Registration Number
0826U001948, PhD dissertation
Status
Доктор філософії
Date
23-06-2026
popup.evolution
.
Title
Methods and Tools for Intelligent Analysis of Streaming Structured Data in Modeling Tasks
Author
Taras I. Zavaliy,
popup.head Nataliia B. Shakhovska
popup.opponent Roman Y. Shuvar
popup.opponent Mykola P. Dyvak
popup.review Yaroslav I. Vyklyuk
popup.review Lesia I. Hentosh
popup.rada
Lviv Polytechnic National University
Description
Завалій Т.І. Методи та засоби інтелектуального аналізу потокових структурованих даних в задачах моделювання. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 122 “Компʼютерні науки”. – Національний університет «Львівська політехніка», Львів, 2026.
Зміст анотації. Дана дисертація має на меті розробити методи і засоби для інтелектуального аналізу потокових структурованих даних на основі поєднання класичних підходів та методів машинного навчання. Особливістю дослідження є тренування моделі машинного навчання на сенсорних даних смартфону в задачі інерційної навігації, з використанням дешевих сенсорів як джерела даних, що є дуже актуальною задачею на сьогоднішній день. Робота містить розв’язання таких задач як: обчислення статистичних характеристик і фільтрування потоків даних; злиття гетерогенних потоків даних для отримання стабільної і уточненої позиції рухомого об’єкту; виявлення аномалій та адаптивного керування довірою до джерела даних. З технічної точки зору, для аналізу потокових даних не менш важливим є і вибір технологічного стеку. Розроблена система, яка є практичним результатом цієї дисертації, є системою розподіленої обробки потокових даних і придатна для обробки паралельних потоків сенсорних даних, наприклад, у системах ситуаційної обізнаності, автономній навігації, медицині, виробництві тощо.
У першому розділі «Аналіз літературних джерел» здійснено огляд методів та алгоритмів, які призначені для аналізу потокових даних в онлайн режимі, проаналізовано та описано, що саме собою представляють потокові дані. На підставі проведеного аналізу відомих рішень встановлено, що існуючі технології опрацювання потокових даних, особливо в задачі локалізації рухомих об’єктів, недостатньо розвинуті, або ж не показують достатньо добрих результатів. Результатом даного розділу є постановка задачі, а саме створення гібридного методу злиття потокових сенсорних даних на основі класичних методів та методів машинного навчання.
У другому розділі «Метод компенсації кумулятивної похибки інерційної навігації» було здійснено аналіз існуючих методів машинного навчання, які зазвичай використовують з геолокаційними потоковими даними. Представлено формальний опис структури потокових даних. Описано основні етапи підготовки потокових даних, оператори їх перетворення, подано результати навчання моделі машинного навчання, яка використана для прогнозування швидкості руху на основі інерційних сенсорних даних. Описано підхід для обчислення відстані між двома траєкторіями для аналізу якості навчання.
У третьому розділі «Метод злиття потоків даних в задачі навігації пішохода» було здійснено первинний аналіз інерційних сенсорних даних. Запропоновано гібридний онлайн метод злиття потоків даних різних модальностей, що враховує аномалії в одній з модальностей. Метод поєднує класичний фільтр Калмана з прогнозуванням швидкості руху LSTM-мережею, що усуває проблему накопичення похибки при обчисленні швидкості на основі прискорення, а також дозволяє динамічно керувати довірою до джерела даних. Наведено результати експериментів, які підтверджують ефективність методу у задачі відтворення траєкторії руху пішохода в міських умовах.
У четвертому розділі «Архітектура системи опрацювання потокових даних» описано запропоновану архітектуру системи, її окремі компоненти, здійснено порівняння і вибір засобів для реалізації системи. Сформульовано функціональні та нефункціональні вимоги до системи. Розроблено основні вузли (оператори) опрацювання даних, здійснено вимірювання, аналіз і оптимізації їх часових затримок, а також розроблено інтерфейс користувача, який підпорядкований єдиному часовому фільтру. Здійснено тестування системи на прикладі опрацювання реальних потоків даних з мобільного пристрою в задачі навігації пішохода.
Registration Date
2026-05-26
popup.nrat_date
2026-06-08 / 2026-07-02
