Труды КНЦ (Технические науки вып. 7/2023(14))

Труды Кольского научного центра РАН. Серия: Технические науки. 2023. Т. 14, № 7. С. 79-85. Transactions of the Kola Science Centre of RAS. Series: Engineering Sciences. 2023. Vol. 14, No. 7. P. 79-85. Для верификации данных выбираются источники, которые могут считаются эталонными в силу ручной верификации большим количеством пользователей. В частности, для верификации картографических данных может использоваться их семантическое представление в портале LinkedGeoData. Для верификации данных о погоде могут быть использованы порталы, предоставляющие доступ к метеорологическому архиву такие, как OpenWeatherMap (точность до 1ч), или «rp5.ru Расписание погоды» (точность до 3 ч). Все источники (кроме LinkedGeoData) подключались к системе с использованием специального медиатора на языке R2RML [17] и библиотеки ontop [18] для трансформации реляционного источника данных в онтологию. Запросы к источникам осуществляются посредством протокола GeoSPARQL в виде федеративного запроса. При верификации данные из карточек ДТП сравнивались с эталонными по следующим правилам: 1) соответствие координат границам города и адресу в текстовом виде по информации из LinkedGeoData. В случае несоответствия, выставлялись координаты, соответствующие текстовому адресу (геокодирование); 2) соответствие указанных погодных условий историческим сведениям из двух эталонных источников. При совпадении информации из обоих источников и несовпадении в карточке ДТП в нее записывалась согласованная информация о погоде. Поиск мест концентрации ДТП на участках улично-дорожной сети после верификации данных производится следующим образом: 1) с помощью алгоритма кластеризации DBSCAN [19] определяются кластеры близких точек в радиусе не более 1 км с обязательной привязкой к улице и/или перекрестку. Пример подобного кластера представлен на рис. 2; 2) в найденных кластерах осуществляется статистический анализ типов ДТП и условий, при которых они происходили. Например, «наезд на пешехода» в совокупности с плохой погодой (наличие осадков, туман, темное время суток); 3) создается граф дорог со штрафными весами, на котором весом ребра является количество ДТП на улицах и перекрестках. Рис. 2. Пример кластеров ДТП и визуализации причин ДТП Граф со штрафными весами затем может быть использован в алгоритме построения маршрута транспорта. Так, например, маршрут транспорта бригады экстренной службы может быть построен таким образом, чтобы исключить из него места концентрации ДТП с учетом текущих погодных условий для повышения оперативности прибытия и безопасности передвижения бригады. Заключение В работе рассматривается задача объединения информации из разнородных источников данных для проведения геоаналитики при поиске местр концентрации ДТП на участках улично-дорожной сети. Предлагается онтолого-ориентированный подход для описания модели информации из источников, • С т о л к н о в е н и е • Наезд на препятствие • Съезд сдороги • Наезд на пешехода Наездна велосипедиста © Смирнов А. В., Тесля Н. Н., 2023 82