АРХИТЕКТУРА ИНФОРМАЦИОННОЙ СИСТЕМЫ ПО ОЦЕНКЕ КАЧЕСТВА ВОЖДЕНИЯ ЭЛЕКТРОБУСОВ

Потоки информации, поступающие с транспортных средств, могут иметь различное происхождение (например, сигналы с датчиков, с приборов управления, с вычислительных устройств). Технология CAN считается стандартом в автомобильной автоматике и применяется на подавляющем большинстве современных автомобилей [1]. CAN-шина автомобиля используется для обмена информацией между всевозможными датчиками, контроллерами и т.д. [2]. Благодаря различным блокам телематики, подсоединяемых к CAN-шине, есть возможность дистанционно анализировать данные с датчиков транспортного средства, с дальнейшим использованием в различных целях (исследование манеры вождения, предиктивная диагностика оборудования и узлов и т.д.).

В работе [3] авторы, с помощью полученных данных с адаптера OBD II, отслеживали возможные аномалии и отвлекающие факторы при вождении. В работе [4] авторы исследовали производительность различных алгоритмов машинного обучения на данных, полученных с помощью адаптера OBD II.

Целью работы является разработка архитектуры информационной системы оценки качества вождения водителей электробусов для более комплексной оценки водителей с помощью методов машинного обучения. К задачам данного исследования относятся:

• реализация потоковой передачи данных с датчиков электробусов;
• выбор систем для хранения и анализа данных.

Для разработки архитектуры информационный системы, в этой работе предлагается использование облачной платформы, состоящей из двух основных компонентов: модуля потоковой передачи данных и модуля хранения и анализа больших данных (рис.1).

Рисунок 1. Предлагаемая архитектура информационной системы по оценке качества вождения

Модуль потоковой передачи данных

Модуль потоковой передачи данных отвечает за передачу потока данных от датчиков транспортного средства к модели хранения и анализа данных. Для данных целей подходит брокер сообщений Apache Kafka.

Три основные функции Apache Kafka:

1. публикация (запись) и подписка (чтение) на потоки событий;
2. хранение потоков событий;
3. обработка потоков событий.

Kafka подходит для приема и обработки потоковых сообщений в режиме реального времени. Данная система отлично подходит для задач, в рамках которых требуется собирать, хранить и обрабатывать большие неструктурированные данные [5]. Таким образом, Kafka обеспечивает высокую надежность и отказоустойчивость, а также масштабируемость информационной системы.

Модуль хранения и анализа больших данных

Модель хранения и анализа больших данных содержит реляционную и нереляционную базу данных, а также механизм аналитики.

Предлагаемый модуль состоит из четырех широко используемых систем, таких как MySQL, MongoDB, Hadoop и PySpark.

MySQL используется в качестве реляционной базы данных для обеспечения анализа и визуализации данных в реальном времени.

MongoDB необходим для исторического анализа данных, а также для управления собранными данными.

Подход, охватывающий как реляционные, так и нереляционные базы данных, позволяет использовать преимущества больших данных, такие как: возможность длительного хранения данных, анализ исторических данных для алгоритмов машинного и глубокого обучения, мгновенная визуализация данных в реальном времени и более простой статистический анализ.

Для работы с большими данными, необходимой для обслуживания как MongoDB, так и модуля анализа PySpark подходит Hadoop - наиболее известная и широко используемая платформа для операций с большими данными. Интеграция системы Hadoop в модуль хранения и анализа больших данных обеспечивает бесперебойную работу базы данных MySQL, а также поддержание любых операций с большими данными, необходимых в рамках облачной платформы. Вместе с инфраструктурой Hadoop компонент анализа данных PySpark отвечает за анализ потоковых и сохраненных данных. Модуль PySpark принимает в качестве входных данных модели машинного обучения и глубокого обучения для обработки данных, а затем предоставляет результаты анализа в используемые базы данных.

Вывод: благодаря модулю потоковой передачи данных (Apache Kafka) обеспечивается высокая надежность, отказоустойчивость, масштабируемость информационной системы. Модуль хранения и анализа больших данных (MySQL, MangoDB, PySpark, Hadoop) даст возможность анализировать данные как в реальном времени, так и исторические данные с применением методов машинного обучения.

Список литературы:

1. Песельник М.Г. Использование CAN технологии в бортовых системах управления транспортными средствами // III Международная научная конференция «Современные проблемы информатизации в системах моделирования, программирования и телекоммуникациях».
2. Блянкинштейн Игорь Михайлович, Воеводин Евгений Сергеевич, Худяков Дмитрий Александрович - Система оперативного управления расходом топлива на предприятиях автомобильного транспорта // Транспорт на альтернативном топливе. 2012. №3 (27).
3. Khandakar A., Chowdhury M.E.H., Ahmed R., Dhib A., Mohammed M., Al-Emadi N.A.M.A., Michelson D. Portable System for Monitoring and Controlling Driver Behavior and the Use of a Mobile Phone While Driving. Sensors. 2019;19:1563. doi: 10.3390/s19071563.
4. Abdelrahman A.E., Hassanein H.S., Abu-Ali N. Robust Data-Driven Framework for Driver Behavior Profiling Using Supervised Machine Learning. IEEE Trans. Intell. Transp. Syst. 2020:1–15. doi: 10.1109/TITS.2020.3035700.
5. Что такое Apache Kafka и как он работает [Электронный ресурс]. — Режим доступа: свободный. URL: https://www.cloud4y.ru/blog/what-is-apache-kafka/ (дата обращения: 22.05.2023)