CC BY
34
13. Формирование ответственного отношения к учению, готовности и способности обучающихся к саморазвитию и самообразованию на основе мотивации к обучению и познанию, осознанному выбору и построению дальнейшей индивидуальной траектории образования на базе ориентировки в мире профессий и профессиональных предпочтений, с учётом устойчивых познавательных интересов, а также на основе формирования уважительного отношения к труду, развития опыта участия в социально значимом труде.
14. Умение организовывать учебное сотрудничество и совместную деятельность с учителем и сверстниками, работать индивидуально и в группе: находить общее решение и разрешать конфликты на основе согласования позиций и учёта интересов, формулировать, аргументировать и отстаивать своё мнение.
15. Формирование целостной научной картины мира.
ЛИТЕРАТУРА
1. Макарова, И.А. Человек - источник ресурсов. Участники образовательного процесса. Путь преодоления кризиса в образовании. Труды международного симпозиума Надежность и качество. 2014. Т. 1. С. 334-335.
2. Быков, В.В. Итоговая государственная аттестация: учеб. пособие // В.В. Быков, В. Ю. Прохоров, И. Г. Голубев и др. - М. : ФГБОУ ВПО МГУЛ, 2013. - 211 с.
3. Прохоров, В. Ю. Менеджмент качества сервисных услуг. Техническое регулирование при оценке качества продукции и услуг сервисных предприятий: учеб. пособие. М.: ГОУ ВПО МГУЛ, 2007. - 87 с.
4. Аронов, И.З. Основные вопросы технического регулирования : монография /И.З. Аронов, В.В. Быков, В.Ю. Прохоров. - М. : ГОУ ВПО МГУЛ, 2006. - 207 с.
5. Макарова, И.А. Ваше величество творчество. Труды международного симпозиума Надежность и качество. 2017. Т. 2. С. 311-312.
6. Осипов, Ф.М. Формирование духовных и нравственных ценностей у молодёжи / Ф.М. Осипов, И.А. Макарова // Труды международного симпозиума Надежность и качество. - 2015, Т. 2. - С. 273-275.
УДК 004.6:311.2
Бершадский1 А.М., Лычагин2 К. А., Финогеев1 А. Г., Шмид2 А. В.
1ФГБОУ ВО «Пензенский государственный университет», Пенза, Россия
2ЗАО «ЕС Лизинг», Москва, Россия
ОПТИМИЗАЦИЯ ПОТЕНЦИАЛА И ПРИВЛЕКАТЕЛЬНОСТИ ТОРГОВЫХ ТОЧЕК НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА БОЛЬШИХ ДАННЫХ
В статье рассматриваются вопросы оптимизации ассортиментных матриц торговых точек на основе сбора, обработки и интеллектуального анализа больших данных о характеристиках и продажах в разных торговых точках регионов РФ. Решение данных задач позволяет планировать объемы и сроки выпуска требуемой продукции в конкретном регионе с указанием количественных и качественных показателей ассортиментного перечня товаров. Для управления продажами решаются задачи сбора данных для расчета прогнозных количественных и качественных характеристик торговой привлекательности магазинов с учетом геопространственной информации и потребностей основных групп потребителей для категорий ассортиментного перечня товаров. Разработаны модели и методы интеллектуального анализа данных о сетях торговых точек в регионах и их ассортиментном перечне на основе открытой информации из источников сети Интернет. Для решения задач предлагается использовать инструментальные средства в виде информационно-аналитической платформы маркетинговых исследований. Результатами являются рекомендации для администрации и собственников по повышению торгового потенциала и привлекательности сети торговых точек в конкретном регионе, а также синтезированные индивидуальные ассортиментные матрицы для каждой ТТ, которые представляют список рекомендованных товарных позиций.
Ключевые слова:
ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ, БОЛЬШИЕ ДАННЫЕ, ТОРГОВЫЙ ПОТЕНЦИАЛ, АССОРТИМЕНТНАЯ МАТРИЦА, ТОРГОВАЯ ТОЧКА
Введение
В настоящий момент в области управления экономическими процессами с использованием информационных технологий сложилась ситуация, когда потребности и технологические возможности производства позволяют решать задачи, которые ранее решались в течении большого времени и требовали значительных затрат финансовых и трудовых ресурсов. В качестве примера можно привести маркетинговые задачи определения показателей производства и реализации товаров, которые соответствуют существующему и прогнозному спросу потребителей. Решение данных задач фактически определяет планирование объема и сроков выпуска требуемой продукции с указанием количественных и качественных показателей ассортиментного перечня товаров. Рынок покупателей крайне неоднороден. Есть различия в поведении покупателей, характерные для разных регионов. Это обусловлено существующими финансовыми и экономическими возможностями потребителей, предпочтениями, привычками, особенностями места проживания и т.п. Таким образом, для управления процессами производства и продажи товаров и услуг необходимо выявить и рассчитать прогнозные количественные и качественные характеристики торговой привлекательности торговых точек (ТТ) в зависимости от их геопространственных характеристик и местоположения основных групп потребителей для выделенных категорий всего ассортиментного перечня товаров. При этом необходимо разработать модели и методы интеллектуального анализа и синтеза прогнозных моделей для категорий товаров на основе открытых больших данных из источников сети Интернет. Конечной целью является помощь административному персоналу
в принятии управленческих решении, направленных на увеличение объема продаж путем подбора состава товаров индивидуальной ассортиментной матрицы для конкретной ТТ [1].
Задача оптимизации потенциала и привлекательности сети торговых точек
В маркетинге выделяют четыре основных вида продвижения товара: реклама, прямые продажи, PR и стимулирование продаж. Если смотреть на задачу стимулирования продаж со стороны компании производителя продукта, то работа по оптимизации сети торговых точек является ежедневной задачей. Задачу оптимизации сети торговых точек можно разделить на следующие подзадачи:
поиск новых торговых точек,
мониторинг и анализ уровня продаж существующих торговых точек с целью выявления возможностей увеличения продаж.
Как правило, подзадачи включают проведение специализированных маркетинговых исследований: например, исследований retail census или storecheck. Исследования проводятся на выборке множестве торговых точек. В процессе исследований совершается обход торговых точек либо торговыми представителями компании-производителя товара, либо сотрудниками специализированных компаний, занимающимися исследованием рынка. Здесь возникает задача отбора минимального числа торговых точек, участвующих в исследовании. Предлагается применять вместо работы сотрудников инструментальные средства в виде информационно-аналитической платформы (ИАП) для маркетинговых исследований на базе интеллектуального анализа больших данных (характеристик множества ТТ и ассор-
тиментного перечня продаваемых товаров), прогностического моделирования работы точек с целью принятия решений по оптимизации их сети и ассортимента товаров для повышения продаж.
Исходными данными для анализа больших данных о сети торговых точек и продаваемых товарах и оценки их торгового потенциала и торговой привлекательности являются:
Геопространственные данные о местоположении торговых точек и данные об их отношении к сетевым ритейлорам;
Данные о продажах за последние 2 года с разбивкой по месяцам;
Данные о показателях продаж «рубли - тонны» по категориям товаров;
Ассортиментный перечень наименований категорий товаров;
Данные о форме и составе ассортиментной матрицы исследуемого ритейлора.
Введем понятие универсум торговых точек. Под универсумом будем понимать множество торговых точек, о которых известно компании. Исходя из этого, задачу оптимизации множества ТТ разделим на две последовательные задачи:
Поиск новых ТТ и включение их в универсум;
Определение ТТ в универсуме для включения в множество для исследования.
Сформулируем информационную потребность абстрактного пользователя информационно-аналитической платформы (ИАП), которая была разработана в процессе исследований для мониторина, сбора и анализа больших данных [2,3]. Для решения задачи, разработанные поисковые агенты-краулеры извлекают из открытых источников сети Интернет перечень и характеристики всех торговых точек, включая геопространственную информацию (спутниковые координаты), наименования, данные об ассортименте товаров и прочие данные, необходимые для расчета показателей торговой привлекательности и прогнозирования динамики изменения показателей ТТ при возможных изменениях ассортиментной матрицы.
В частности, для ТТ, включенной в универсум, необходимы следующие данные:
Информация о текущих продажах ТТ за выбранный период.
Оценка текущего потенциала ТТ (внутренний потенциал). Данный показатель рассчитывается на основании внутренних данных компании о собственных продажах.
Прогнозируемая оценка торговой точки (внешний потенциал). Показатель рассчитывается на основе внешних данных. Оба показателя (внешний и внутренний) принимают значения из общего множества, для которого определено отношение порядка (например, "А","В","С",'^","Е","-", при
"А">"В">"С">'^">"Е">"-").
Признак потери продаж. Признак показывает резкое падение продаж в данной ТТ.
Сезонность ТТ. Это оценка цикличности продаж в ТТ. Примером являются летние торговые точки, закупающие продукцию только в дачный сезон.
Результаты предыдущих исследований.
Исходя из данных в множество для исследований попадают торговые точки, для которых выполняется одно из условий:
Внешний потенциал больше внутреннего.
В ТТ наблюдается потеря продаж при условии, что это не объясняется сезонностью (например, не учитываются потери продаж мороженого после окончания летнего сезона) или результатами предыдущих исследований (например, потеря продаж из-за временного закрытия магазина на ремонт).
Источниками данных о новых ТТ для работы ИАП являются сайты, каталоги товаров в сети Интернет, специализированные базы данных (например, 291Б), базы данных партнеров компании (например, базы данных дистрибьютеров). Для поиска и извлечения данных в сети Интернет используется муль-тиагентный подход, который зарекомендовал себя для решения различных задач [4,5]. Таким образом, платформы должна включать поисковые агенты
для регулярного обхода интересующих сайтов и извлечения данных из них. Агенты реализованы в виде специализированных поисковых роботов (крау-леров) посредством библиотеки создания краулеров на языке Python Scrappy.
Далее данные о новых ТТ из разных источников должны быть объединены между собой. Основной задачей здесь является задача сопоставления адресов и наименований ТТ с целью исключения дублирующей информации. С практической точки зрения эффективным способом сопоставления адресов является применение последовательного прямого (преобразование адреса в координаты) и обратного (преобразование координат в адрес) геокодирования с применением известных сервисов (Yandex Геокодер или продукт Nominatium). После завершения процесса новые торговые точки могут быть включены в универсум.
Далее выполняется оценка внутреннего потенциала ТТ, основанная на данных о продажах за выбранный период [6]. При этом применяется кусочно-линейная функция от продаж за последние три месяца. Внешний потенциал устанавливается в максимальное значение шкалы потенциалов при условии, что торговая точка является новой в универсуме и информация о ней пришла из достоверного источника (например, из базы данных дистрибьютора). Для детального определения внешнего потенциала предлагается использовать методы кластеризации торговых точек на основе данных об окружающих объектах.
Задача синтеза индивидуальной ассортиментной матрицы торговой точки
Целью решения данной задачи является помощь административному персоналу в принятии решений, направленных на увеличение объема продаж ТТ путем оптимизации состава товаров в синтезированной индивидуальной ассортиментной матрицы (ИАМ) на основании анализа больших данных о всех продаваемых товарах в аналогичных ТТ региона. Основной проблемой является обработка огромного объема (порядка нескольких десятков терабайт) информации, представленной в структурированном и в неструктурированном виде, в прайс-листах в городах и регионах Российской Федерации. Данные об товарах собираются с информационных систем и из открытых источников сети Интернет, находящихся в постоянной эксплуатации, принадлежащих более 1 миллиону ТТ. Прайс листы могут включать десятки и сотни тысяч торговых позиций различных категорий товаров, что особенно характерно для крупных сетевых магазинов. Обработка таких информационных массивов может осуществляться только с использованием технологий Big Data.
Решение задачи разобьем на следующие этапы:
Этап 1. Формирование эталонной базы данных с ассортиментной матрицей для заданной группы ТТ. Группа торговых точек задается в частности согласно требованиям конкретного заказчика, который собирается провести анализ собственной сети магазинов и ассортиментных матриц в них для прогностического моделирования динамики продаж и принятия решений по оптимизации данной сети и ассортимента продаваемых товаров.
Этап 2. Анализ и выбор списка признаков (существенных показателей, параметров порядка) для кластеризации ТТ в регионах на основе выбранных признаков.
Этап 3. Синтез профиля кластера ТТ с определением значений параметров порядка, характерных для точек кластера.
Этап 4. Формирование состава показателей ИАМ, характеризующих профиль продаж, внутренний и внешний потенциалы ТТ, потребительские предпочтения.
Этап 5. Синтез ИАМ для каждой ТТ в зависимости от предпочтений потребителей в зоне ее доступности.
На 1 этапе необходимо найти информацию о ТТ, через которые потенциально может распространяться выбранный ассортимент продукции производителя, собрать информацию о ТТ из открытых источников сети Интернет, необходимую для синтеза
ИАМ, интегрировать ее в едином хранилище данных [7]. Перед загрузкой информации в хранилище ее необходимо очистить, нормализовать, обогатить и исключить дубликаты. Сбор информации о ТТ из открытых источников сети Интернет также осуществляется при помощи набора агентов-краулеров. Агенты реализуют алгоритм «Любопытный пользователь», который открывает каждую интересующую ссылку на сайте/странице социальной сети [8]. Они формируют очереди запросов для обслуживания параллельных потоков загрузки данных.
Для объединения найденной информации о конкретной ТТ из разных источников применяются средства БД PosgreSQL, а затем производится очистка адресов. Для очистки адресов используются специальные правила, написанные на языке plpgsql в БД PosgreSQL. Каждое из правил направлено на удаление или замену алфавитно-цифровых символов, букв и аббревиатур и перевода адреса ТТ в структурированный вид с последующим геотег-гированием. В процессе геотеггирования выполняется добавление к описанию ТТ координат широты и долготы ее местоположения, а также недостающих данных в ее почтовом адресе (например, номер дома, улица, город, область, страна, почтовый код) . Процедура включает обратную проверку ва-лидности геопространственной информации. Конечной операцией данного этапа является поиск дубликатов ТТ по совпадающей координатной информации и удаление дублирующих записей с помощью модуля, написанного на языке python. Полученный блок данных с информацией о конкретной ТТ составляет в среднем 5 кбайт и заноситься в эталонную базу данных для анализа.
На следующем этапе выполняется синтез модели стратификации ТТ. Стратификация представляет собой деление населенных пунктов, в которых расположены торговые точки, на страты по численности населения с целью последующей кластеризации ТТ в них. Результатом является формирование списков населенных пунктов в стратах. В процессе стратификации определяется степень различия между стратами и набор признаков для оптимальной кластеризации ТТ согласно их местоположению.
Следующий этап включает синтез профиля кластера ТТ и собственно их кластеризация. Кластерный анализ используется для классификации ТТ на однородные группы в пространстве признаков [9]. Так как признаков ТТ может быть достаточно большое количество и, соответственно, размерность пространства может быть слишком велика, то из множества признаков выбираются наиболее существенные для конкретной задачи. Такие признаки принято называть параметрами порядка [10]. Принципиальное значение при кластеризации является то, что объекты в одном кластере должны быть схожими между собой по данным признакам, но отличаться от объектов, находящихся в других кластерах. Для решения задачи разработан и реализован алгоритм иерархической кластеризации, в котором критерием принятия решения о числе кластеров являются расстояния, при которых происходит объединение ТТ. Для синтеза профиля кластера определены наиболее чувствительные признаки, характеризующие ТТ и определяющие потребительские предпочтения. Комбинация признаков позволила в дальнейшем сформировать индивидуальную ассортиментную матрицу для торговых точек кластера и синтезировать рекомендации для администрации. Комбинация признаков также необходима для оценки продаж в ТТ при текущей ассортиментной матрице и прогноза роста объемов продаж при изменении перечня товарных позиций в ИАМ ТТ.
Таким образом, информационно-аналитическая платформа дает ответы на вопросы:
Как и во сколько раз можно увеличить продажи при текущей ассортиментной матрице;
Как и во сколько раз увеличится объем продаж при изменении ассортиментной матрицы и для синтезированной ИАМ;
Какая комбинация товарных позиций в ИАМ максимально влияет на рост объема продаж и расширение границ потенциальных продаж.
Новизна подхода заключается в установлении взаимосвязи значений чувствительных признаков кластеризации ТТ (параметров порядка) с потребительскими предпочтениями и возможностями увеличения продаж. Набор параметров порядка для ТТ представляет собой список показателей их торговой привлекательности, которые характеризуют:
Экономическую активность торговых зон в стратах согласно количеству и расстоянию до ближайших мест притяжения населения (аттракторов);
Торговую активность в стратах согласно количеству и расстоянию до ближайших сетевых и несетевых ТТ;
Оптимальность транспортной инфраструктуры в кластерах согласно количеству и расстоянию до ближайших объектов (парковок, остановок, вокзалов, станций метро).
В ходе следующего этапа определяются показатели, характеризующие профиль продаж ТТ, ее потенциал и потребительские предпочтения. Для расчета показателей профиля ТТ установлены взаимосвязи между особенностями точек и результативными показателями продаж. Выявлены закономерности в динамике продаж с использованием экономических и статистических методов анализа [9].
На пятом этапе синтезируются компоненты индивидуальной ассортиментной матрицы для каждой ТТ, а именно матрица потребительских предпочтений и матрица потенциалов. Матрица потребительских предпочтений включает:
- наименования категорий товаров в группе продаж, предпочитаемые населением торговой зоны вокруг ТТ,
- средний объем и диапазон объема продаж, предпочитаемый населением торговой зоны вокруг ТТ,
- количество наименований товаров и количество товарных позиций ^КЛ) из предпочитаемого диапазона населением торговой зоны.
Матрица потенциала ТТ включает относительные и абсолютные потенциальные размеры выручки от реализации товарной позиции в ТТ, потенциальный объем продаж ТТ, потенциальное количество наименований товаров.
Заключение
В статье рассмотрена задача оптимизации сети торговых точек, которая включает: поиск торговых точек, мониторинг и анализ уровня продаж торговых точек с целью выявления возможностей увеличения продаж. Поставлена задача синтеза ассортиментных матриц торговых точек для управления продажами и производством товаров. Определены основные этапы методики управления продажами ТТ:
- стратификация населенных пунктов,
- анализ и выбор признаков кластеризации ТТ в стратах,
- синтез профиля кластера ТТ,
- определение лидеров продаж в кластерах,
- определение наиболее продаваемых товаров в кластерах,
- формирование эталонной ассортиментной матрицы с перечнем наиболее продаваемых товаров в кластерах,
- расчет показателей потенциала и торговой привлекательности торговых точек, определение и анализ факторов влияния на показатели продаж в кластерах,
- синтез индивидуальных ассортиментных матриц для торговых точек кластера и т.д.
Основным результатом решения задачи повышения торгового потенциала и привлекательности сети торговых точек в регионах на основании интеллектуального анализа больших данных являются индивидуальные ассортиментные матрицы для каждой ТТ в кластере, которые представляют список рекомендованных товарных позиций, которые необходимы для управления процессом продаж, закупок и производства товаров.
Результаты работы получены при финансовой поддержке РФФИ в рамках грантов № 16-07-00031, 18-010-00204
ЛИТЕРАТУРА
1. Финогеев, А.Г. Метод управления конкурентоспособностью предприятий на основе математического моделирования процесса бенчмаркинга / А.А. Березин, А.Г. Финогеев // Труды Международного симпозиума Надежность и качество. - 2016. - №2. - С. 207-211.
2. Новые методы работы с большими данными: победные стратегии управления в бизнес-аналитике: Научно-практический сборник / А. В. Шмид и др., М.: ПАЛЬМИР, 2016. - 528с.
3. Котякова В.А. Организация мониторинга в комплексной системе оценки состояния технически сложных объектов // Труды Международного симпозиума Надежность и качество. - 2015. - №1. - С. 134-137.
4. Финогеев А.А., Финогеев А.Г., Нефедова И.С. Распределенная обработка данных в беспроводных сенсорных сетях на основе мультиагентного подхода и туманных вычислений // Труды Международного симпозиума Надежность и качество. - 2016. - №2. - С. 258-260.
5. А.К.Гришко, А.В.Лысенко, И.И.Кочегаров Логико-математические принципы мультиагентного управления интеллектуальными мобильными объектами и системами в динамической среде // Надежность и качество сложных систем. - 2017. - № 4 (20). - С. 35-41. DOI 10.21685/2307-4205-2017-4-5.
6. Клемашев Н.И., Комаров И.В., Позин Б.А. Определение потенциала продаж розничных магазинов с использованием информации о других магазинах и гео-данных / Аналитика и управление данными в областях с интенсивным использованием данных // Сборник трудов XVIII Международной конференции RCDL'2016. - М.: ФИЦ ИУ РАН. - 2016. - С 234-243.
7. Бершадский А.М., Березин А.А., Финогеев А.Г. Информационное обеспечение инструментальных средств принятия решений по управлению конкурентоспособностью // Russian journal of management М.: Издательский Центр РИОР. - 2017. - т. 5. - В 3. - с. 490-493.
8. Парыгин Д.С., Ольшевский Р.В., Финогеев А.Г. Метод регистрации событий в сложных территори-ально-распределенных городских системах // Известия Волгоградского государственного технического университета : серия Актуальные проблемы управления, вычислительной техники и информатики в технических системах / Волгоград: ИУНЛ ВолгГТУ, 2016. - № 11 (190). - С. 55-60. - URL: https://elibrary.ru/download/elibrary_27 67 4 553_857 8 6111.pdf
9. Phillips S. J. Acceleration of k-means and related clustering algorithms //Workshop on Algorithm Engineering and Experimentation. - Springer Berlin Heidelberg, 2002. - С. 166-177, Elkan C. Using the triangle inequality to accelerate k-means //ICML. - 2003. - Т . 3. - С . 147-153
10. Финогеев А.Г. Моделирование исследование системно-синергетических процессов в информационных средах: Монография, Пенза: Изд-во ПГУ, 2004, 223 с.
11. Дубров А.М. Мхитарян В. С., Трошин Л. И. Многомерные статистические методы. - М.: Финансы и статистика. - 2003. - 345c.
УДК 004.6:311.2:311.213
Финогеев1 А.Г., Финогеев1 А.А, Ляпин1 А.М., Парыгин2 Д.С., Голубев2 А.В.
1ФГБОУ ВО «Пензенский государственный университет», Пенза, Россия
2ФГБОУ ВО «Волгоградский Государственный Технический университет», Волгоград, Россия КОНВЕРГЕНТНЫЙ ПОДХОД К МУЛЬТИАГЕНТНОЙ ОБРАБОТКЕ ДАННЫХ В ПРОЦЕССЕ МОНИТОРИНГА ДОРОЖНО-ТРАНСПОРТНОЙ ИНФРАСТРУКТУРЫ
В статье рассматриваются вопросы мониторинга дорожно-транспортной инфраструктуры на базе конвергентной модели распределенной обработки данных в сети фоторадарных комплексов для фиксации происшествий. Потоковая обработка и хранение данных выполняется на 3 уровнях: на пространственно-распределенных узлах сенсорной сети (модель туманных вычислений и хранения), в серверном кластере центра обработки данных (модель GRID вычислений и облачного хранения), на мобильных средствах связи (модель мобильных вычислений). В ходе распределенной обработки сенсорных данных решаются задачи интеллектуального анализа, оценки дорожной ситуации и прогнозирования для превентивного реагирования, оповещения и предупреждения участников дорожного движения. Система мониторинга является составной частью интеллектуальной среды «Smart Road», которая создается в рамках концепции Smart&Safe City. Для реализации конвергентного подхода предлагается мультиагентный способ обработки данных. Ключевые слова:
МОНИТОРИНГ, БОЛЬШИЕ СЕНСОРНЫЕ ДАННЫЕ, МУЛЬТИАГЕНТНАЯ ТЕХНОЛОГИЯ, SMART ROAD, КОНВЕРГЕНТНЫЙ ПОДХОД
Введение
Создание концепции интеллектуального и безопасного города (Smart&Safe City) [1] предполагает разработку и внедрение проектов интеллектуального производства (Smart Manufacturing) , интеллектуальных домов (Smart Houses), интеллектуального освещения (Smart Light), интеллектуального энергетики (Smart Energy), интеллектуальных транспортных систем (Intelligent Transportation System), интеллектуальной дороги (Smart Road) и т.д. Конечной целью разработки компонент и технологий Smart&Safe City должно стать обеспечение удобства и безопасности жизнедеятельности человека в урбанистической инфраструктуре и высокоэффективного производства в промышленной сфере. Основой Smart&Safe City является мультимодальная интеллектуальная среда (Smart Environment) [2] для обеспечения взаимодействия киберфизических устройств, облачных информационно-вычислительных ресурсов и мобильных систем связи для организации повсеместного доступа. Smart Environments определяются как инфраструктуры взаимодействующих киберфизических комплексов, при помощи которой искусственный интеллект решает задачи управления и принятия решений на данных об окружающей реальности с адаптацией к требованиям населения и внешним факторам. Все такие среды объединяет транспортная платформа сбора и обработки сенсорных данных на
базе сети Интернет вещей (Interet of Things -IoT). Платформа включает:
- сенсоры (датчики, измерительные устройства, устройства фото и видеофиксации).
- телекоммуникационные сети и мобильные системы связи.
- спутниковые навигационные системы.
Создание элементов интеллектуальной дорожно-
транспортной среды (Smart Road Environment) является важным направлением в концепции Smart&Safe City. Такая среда необходима для обеспечения взаимодействия интеллектуальных систем транспортного мониторинга, интеллектуальных транспортных систем (ИТС) и мобильных средств связи пользователей. Smart Road Environment включает встроенный интеллектуальный функционал в транспортные средства и объекты дорожно-транспортной инфраструктуры и интеллектуальную систему мониторинга и управления дорожным движением. Технологии ИТС являются основой для построения беспилотных автотранспортных средств.
Интеллектуальная среда базируется на инновационных технологиях мониторинга и управления транспортными потоками [3], обеспечивает взаимодействие, информативность и безопасность участникам дорожного движения. Исследования в данной области связаны с созданием систем наблю-
