1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 122 — Компʼютерні науки (бакалаври)
Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/45700
Повний запис метаданих
Поле DCЗначенняМова
dc.contributor.advisorДуда, Олексій Михайлович-
dc.contributor.authorВітів, Іван Володимирович-
dc.contributor.authorVitiv, Ivan Volodymyrovych-
dc.date.accessioned2024-07-01T12:41:35Z-
dc.date.available2024-07-01T12:41:35Z-
dc.date.issued2024-06-25-
dc.date.submitted2024-06-11-
dc.identifier.citationВітів І. В. Аналіз інформаційних ресурсів "розумних міст" на основі методології великих даних : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 122 - комп'ютерні науки / наук. кер. О. М. Дуда. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. 58 с.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/45700-
dc.description.abstractКваліфікаційна робота присвячена аналізу інформаційних ресурсів «розумних міст» на основі методології великих даних. В першому розділі кваліфікаційної роботи освітнього рівня «бакалавр» висвітлено актуальність проведення аналізу ресурсів розумного міста за допомогою методології великих даних. Подана методологія аналізу ресурсів «розумного міста» на основі «великих даних». Подано опис результатів наукометричного пошуку в царині опрацювання інформаційних ресурсів «розумних міст» на основі методології «великих даних». В другому розділі кваліфікаційної роботи проаналізовано типи та джерела великих даних «розумних міст». Розглянуто ключові категорії алгоритмів опрацювання «великих даних» «розумних міст». Окремо проаналізовано кластеризацію «великих даних» для потреб «розумних міст». В третьому розділі кваліфікаційної роботи проаналізовано використання каркасів на основі фреймворків для аналітичного опрацювання інформаційних ресурсів «розумних міст». Також проаналізовано глибинні нейронні мережі при опрацюванні інформаційних ресурсів «розумних міст». Виконано аналіз підходів класифікації «великих даних» для потреб «розумних міст». Розглянуто кореляційний аналіз інформаційних ресурсів для потреб «розумних міст». Проведено аналіз точності методів обробки інформаційних ресурсів «розумних міст» на основі методології «великих даних». The qualification work is devoted to the analysis of information resources of "smart cities" based on big data methodology. In the first section of the qualifying work of the "bachelor" educational level, the relevance of analyzing the resources of a smart city using big data methodology is highlighted. The methodology for analyzing the resources of the "smart city" based on "big data" is presented. A description of the results of scientometric research in the field of processing information resources of "smart cities" based on the methodology of "big data" is presented. In the second section of the qualification work, the types and sources of big data of "smart cities" are analyzed. The key categories of algorithms for processing "big data" of "smart cities" are considered. The clustering of "big data" for the needs of "smart cities" is analyzed separately. In the third section of the qualification work, the use of frames based on frameworks for analytical processing of information resources of "smart cities" is analyzed. Deep neural networks for processing information resources of "smart cities" were also analyzed. An analysis of "big data" classification approaches for the needs of "smart cities" was performed. The correlational analysis of information resources for the needs of "smart cities" is considered. An analysis of the accuracy of methods of processing information resources of "smart cities" based on the methodology of "big data" was carried out.uk_UA
dc.description.tableofcontentsВСТУП 8 РОЗДІЛ 1. СТАН ТА ПЕРСПЕКТИВИ ДОСЛІДЖЕНЬ В ГАЛУЗІ «ВЕЛИКИХ ДАНИХ» «РОЗУМНОГО МІСТА» 10 1.1 Актуальність проведення аналізу ресурсів «розумного міста» за допомогою методології «великих даних» 10 1.2 Методологія аналізу ресурсів «розумного міста» на основі «великих даних» 12 1.3 Опис результатів наукометричного пошуку інформаційних ресурсів «розумних міст» на основі методології «великих даних» 15 1.4 Висновок до першого розділу 18 РОЗДІЛ 2. ТИПИ, ДЖЕРЕЛА, АНАЛІЗ АЛГОРИТМІВ ОПРАЦЮВАННЯ ТА КЛАСТЕРИЗАЦІЯ ВЕЛИКИХ ДАНИХ «РОЗУМНИХ МІСТ» 19 2.1 Типи та джерела «великих даних» «розумних міст» 19 2.2 Аналіз алгоритмів опрацювання «великих даних» «розумних міст» 26 2.3 Аналіз підходів кластеризації «великих даних» для потреб «розумних міст» 28 2.4 Висновок до другого розділу 33 РОЗДІЛ 3. АНАЛІЗ ТОЧНОСТІ ОБРОБКИ ІНФОРМАЦІЙНИХ РЕСУРСІВ «ВЕЛИКИХ ДАНИХ» ДЛЯ ПОТРЕБ «РОЗУМНИХ МІСТ» 34 3.1 Використання каркасів на основі фреймворків для аналітичного опрацювання інформаційних ресурсів «розумних міст» 34 3.2 Глибинні нейронні мережі при опрацюванні інформаційних ресурсів «розумних міст» 37 3.3 Аналіз підходів класифікації «великих даних» для потреб «розумних міст» 38 3.4 Кореляційний аналіз інформаційних ресурсів для потреб «розумних міст» 40 3.5 Аналіз точності методів обробки інформаційних ресурсів «розумних міст» на основі методології «великих даних» 42 3.6 Висновок до третього розділу 46 РОЗДІЛ 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 47 4.1 Діяльність. Її види та розуміння в безпеці праці 47 4.2 Електробезпека на будівельному майданчику 50 4.3 Висновок до четвертого розділу 52 ВИСНОВКИ 53 ПЕРЕЛІК ДЖЕРЕЛ 54 ДОДАТКИuk_UA
dc.language.isoukuk_UA
dc.subjectалгоритмuk_UA
dc.subjectalgorithmuk_UA
dc.subjectвеликі даніuk_UA
dc.subjectbig datauk_UA
dc.subjectінформаційний ресурсuk_UA
dc.subjectinformation resourceuk_UA
dc.subjectопрацювання данихuk_UA
dc.subjectdata processinguk_UA
dc.subjectрозумне містоuk_UA
dc.subjectsmart cityuk_UA
dc.subjectспоживання ресурсівuk_UA
dc.subjectresource consumptionuk_UA
dc.titleАналіз інформаційних ресурсів "розумних міст" на основі методології великих данихuk_UA
dc.title.alternativeAnalysis of Information Resources of "Smart Cities" Based on Big Data Methodologyuk_UA
dc.typeBachelor Thesisuk_UA
dc.rights.holder© Вітів Іван Володимирович, 2024uk_UA
dc.contributor.committeeMemberГащин, Надія Богданівна-
dc.coverage.placenameТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Українаuk_UA
dc.subject.udc004.62uk_UA
dc.relation.references1 Kwon O, Kim YS, Lee N, Jung Y. When collective knowledge meets crowd knowledge in a smart city: a prediction method combining open data keyword analysis and case-based reasoning. J Healthc Eng 2018; 2018. https://doi.org/ 10.1155/2018/7391793.uk_UA
dc.relation.references2 Wieclaw L.; Pasichnyk V.; Kunanets N.; Duda O.; Matsiuk O.; Falat P. Cloud computing technologies in “smart city” projects. In Proceedings of the 2017 9th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS). Bucharest: Romania, 21–23 September 2017. pp. 339–342.uk_UA
dc.relation.references3 Chehri A, Fofana I, Yang X. Security risk modeling in smart grid critical infrastructures in the era of big data and artificial intelligence. Sustainability. 2021;13(6):3196. https://d oi.org/1 0 .3390 / su130 63196.uk_UA
dc.relation.references4 Duda O., Kunanets N., Matsiuk O., Pasichnyk V., Cloud-based IT Infrastructure for “Smart City” Projects, in Dependable IoT for Human and Industry: Modeling, Architecting, Implementation. River Publishers, 2018. P. 389-410.uk_UA
dc.relation.references5 Wang X, Zou Z. Open data based urban for-profit music venues spatial layout pattern discovery. Sustainability. 2021;13(11):6226. https:// doi. org/ 10. 3390/ su131 16226.uk_UA
dc.relation.references6 Gutman AJ, Goldmeier J. Becoming a data head: how to think, speak, and understand data science and machine learning, indianapolis: statistics. 2021.uk_UA
dc.relation.references7 Gubareva, Regina, and Rui Pedro Lopes. "Literature Review on the Smart City Resources Analysis with Big Data Methodologies." SN Computer Science 5.1 (2024): 152.uk_UA
dc.relation.references8 Naeem M, Jamal T, Diaz-Martinez J, Butt SA, Montesano N, Tariq MI, De-la-Hoz-Franco E, De-La-Hoz-Valdiris E. Trends and future perspective challenges in big data. In: Pan J-S, Balas VE, Chen C-M, editors. Advances in intelligent data analysis and applications. Singapore: Springer; 2022. p. 309–25.uk_UA
dc.relation.references9 Materla T, Cudney EA, Antony J. The application of Kano model in the healthcare industry: a systematic literature review. Total Qual Manag Bus Excell. 2017; 1–22. https://doi.org/10.1080/14783363.2017.1328980.uk_UA
dc.relation.references10 Subhash S, Cudney EA. Gamified learning in higher education: a systematic review of the literature. Comput Hum Behav. 2018;87:192–206. https:// doi. org/ 10. 1016/j. chb. 2018. 05. 028.uk_UA
dc.relation.references11 Trilles S, Belmonte O, Schade S, Huerta J. A domain-independent methodology to analyze IoT data streams in real-time. A proof of concept implementation for anomaly detection from environmental data. Int J Digit Earth. 2017;10(1):103–20. https:// doi. org/ 10. 1080/ 17538 947. 2016. 120958 3.uk_UA
dc.relation.references12 Bermudez-Edo M, Barnaghi P, Moessner K. Analysing real world data streams with spatio-temporal correlations: entropy vs. pearson correlation. Autom Construct. 2018;88:87–100. https:// doi. org/ 10. 1016/j. autcon. 2017. 12. 036.uk_UA
dc.relation.references13 Bordogna G, Cuzzocrea A, Frigerio L, Psaila G. An effective and efficient similarity-matrix-based algorithm for clustering big mobile social data. 2017;514–521. https:// doi. org/ 10. 1109/ ICMLA. 2016. 188.uk_UA
dc.relation.references14 Wang G, Wei W, Jiang J, Ning C, Chen H, Huang J, Liang B, Zang N, Liao Y, Chen R, Lai J, Zhou O, Han J, Liang H, Ye L. Application of a long short-term memory neural network: a burgeoning method of deep learning in forecasting HIV incidence in Guangxi, China. Epidemiol Infect. 2019;147:194. https:// doi. org/ 10. 1017/ S0950 26881 90007 5X.uk_UA
dc.relation.references15 Pérez-Chacón R, Luna-Romera JM, Troncoso A, Martínez-Alvarez F, Riquelme JC. Big data analytics for discovering electricity consumption patterns in smart cities. Energies 2018;11 (3). https:// doi. org/ 10. 3390/ en110 30683.uk_UA
dc.relation.references16 Karyotis V, Tsitseklis K, Sotiropoulos K, Papavassiliou S. Big data clustering via community detection and hyperbolic network embedding in IoT applications. Sens (Switzerl ) 2018;18(4). https:// doi. org/ 10. 3390/ s1804 1205.uk_UA
dc.relation.references17 Azri S, Ujang U, Abdul Rahman A. Dendrogram clustering for 3D data analytics in smart city. Issue: 4/W9. 2018;42:247–53. https:// doi. org/ 10. 5194/ isprs- archi ves- XLII-4- W9- 247- 2018.uk_UA
dc.relation.references18 AlShami A, Guo W, Pogrebna G. Fuzzy partition technique for clustering Big Urban dataset. In: 2016 SAI Computing Conference (SAI), 2016; 212–216. https://d oi.org/1 0 .1109 /S AI.2016.7 555 98 4.uk_UA
dc.relation.references19 Chang C-S, Chang C-T, Lee D-S, Liou L-H. K-sets+: a lineartime clustering algorithm for data points with a sparse similarity measure. 2018;1–8. https://d oi.org/1 0 .1109 /U IC-ATC.2 017 .83976 36.uk_UA
dc.relation.references20 Chae S, Kwon S, Lee D. Predicting infectious disease using deep learning and big data. Int J Environ Res Public Health. 2018;15(8):1596. https:// doi. org/ 10. 3390/ ijerp h1508 1596.uk_UA
dc.relation.references21 Chen W, Huang Z, Wu F, Zhu M, Guan H, Maciejewski R. VAUD: a visual analysis approach for exploring spatio-temporal urban data. IEEE Trans Visual Comput Graph. 2018;24(9):2636–48. https:// doi. org/ 10. 1109/ TVCG. 2017. 27583.uk_UA
dc.relation.references22 Simhachalam B, Ganesan G. Performance comparison of fuzzy and non-fuzzy classification methods. Egyp Inform J. 2016;17(2):183–8. https:// doi. org/ 10. 1016/j. eij. 2015. 10. 004.uk_UA
dc.relation.references23 Sassite F, Addou M, Barramou F. A machine learning and multiagent model to automate big data analytics in smart cities. Int J Adv Comput Sci Appl. 2022;13(7):441–51. https:// doi. org/ 10. 14569/ IJACSA. 2022. 01307 54.uk_UA
dc.relation.references24 Huang J, Zhu L, Liang Q, Fan B, Li S. Efficient classification of distribution-based data for internet of things. IEEE Access. 2018;6:69279–87. https:// doi. org/ 10. 1109/ ACCESS. 2018. 28796 52.uk_UA
dc.relation.references25 Liu Q, Huan W, Deng M. A method with adaptive graphs to constrain multi-view subspace clustering of geospatial big data from multiple sources. Remote Sens. 2022;14(17):4394. https://d oi.org/ 10. 3390/ rs141 74394.uk_UA
dc.relation.references26 Bashir S. Real-time water and electricity consumption monitoring using machine learning techniques. IEEE Access. 2023;11:11511– 28. https://doi.org/10.1109/ACCESS.2023.3241489.uk_UA
dc.relation.references27 Charalampous A, Papadopoulos A, Hadjiyiannis S, Philimis P. Towards hydro-informatics modernization with real-time water consumption classification. In: 2021 IEEE AFRICON, 1– 6 2021. ISSN: 2153-0033. https://d oi.org/1 0 .1109 /A FRICON5133 3 .2021. 95709 09.uk_UA
dc.relation.references28 Cao W, Zhang H, Li J. A Grey relevancy analysis on the relationship between energy consumption and economic growth in Henan Province. In: 2011 2nd International Conference on Artificial Intelligence, Management Science and Electronic Commerce (AIMSEC). 27– 30. 2011. https://d oi.org/1 0 .1109 /A IMSEC.2011. 60101 96.uk_UA
dc.relation.references29 Girvan M, Newman MEJ. Community structure in social and biological networks. Proc Natl Acad Sci. 2002;99(12):7821–6. https://doi.org/10.1073/pnas.122653799.uk_UA
dc.relation.references30 Duda O., Kunanets N., Matsiuk O., Pasichnyk V. Information-Communication Technolo- gies of IoT in the "Smart Cities" Projects", CEUR Workshop Proceedings. 2018. Vol. 2105. P. 317- 330.uk_UA
dc.relation.references31 Duda, O., Pasichnyk, V., Kunanets, N., Antonii, R., Matsiuk, O. Multidimensional Representation of COVID-19 Data Using OLAP Information Technology. International Scientific and Technical Conference on Computer Sciences and Information Technologies, 2020, 2, pp. 277–280, 9321889.uk_UA
dc.relation.references32 Категорійно-понятійний апарат з безпеки життєдіяльності, таксономія небезпек. http://opcb.kpi.ua/wp-content/uploads/2014/09/%D0%9A%D0%BE% D0%BD%D1%81%D0%BF%D0%B5%D0%BA%D1%82%D0%9E%D0%9F%D0%A6%D0%91-%D0%A0%D0%BE%D0%B7%D0%B4%D1%96%D0%BB1.pdfuk_UA
dc.relation.references33 Северин, Олександр Петрович, et al. "Охорона праці та безпека військової діяльності." (2018).uk_UA
dc.relation.references34 Левченко, Олег Григорович, et al. "Безпека життєдіяльності та цивільний захист." (2019).uk_UA
dc.relation.references35 Безпека в надзвичайних ситуаціях. Методичний посібник для здобувачів освітнього ступеня «магістр» всіх спеціальностей денної та заочної (дистанційної) форм навчання / укл.: Стручок В. С. Тернопіль: ФОП Паляниця В. А., 2022. 156 с.uk_UA
dc.relation.references36 Курепін, Вячеслав Миколайович, and Валерій Миколайович Курепін. "Актуальні питання охорони праці в енергетичної галузі України." (2019).uk_UA
dc.relation.references37 Левченко, Олег Григорович, et al. "Охорона праці та цивільний захист." Київ: КПІ ім. Ігоря Сікорського (2019).uk_UA
dc.contributor.affiliationТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Українаuk_UA
dc.coverage.countryUAuk_UA
Розташовується у зібраннях:122 — Компʼютерні науки (бакалаври)

Файли цього матеріалу:
Файл Опис РозмірФормат 
2024_KRB_SN-41_Vitiv_IV.pdf825,89 kBAdobe PDFПереглянути/відкрити
Показати базовий опис матеріалу Перегляд статистики


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора