital gravimetry databases in Ukraine. Geoinformatika. 4(56): 65–74. (in Russian).

https://doi.org/10.33744/0365-8171-2021-109-157-165