<<
>>

Выработка персональных рекомендаций для жителей крупного города на основе моделирования

Основой для выработки персональных рекомендаций для жителей мегаполиса (Large City Area) является глубокое понимание городских процессов с выделением харак­терных социальных групп и шаблонов их поведения.

Наиболее естественный путь для ис­следования городских территорий - моделирование среды (социальной, транспортной, экологической и т.п.), которое может использоваться для решения следующих задач:

- настройка и оценка эффективности мобильных сервисов;

- выработка рекомендаций пользователям мобильных сервисов на основе модельного подхода.

Для моделирования городской среды в наиболее общей постановке предлагается использовать ансамбль моделей, в том числе модель виртуального общества, состоящего из агентов, наделенных поведенческими (основанными на соотношении физиологических особенностей) характеристиками, максимально приближенными к реальным, и привязан­ных к определенному социально-экономическому классу. Таким образом, в целях прогно­зирования деятельности конечного пользователя мобильного сервиса (и учета особенно­стей его передвижения) в течение дня необходимо идентифицировать его как представите­ля одного из заданных социально-экономических и поведенческих классов. Для этого до­статочно получить определенный набор данных (пол, возраст, место проживания, интере­сы, уровень образования и т.д.), который индивид предоставляет путем ввода в мобильное устройство при первом запуске приложения.

Создание «искусственного общества», наделенного характеристиками реального, позволяет моделировать перемещения агентов (потенциальных пользователей описывае­мого мобильного сервиса) на местности исходя из их поведенческих (биологических) и социально-экономических характеристик, а также факторов внешней среды, путем нало­

жения модели на определенную местность, с учетом ее ландшафта и характером происше­ствия.

Модель мобильности городского населения с выделением социальных и поведенче­ских классов позволяет решать широкий класс задач, связанных с информированием насе­ления в чрезвычайных ситуациях как природного (наводнения, пожары, повторные толчки при землетрясениях и т.д.), так и техногенного (обрушение домов, прорыв плотины, ава­рия на промышленном объекте) характера посредством мобильных сервисов.

Предполага­ется также использование мобильных сервисов не только в условиях очевидной опасности с целью спасения людей, но и для информирования о потенциально опасных ситуациях - распространение эпидемии вирусного заболевания, гололед на улице, давка в транспорте и местах общественного скопления людей. Такой вариант использования сервиса основан на реализации «повседневного» режима, в котором пользовательское приложение играет роль геопланировщика - пользователь может отмечать события на карте и просматривать от­метки других пользователей (реализация модели краудсорсинга). Геопланировщик также решает практические исследовательские задачи, такие как информационное обеспечение городского планирования, сбор информации о динамике городских систем и транспортных потоках. Поскольку система является открытой, область ее применения может расширять­ся за счет добавления узкоспециализированных (профессиональных) задач, а также инте­грирования существующих модулей (транспортных моделей).

Благодаря использованию в качестве вводных как официальных статистических данных, так и агрегированных из социальных сетей и открытых источников, мобильный сервис на базе моделирования городской среды можно использовать для прогнозирования и визуализации пространственных характеристик сетевого социального взаимодействия за счет интеграции с различными социальными медиа. Таким образом, появляется возмож­ность фактически в «реальном времени» получать социальную картину города, которая также может быть использована для информационной поддержки принятия решений в рамках предложенных выше задач.

В данном исследовании для решения задач сопряжения разнородных моделей пред­лагается использовать подход, альтернативный усложнению уже имеющихся моделей, ко­торый заключается в их интеграции. Для этих целей был разработан фреймворк моделиро­вания городского пространства, адаптированный для интеграции городских моделей с уче­том гетерогенности их протоколов, временных и пространственных характеристик, требо­ваний к производительности и т.д.

Существует множество различных компьютерных моделей и не меньшее количе­ство их классификаций.

В качестве ключевых дихотомий, которые описывали бы различия

между моделями, стоит отметить (а) степень изменчивости: статические и динамические; (б) результат: детерминированные и стохастические;

В качестве отдельной категории, которая дополняет данный ряд, стоит отметить агентные модели. Представленный список не является исчерпывающим, однако он спосо­бен передать разнообразие существующих моделей [62].

Модели, представленные в качестве программного обеспечения, также могут быть классифицированы (1) по способу выполнения: на пошаговые (step-by-step) и пакетные (batch); (2) по типу доступа: на приложения с открытым исходным кодом (open source) и коммерческие; (3) по используемой технологии реализации: среда моделирования (Repast, Mason и др.), .Net, Java, Python и др.

Существует два основных способа интеграции программного обеспечения моделей (вне зависимости от конкретных применяемых технологий):

- сильное связывание (tight coupling)- характеризуется прямой связью между системными процессами.

- слабое связывание (loose coupling) [63] - обладает целым рядом преимуществ, таких как асинхронный обмен данными между системами.

Однако из-за дополнительных накладных расходов на обмен данными между про­цессами производительность системы при слабом связывании будет несколько ниже, чем при сильном. Ключевые параметры обоих способов [64] представлены в табл. 3.1.

Таблица 3.1 — Сравнение моделей связывания

Параметр Способ интеграции
слабое связывание сильное связывание
Способность к интеграции Высокая Низка или невозможна (в связи со сложностью интеграции различных технологий или ограничений на использование и модификацию исходного кода)
Время интеграции Меньше, чем у сильного связывания Больше, чем у слабого связывания
Производительность Ниже, чем у сильного связывания Выше, чем у слабого связывания
Сложность отладки Ниже, чем при сильном связывании Выше, чем при слабом связывании

Существует множество программных сред для разработки моделей: Swarm [65], RePast [66], MASON [67], NetLogo [68] и др. Первые три из них - платформы, применяю­щие парадигму «framework and library» [69]. Последняя представляет собой высокоуровне­вую платформу с относительно простым интерфейсом, которая широко используется для

образовательных целей и прототипирования. Таким образом, платформа (фреймворк) яв­ляется удобным инструментом в равной степени как для создания моделей, так и для ана­лиза и визуализации результатов симуляций. Несмотря на это такой фреймворк не всегда способен поддерживать присоединение сторонних моделей и взаимодействие с ними в ре­жиме реального времени. С одной стороны, в них отсутствуют механизмы интеграции с распределенными вычислительными ресурсами, что может негативно сказаться на произ­водительности решения сложных, многомерных задач, включающих в себя моделирование широкомасштабных (в пространственном понимании данного термина) процессов. С дру­гой стороны, существует множество облачных вычислительных систем, которые способны работать в гетерогенных средах и единственная проблема, которую в данном случае стоит учитывать, - организация процесса интеграции. Одним из наиболее распространенных решений в сфере научных расчетов является использование способа формализации work­flow. Он интерпретирует действия (модели) в виде последовательности шагов, связанных посредством каналов передачи информации. Результаты рассмотрения наиболее распро­страненных систем управления WF представлены в работе [70]. Однако ни одна из опи­санных систем не была до этого момента использована напрямую для решения задач орга­низации взаимодействия с программными средами при разработке моделей в рамках задач большого города.

3.2

<< | >>
Источник: Карбовский Владислав Александрович. ТЕХНОЛОГИИ ЭКСТРЕННЫХ ВЫЧИСЛЕНИЙ ДЛЯ ИНДИВИДУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В КРИТИЧЕСКИХ СИТУАЦИЯХ. ДИССЕРТАЦИЯ на соискание ученой степени кандидата технических наук. Санкт-Петербург - 2014. 2014

Еще по теме Выработка персональных рекомендаций для жителей крупного города на основе моделирования:

  1. ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ И МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ РАЗВИТИЯ ПЕРСОНАЛЬНЫХ ФИНАНСОВ
  2. Модернизация системы персональных финансов для обеспечения устойчивого развития российской экономики
  3. ОСОБЕННОСТИ МОДЕЛИРОВАНИЯ МЕХАНИКИ ЖЕЛЕЗОБЕТОННЫХ ПЛИТ НА ГРУНТОВОМ ОСНОВАНИИ
  4. 3.1. Проблема моделирования рефлексии переводчика
  5. Основные подходы к моделированию деформаций железобетон­ных плит
  6. Глава II МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ПРОЦЕССОВ ВЗАИМОДЕЙСТВИЯ СВЕТОВЫХ ПОТОКОВ C ВНУТРЕННИМИ ОБЪЕМАМИ И ПОВЕРХНОСТЯМИ КРИСТАЛЛОВ.
  7. 2.2 Технология получения КМ на основе алюминия (Al-3масс.%Ni- 1масс.%Cu)
  8. Конститутивные и регулятивные принципы персональных финансов[17]
  9. Риски в системе персональных финансов61
  10. Индикаторы сбалансированного развития системы персональных финансов
  11. 1. Правовые основы системы образования
  12. Функции и система персональных финансов[36]
  13. Динамика стоимости совокупных персональных финансовых активов