CC BY
2
doi: 10.36724/2409-5419-2023-15-2-41-48
ИНТЕГРАЦИЯ СИСТЕМ БИЗНЕС-АНАЛИТИКИ С СИСТЕМАМИ УПРАВЛЕНИЯ БАЗАМИ ДАННЫХ
НА ТРАНСПОРТЕ
МАРКЕВИЧ
Даниил Владимирович1 ХАРЛАНОВА
Валерия Владиславовна2
ХОМОНЕНКО Анатолий Дмитриевич3
Сведения об авторах:
1магистрант кафедры информационные и вычислительные системы Петербургского государственного университета путей сообщения Императора Александра I, г Санкт-Петербург, Россия, dmarkevich811@mail.ru
2магистрант кафедры информационные и вычислительные системы Петербургского государственного университета путей сообщения Императора Александра I, г. Санкт-Петербург, Россия, lerya107@yandex.ru
АННОТАЦИЯ
Введение: в настоящее время большой практический интерес представляет решение различных транспортных задач с применением информационных технологий. Для работы с базами данных, содержащих в себе огромные массивы информации, их структуризации, тщательного анализа и принятия оптимальных решений, исследователи и аналитики активно используют различные системы, такие как системы управления базами данных (СУБД) или системы бизнес-аналитики. Несмотря на это, до сих пор не так широко применяется интеграция таких систем, способная повысить качество принимаемых решений. Цель исследования: состоит в отработке технологии интеграции между системой бизнес-аналитики и СУБД, позволяющей эффективно работать с огромным объемом данных при решении транспортных задач. Методы и средства: интеграция рассматриваемых систем реализована с помощью СУБД PostgreSQL 11 и аналитической платформы Loginom Community. Результаты: выполнен полный цикл интеграции систем, включающий в себя создание и заполнение базы данных в системе PostgreSQL 11, а также её подключение к аналитической платформе Loginom Community для структуризации данных, их анализа и дальнейшего принятия решений. Практическая значимость: главной отличительной чертой реализованной технологии является полная совместимость двух систем, изначально отвечающих за разные задачи: базы данных, располагающей обширной экосистемой доступных средств, и платформы, предоставляющей возможности глубокой аналитики для принятия оптимальных управленческих решений. Представлены причины и преимущества интеграции указанных систем, а также их применения при решении конкретных транспортных задач. Обсуждение: при решении задачи обеспечения интеграции рассмотрено практическое применение СУБД и системы бизнес-аналитики. С помощью PostgreSQL 11 сформированы две базы данных, которые интегрированы с аналитической платформой Loginom Community. Дальнейшие исследования целесообразно продолжить в направлениях практического использования интеграции для аналитики больших массивов баз данных, а также в интересах повышения качества принятия управленческих решений в транспортных задачах.
3д.т.н., профессор, профессор кафедры информационные и вычислительные системы Петербургского государственного университета путей сообщения Императора Александра I, г. Санкт-Петербург, Россия, khomon@mail.ru
КЛЮЧЕВЫЕ СЛОВА: система бизнес-аналитики, система управления базами данных, интеграция инструментальных систем, PostgreSQL, Loginom Community, роль интеграции и цифровизации в железнодорожной области.
Для цитирования: Маркевич Д.В., Харланова В.В., Хомоненко А.Д. Интеграция систем бизнес-аналитики с системами управления базами данных на транспорте // Наукоемкие технологии в космических исследованиях Земли. 2023. Т. 15. № 2. С. 41-48. doi: 10.36724/2409-5419-2023-15-2-41-48
1. Введение
Одной из важнейших задач нашего времени является развитие транспортных технологий. Игнорировать информационные системы, не использовать их на транспорте (в частности, на железной дороге) - значит упускать возможность оптимизировать ресурсы, инвестиции, затраты и, соответственно, получать выгоды [1].
В статье предлагается разработка прототипа эффективной экосистемы взаимодействия СУБД PostgreSQL 11 и аналитической платформы Loginom Community, идея которой заключается в том, что пользователь интегрированной системы сможет эффективно решать задачи хранения информации и ее аналитической обработке.
В качестве примера рассматрена технология создания экосистемы взаимодействия баз данных для эффективного контроля за фирменным подвижным составом Октябрьской железной дороги в течение X дня с использованием СУБД PostgreSQL 11 и аналитической платформы Loginom Community.
2. Актуальность применения информационных технологий в логистике
Индустрия логистики значительно выигрывает от достижений в области информационных технологий. Однако улучшения, которые технологии привносят в сектор логистики, от улучшения связи до оптимизации маршрутов доставки, на этом не заканчиваются. При использовании логистической интеграции, транспортные компании могут расширить свое портфолио и предложить своим клиентам больше услуг [2].
В последние годы возможность интегрировать несколько инструментальных систем обеспечивает повышение эффективности решения транспортных и логистических задач. Благодаря интеграции API обмен данными происходит быстро и безопасно, что позволяет обеим сторонам оперативно действовать в случае возникновения проблем [3,4].
Такая система использует программное обеспечение и технологии, среди прочего, для помощи в управлении автопарком, а также используется для мониторинга данных о пассажирах или грузах в движении и предоставления информации о автопарке в режиме реального времени. Это упрощает общий процесс транспортировки за счет использования комплексного решения для обеспечения видимости и контроля, которое позволяет планировать и управлять перевозочным процессом, а также выбирать наиболее экономичный способ.
3. Формирование баз данных с применением СУБД PostgreSQL
Одной из наиболее успешных доступных баз данных с открытым исходным кодом в настоящее время считается PostgreSQL. Сейчас это одна из самых продвинутая система с широким спектром функций, которые бросают вызов даже многим базам данных с закрытым исходным кодом [5,6].
Так как PostgreSQL является надежной, безопасной и расширяемой базой данных, а также располагает обширной экосистемой доступных средств, разработчики используют PostgreSQL в разнообразных сценариях.
Это программное обеспечение совместимо со всеми основными операционными системами, включая Linux, Windows и Macintosh, а также поддерживает текст, изображения, звуки и видео. Благодаря этому база данных пользуется популярностью у пользователей и компаний с различными потребностями [7, 8]. В статье рассматривается взаимодействие двух баз данных, сформированных с помощью PostgreSQL: RailwayStation и RailwayStationdata.
В базе данных RailwayStation сосредоточены динамичные данные железнодорожного перемещения действующего фирменного подвижного состава Октябрьской железной дороги (заказы, билеты, пассажиры), которые ежесуточно дополняются и обновляются.
В базе данных RailwayStation data располагаются сведения, касающиеся основных характеристик рассматриваемого подвижного состава, посадочных мест, станций и стандартными рейсами. Эти данные можно назвать статичными, так как они практически всегда остаются постоянными.
В формируемой базе данных RailwayStation data задействованы следующие таблицы:
1) таблица подвижного состава, задача которой - хранение основных данных действующего фирменного подвижного состава ОЖД (всего 48 единиц);
2) таблица станций, задача которой - хранение основных данных тех станций, по которым движется фирменный подвижной состав ОЖД;
3) таблица посадочных мест, задача которой - хранение основных данных всех посадочных местах фирменного подвижного состава ОЖД;
4) таблица рейсов, задача которой - хранение основных данных рейсов, проходящих в течение X дня;
Таблицы в базе данных связываются между собой путём создания ключей (табл. 1).
Таблица 1
Установка связей между таблицами в базе данных RailwayStationdata
Пояснение Отображение
Присваивание первичного ключа колонке railway station id CREATE TABLE Railway Stations ( railway station id INT PRIMARY KEY GENERATED ALWAYS AS IDENTITY, railway_station_code INT, railway station name VARCHAR(80), city VARCHAR(80) );
Присваивание первичного ключа колонке train id CREATE TABLE Rolling Stock ( train id INT PRIMARY KEY GENERATED ALWAYS AS IDENTITY, train code VARCHAR(20), train_name VARCHAR(30), vagon quantity INT, travel time VARCHAR(IO) );
В таблице колонка train id имеет тип varchar, так как в базе данных для наглядности сведения приведены в виде диапазона CREATE TABLE Seats( train idVARCHAR(20), vagon number VARCHAR(20), seat number VARCHAR(20), fare conditions VARCHAR(20) );
Таблица 3
Установка связей между таблицами в базе данных RailwayStation_data
Пояснение Отображение
Присваивание первичного ключа колонке race id, а также ограничение внешнего ключа колонки train id таблицы Races через ссылку на таблицу Rolling Stock CREATE TABLE Races ( race id INT PRIMARY KEY GENERATED ALWAYS AS IDENTITY, scheduled departure VARCHAR(IO), scheduled_arrival VARCHAR(IO), departure station VARCHAR(30), arrival station VARCHAR(30), train_id INT REFERENCES Rolling Stock(train id) );
Пояснение Отображение
Присваивание первичного ключа колонке order id CREATE TABLE Bookings ( order id INT PRIMARY KEY GENERATED ALWAYS AS IDENTITY, order_number INT, booking_date DATE, total_price INT ъ
Присваивание первичного ключа колонке ticket id CREATE TABLE Tickets ( ticket id INT PRIMARY KEY GENERATED ALWAYS AS IDENTITY, ticket_number BIGINT, order_number INT, passenger name VARCHAR(80), contact data VARCHAR(20) ъ
Ограничение внешнего ключа колонки ticket id таблицы Ticket Races через ссылку на таблицу Tickets, а также колонки race id через ссылку на таблицу Races CREATE TABLE Ticket Races ( ticket id BIGINT REFERENCES Tickets(ticket id), race_id INT REFERENCES Races(race_id), fare conditions VAR- CHAR(150), price INT ъ
Ограничение внешнего ключа колонки ticket id таблицы Ticket Races через ссылку на таблицу Tickets, а также колонки race id через ссылку на таблицу Races CREATE TABLE Boarding Passes ( ticket id INT REFERENCES Tickets(ticket id), race_id INT REFERENCES Races(race_id), seat numberINT );
3. Интегра я баз данных в аналитическую платформу Loginom Community
В формируемой базе данных Ка^ау81айоп будут задействованы следующие таблицы:
1. Таблица заказов, задача которой - хранение данных всех заказов (индивидуальный номер заказа, дата и цена).
Для удобства распределения заказов между различными типами поездов, все номера генерируются в различных диапазонах в зависимости от подвижного состава (табл. 2).
Таблица 2
Выделенные диапазоны по типам подвижного состава
Тип подвижного состава Выделенные диапазоны
Еранд Экспресс 0-1000
Карелия 1001 -2000
Красная стрела 2001 -3000
Мегаполис 3001 -4000
Невский экспресс 4001 -5000
Николаевский экспресс 5001 -6000
Сапсан 6000-25000
Северная пальмира 25001 -26000
Черноморец 26001 -27000
Экспресс 27001 -28000
2. Таблица билетов, задача которой - хранение персональных данных пассажиров и отображение индивидуального номера каждого билета. Значение 'ordernumber' связано с таблицей заказов так, что по одному заказу может быть выделено сразу несколько билетов (в том случае, если один человек заказывает билеты на нескольких);
3. Связующая таблица данных о билетах и рейсах, задача которой - соотношение каждого взятого билета к выбранному рейсу дополнительно с указанием класса и цены;
4. Таблица посадочных талонов, задача которой - хранение основных данных, указанных на посадочных талонах каждого пассажира. Таблица является связующей, так как принимает значения из вышеприведенных таблиц.
Таблицы в базе данных связываются ме^ду собой путём создания ключей (табл. 3).
Таким образом, SQL позволяет определять ограничения для столбцов и таблиц, а сами ограничения дают контроль над данными в таблицах. Если пользователь пытается сохранить данные в столбце, который нарушает ограничение, возникает ошибка. Это применимо, даже если значение получено из определения значения по умолчанию.
После формирования двух баз данных, необходимо их вывести на аналитическую платформу Loginom Community для дальнейшего решения задач. Выбор платформы обусловлен тем, что компания Postgres Professional и Loginom Company заключили соглашение о технологическом партнерстве, направленном на обеспечение совместимости продуктов [9, Ю].
Данное сотрудничество позволит предлагать заказчикам комплексное решение по хранению, обработке и анализу данных, включающее функционал как аналитической low-code платформы Loginom, так и СУБД Postgres Pro - флагманского продукта компании Postgres Professional.
Logicom Community - это аналитическая платформа, которая предоставляет возможности глубокой аналитики и позволяет принимать управленческие решения на основе точной и достоверной информации [12].
В качестве ключевых возможностей выделяют проведение сложных расчетов, консолидацию данных, очистку данных, прогнозирование и оптимизацию данных, интеграцию с любыми хранилищами данных (базами данных, отдельные файлы, учетные системы, социальные сети, веб-сервисы), комбинацию из структурного и объектно-ориентированного подходов к моделированию [13, 14].
Перед тем как использовать в сценариях узлы взаимодействия в пакете необходимо создать подключение к источнику данных. Подключение содержит в себе необходимые параметры для соединения с источником данных, такие как пароль/логин, расположение источника и др. Созданное подключение в дальнейшем может использоваться в пакете многократно [15, 16].
Для работы с базой данных, предварительно необходимо создать Подключение соответствующего типа, в зависимости от того к какой базе нужно подключиться. Созданное подключение необходимо поместить в сценарий, для этого необходимо создать узел, выходными данными которого являются параметры подключения к источнику данных [17].
Подключение можно создать двумя способами:
• перетащить нужное подключение из дерева в область подключений;
• дважды кликнуть по выбранному подключению в дереве.
В области подключений появится новое подключение, и откроется диалог редактирования параметров подключения. После того, как требуемые параметры будут заданы, подключение может быть протестировано.
Для работы с таблицами в базе данных в среде Loginom Community необходимо настроить параметры подключения (рис. 1).
В результате настройки подключения баз данных к среде Loginom Community, окно «Подключения» выглядит следующим образом (рис. 2).
Рис. 2. Окно «Подключения» после интеграции баз данных в PostgreSQL в среду Loginom Community
Для реализации эффективного отслеживания ключевых сведений отдельного действующего фирменного поезда Октябрьской железной дороги, разработан следующий алгоритм:
• добавление таблиц, разработанных в системе PostgreSQL, в среду Loginom Community;
• разделение всех таблиц на две группы: со статичными данными (характеристики действующего подвижного состава, станций, количества и классов посадочных мест) и динамичными данными (количество заказов, билетов, талонов и рейсов);
• сортировка строк таблиц в соответствии с настроенными диапазонами значений (либо train id в таблицах со статичными данными, либо race id или order number в таблицах с динамичными данными);
• слияние или соединений данных, собранных с разных таблиц для дальнейшего получения наглядных данных и впоследствии эффективной работы с ними;
• настройка и вывод результатов в удобную для восприятия форму Ехсе1-документа.
Для реализации алгоритма сформирован следующий сценарий в среде Loginom Community (рис. 3).
Для оценки эффективности выполнения сценария рассмотрим его работу на примере случайно выбранного подвижного состава - к примеру, Экспресса. Для этого необходимо настроить компоненты всех элементов сортировки в сценарии (табл. 4).
Таблица 4
Настройка компонентов сценария «Экспресс»
Рис. 1. Подключение базы данных RailwayStation в PostgreSQL к среде Loginom Community
Loginom полностью построен на основе веб-технологий. Веб-интерфейс обладает рядом существенных преимуществ:
• браузеры функционируют на любых ОС (Windows, MacOS, Linux и др.) и множестве устройств;
• минимизируются усилия по администрированию, так как отсутствует необходимость инсталляции и настройки рабочих мест.
Платформа обладает пользовательским интерфейсом, не требующим для работы специальной подготовки. Loginom имеет поддержку технологий анализа: от простой логики до машинного обучения.
Параметр Условие
train id 47 <= order number <= 48
order number 27 001 <= order number <= 28 000
race id 47 <= order number <= 48
В результате настройки параметров нами получены результаты всех данных, касающихся подвижного состава Экспресса, в виде трех таблиц в формате Ехсе1-документа. Для демонстрации формата вывода приведена таблица, включающая в себя данные о заказах, билетах и пассажирах, взятые за X день (рис. 4). Кроме этих данных, также можно настроить вывод необходимых сведений о рейсах и поездах, которые будут в движении в X день.
Рис. 3. Сценарий проекта
АБС D Е F
1 order_nun booking_d ticke turtum ber passen get_n ame contactad ata fare_conditions
2 27 666 10.10.2022 74 532 723148 678 Константинова Арина Мире+79626777532 Вагон Плацкарт
3 27 006 10.10.2022 74 778 034 566 765 Макаров Иван Константине+79224185630 Вагон Купе
4 27 994 10.10.2022 74 261 338 554 080 Демьянова Анна Тимофеев! +79218667598 Вагон Плацкарт
5 27 876 10.10.2022 74 635 686 753 565 Гусева Кэмила Никитична +79313445245 Вагон Купе
6 27 345 10,10.2022 74 251 466 545 654 Селезнева Викторий Дании +79313445245 Вагон Купе
Рис. 4. Данные о заказах, билетах и пассажирах, взятые за X день
pnce
seat. „num!
1 300 11
1950 13
1 300 17
1950 12
1950 6
При рассмотрении взаимодействии СУБД PostgreSQL 11 и аналитической платформы Loginom Community предложено решение эффективного хранения и обработки информации о перемещении действующего фирменного подвижного состава Октябрьской железной дороги в течение одного случайного дня. Благодаря реализации взаимодействия, пользователь интегрированной системы способен эффективно отслеживать ключевые сведения отдельно выбранного действующего фирменного поезда Октябрьской железной дороги.
Таким образом, благодаря интеграции СУБД и аналитической платформы Loginom Community становятся доступными решения разнообразного спектра задач. Применение платформы Loginom делает продвинутую аналитику доступной бизнес-пользователям. Визуальный конструктор позволяет настроить все процессы анализа: интеграцию, подготовку данных, моделирование и визуализацию. Loginom сокращает время от тестирования гипотезы до создания работающего бизнес-процесса [15].
Интеграция инструментальных систем и сбалансированное распределение функций управления движением поездов позволяет создать и реализовать комплекс по управлению перевозочным процессом нового уровня, способный к разрешению конфликтов и оптимизации графика с учетом изменений в реальном времени.
4. Заключение
Развитие транспортной инфраструктуры играет важную роль для устойчивого развития России и вхождения ее в международную систему хозяйства. Надежность работы всех коммуникаций во многом зависит от оперативной и достоверной оценки пространственно-временных параметров при-родно-техногенных условий и процессов. При этом важно знать существующее состояние объекта, динамику ситуации и возможные направления ее развития.
Применение новых отечественных СУБД и аналитических платформ позволяет Российской Федерации решать транспортные задачи с применением независимых универсальных технологий. PostgreSQL уже завоевал прекрасную репутацию мощного и многофункционального решения для реляционных данных, причём СУБД отличается превосходной реализацией основных реляционных функций, не ограничивая себя рамками традиционных СУБД. ОАО «РЖД» подписало трехлетнее соглашение, предоставляющее возможность неограниченного использования лицензий СУБД Postgres Pro, что позволит компании активно развивать цифровые сервисы, в основе которых лежат постоянно растущие объемы данных, продолжить реализацию политики импорто-замещения, направленную на достижение технологической независимости.
Благодаря таким шагам, в транспортную отрасль внедряются важнейшие базовые технологии в решение задачи построения «умного» железнодорожного комплекса, находящегося на передовых позициях в транспортных системах регионов.
Дальнейшие исследования целесообразно продолжить в направлениях практической реализации подходов к интеграции современных инструментальных средств, в том числе рассмотренных систем с пакетами математических расчетов, организации параллельных вычислений и системами программирования высокого уровня для повышения удобства и эффективности решения сложных научно-технических задач по аналогии с тем, как это описано в [18-20].
Литература
1. Илюхина С.С. Информационные технологии в логистике транспортного узла II Инновации и инвестиции. 2020. №2.С. 256-258.
2. НегрееваВ.В., Замятина А. А., ШпаковичД. К., Шаронова А.Д. Использование цифровых технологий в логистике. Научный журнал НИУ ИТМО. Серия «Экономика и экологический менеджмент». 2020. С. 94-99.
3. Ding Y., JinM., Li S., FengD. Smart logistics based on the internet ofthings technology: an overview. International Journal of Logistics Research andApplications, 2021, vol. 24, pp. 323-345.
4. Tang C., VeelenturfL. The strategic role of logistics in the industry 4.0 era. Transportation Research Part E: Logistics and Transportation Review, 2019, vol. 129,pp. 1-11.
5. Ferrari L., Pirozzi E. Learn PostgreSQL: Build and manage highperformance database solutions using PostgreSQL 12 and 13. Birmingham: Packt Publishing, 2020. 616 p.
6. Juba S., Volkov A. Learning PostgreSQL 11: A beginner's guide to building high-performance PostgreSQL database solutions. Birmingham: Packt Publishing, 2019. 528 p.
7. Данилов А.Д., Терехов Д.В. Сравнительный анализ СУБД для выбора операционной базы данных II Системы управления и информационные технологии. 2019. № 3(77). С. 56-63.
8. Демахин И.А. Сравнительный анализ систем управления базами данных с открытым исходным кодом. Россия молодая. 2022. С. 31513.1-31513.7
9. Ткаченко А.Л., Мельников А.А., Кузнецова В.И. Прикладные решения на базе Loginom. Дневник науки. 2021. № 5.
10. Невекин ДА., Прокопенко Н.Ю. Разработка библиотеки очистки данных для систем бизнес-аналитики на базе АП Loginom. X Всероссийский фестиваль науки. 2020. № 2. С. 358-361.
11. Невекин Д.А., Прокопенко Н.Ю. Разработка системы поддержки принятия решений на базе аналитической платформы Loginom для эффективного управления маркетинговыми кампаниями. Вестник Сыктывкарского университета. Серия 1. Математика. Механика. Информатика, 2020. № 2(35). С. 37-44.
12. Мораръ Е.В., Рыжковский П.А. О возможности применения аналитической платформы Loginom для анализа данных торговой компании. Информационный бюллетень омского научно-образовательного центра ОмГТУ и ИМ СО РАН в области математики и информатики, 2020. № 1. С. 71-73.
13. Староверов С.В., Иванова И.А., Перунова В.Э., Чижова Н.А. Эффективность алгоритмов выбора товара для потребителя в системе Loginom. Современные технологии в науке и образовании,
2020. С. 214-219.
14. Бабурин А.Н. Особенности построения ансамблей моделей для обработки разнородных социологических данных в среде Loginom II Актуальные проблемы современной науки: взгляд молодых. 2019. С. 597-600.
15. ТкаченкоА.Л., МахоринД.П., КузнецоваВ.И. Интеллектуальный анализ динамики курса золота с помощью программы Loginom II Заметки ученого. 2021. № 9 (57).
16. Евсюков В.В., Капустин А.В., Ильина Ю.А. Аналитическая платформа Loginom - универсальный инструмент углубленной аналитики. Вестник тульского филиала финуниверситета. 2020. № 1. С. 291-292.
17. Тришин Д.В., Прокопенко Н.Ю. Разработка библиотеки прогнозирования в Loginom IIX Всероссийский фестиваль науки. 2020. С. 354-357.
18. Ермаков С.Г., Забродин А.В., Красновидов А.В., Хомоненко А.Д. О взаимодействии Simulink-моделей сложных и интеллектуальных систем с программами на языках высокого уровня. Телекомму-никацииитранспорт. 2022. № 12. С. 23-31.
19. Adadurov S., Khomonenko A., Krasnovidov A. Comparison of Control Systems Based on PID Controllers and Based on Fuzzy Logic Using MatLab and Simulink. Lecture Notes in Networks and Systems,
2021, vol. 229, pp. 224-237.
20. Krasnovidov A.V., Khomonenko A.D. Integration of MatLab and R with high-level languages using C# and Microsoft Visual Studio as an example/ Conference Paper. Journal of Physics: Conference Series, 2021, 2131(2), 022096.
INTEGRATION OF BUSINESS INTELLIGENCE SYSTEMS WITH DATABASE MANAGEMENT SYSTEMS IN TRANSPORT
DANIIL MARKEVICH
St-Petersburg, Russia
VALERIA KHARLANOVA
St-Petersburg, Russia
KEYWORDS: business intelligence system, database management ANATOLY KHOMONENKO system, tool systems integration, PostgreSQL, Loginom Community,
St-Petersburg, Russia the role of integration and digitalization in the railway field.
ABSTRAd
Intoduction: at present, the solution of various transport problems using information technologies is of great practical interest. To work with databases containing huge amounts of information, their structuring, thorough analysis and making optimal decisions, researchers and analysts actively use various systems, such as database management systems (DBMS) or business intelligence systems. Despite this, the integration of such systems, which can improve the quality of decisions, is still not widely used. Purpose: is to develop the integration technology between the business intelligence system and the DBMS, which allows you to work effectively with a huge amount of data when solving transport tasks. Methods: The integration of the systems under consideration is implemented using the PostgreSQL 11 DBMS and the Loginom Community analytical platform. Results: a full cycle of system integration has been completed, including the creation and filling of a database in the PostgreSQL 11 system, as well as its connection to
the Loginom Community analytical platform for data structuring, analysis and further decision-making. Practical relevance: the main distinguishing feature of the implemented technology is the full compatibility of two systems initially responsible for different tasks: a database with an extensive ecosystem of available tools, and a platform that provides deep analytics capabilities for making optimal management decisions. The reasons and advantages of the integration of the above systems, as well as their application in solving specific transport problems, are presented. Discussion: when solving the problem of ensuring integration, the practical application of a DBMS and a business intelligence system is considered. Using PostgreSQL 11, two databases are formed, which are integrated with the Loginom Community analytical platform. It is advisable to continue further research in the areas of practical use of integration for the analytics of large database arrays, as well as in the interests of improving the quality of managerial decision-making in transport problems.
REFERENCES
1. Ilyukhina S.S. Information technologies in logistics of a transport hub. Innovaciiiinvesticii [Innovation and investment]. 2020. No. 2, pp. 256-258. (In Rus)
2. Negreeva V.V., Zamyatina A. A., Shpakovich D. K., Sharonova A.D. The use of digital technologies in logistics. Nauchnyjzhurnal NIU ITMO. Serija "Jekonomika i jekologicheskij menedzhment" [Scientific Journal of NIU ITMO. The series "Economics and Environmental Management"]. 2020, pp. 94-99. (In Rus)
3. Ding Y., Jin M., Li S., Feng D. Smart logistics based on the internet of things technology: an overview. International Journal of Logistics Research and Applications, 2021, vol. 24, pp. 323-345.
4. Tang C., Veelenturf L. The strategic role of logistics in the industry 4.0 era. Transportation Research Part E: Logistics and Transportation Review, 2019, vol. 129, pp. 1-11.
5. Ferrari L., Pirozzi E. Learn PostgreSQL: Build and manage highperformance database solutions using PostgreSQL 12 and 13. Birmingham: Packt Publishing, 2020. 616 p.
6. Juba S., Volkov A. Learning PostgreSQL 11: A beginner's guide to building high-performance PostgreSQL database solutions. Birmingham: Packt Publishing, 2019. 528 p.
7. Danilov A.D., Terekhov D.V. Comparative analysis of a DBMS for choosing an operational database. Sistemy upravlenija i informa-
cionnye tehnologii [Management systems and information technologies]. 2019. No. 3(77), pp. 56-63. (In Rus)
8. Demakhin I.A. Comparative analysis of open source database management systems. Molodaya Rossiya [Young Russia]. 2022, pp. 31513.1-31513.7. (In Rus)
9. Tkachenko A.L., Melnikov A.A., Kuznetsova V.I. Applied solutions based on Loginom. Dnevnik nauki [Diary of Science]. 2021. No. 5. (In Rus)
10. Nevekin D.A., Prokopenko N.Y. Development of a data purification library for business intelligence systems based on Loginom. X All-Russian Science Festival. 2020. No. 2, pp. 358-361. (In Rus)
11. Nevekin D.A., Prokopenko N.Y. Development of a decision support system based on the Loginom analytical platform for effective management of marketing campaigns. VestnikSyktyvkarskogo univer-siteta. Serija 1. Matematika. Mehanika. Informatika [Bulletin of Syktyvkar University. Series 1. Mathematics. Mechanics. Informatics], 2020. No. 2(35), pp. 37-44. (In Rus)
12. Morar E.V., Ryzhkovsky P.A. On the possibility of using the Loginom analytical platform for analyzing trading company data. Informacionnyj bjulleten' omskogo nauchno-obrazovatel'nogo centra OmGTU i IM SO RAN v oblasti matematiki i informatiki [Newsletter of the Omsk Scientific and Educational Center of OmSTU and IM SB RAS in the field of mathematics and computer science], 2020. No. 1, pp. 71-73. (In Rus)
13. Staroverov S.V., Ivanova I.A., Perunova V.E., Chizhova N.A. Efficiency of algorithms for choosing goods for consumers in the Loginom system. Sovremennye tehnologii v nauke i obrazovanii [Modern technologies in science and education], 2020, pp. 214-219. (In Rus)
14. Baburin A.N. Features of constructing ensembles of models for processing heterogeneous sociological data in the Loginom environment. Aktual'nye problemy sovremennoj nauki: vzgljad molodyh [Actual problems of modern science: the view of the young]. 2019, pp. 597-600. (In Rus)
15. Tkachenko A.L., Makhorin D. P., Kuznetsova V.I. Intellectual analysis of the dynamics of the gold exchange rate using the Loginom program. Zametkiuchenogo [Notes of the scientist]. 2021. No. 9 (57).
16. Evsyukov V.V., Kapustin A.V., Ilyina Y.A. Loginom analytical platform is a universal tool for in-depth analytics. Vestnik tul'skogo filiala finuniversiteta [Bulletin of the Tula branch of the Financial University]. 2020. No. 1, pp. 291-292. (In Rus)
17. Trishin D.V., Prokopenko N.Y. Development of the forecasting library in Loginom. XAll-Russian Science Festival. 2020, pp. 354-357. (In Rus)
18. Ermakov S.G., Zabrodin A.V., Krasnovidov A.V., Homonenko A.D. The interaction of Simulink models of complex and intelligent systems with programs in high-level languages. Telekommunikacii i transport [Telecommunications and Transport]. 2022. No. 12, pp. 23-31. (In Rus)
19. Adadurov S., Khomonenko A., Krasnovidov A. Comparison of Control Systems Based on PID Controllers and Based on Fuzzy Logic Using MatLab and Simulink. Lecture Notes in Networks and Systems, 2021, vol. 229, pp. 224-237.
20. Krasnovidov A.V., Khomonenko A.D. Integration of MatLab and R with high-level languages using C# and Microsoft Visual Studio as an example. Conference Paper. Journal of Physics: Conference Series, 2021, 2131(2), 022096.
INFORMATION ABOUT AUTHORS:
Daniil V. Markevich, Master's student at the Department of Information and Computing systems of Emperor Alexander I St. Petersburg state transport university, St. Petersburg, Russia, dmarkevich811@mail.ru
Valeria V. Kharlanova, Master's student at the Department of Information and Computing systems of Emperor Alexander I St. Petersburg state transport university, St. Petersburg, Russia, lerya107@yandex.ru
Anatoly D. Khomonenko, Grand PhD, Professor, Professor of the Department of Information and Computing systems of Emperor Alexander I St. Petersburg state transport university, St. Petersburg, Russia, khomon@mail.ru
For citation: Markevich D.V., Kharlanova V.V., Khomonenko A.D. Integration of business intelligence systems with database management systems in transport. H&ES Reserch. 2023. Vol. 15. No 2. P. 41-48. doi: 10.36724/2409-5419-2023-15-2-41-48 (In Rus)
