Empreu aquest identificador per citar o enllaçar aquest ítem:
http://elartu.tntu.edu.ua/handle/lib/47036| Títol: | Дослідження методів інтелектуального опрацювання великих даних для систем відеоспостереження розумних міст |
| Altres títols: | Research of Data Mining Methods of Big Data for Video Surveillance Systems of Smart Cities |
| Autor: | Ставицький, Роман Іванович Stavytskyi, Roman Ivanovych |
| Affiliation: | Тернопільський національний технічний університет імені Івана Пулюя, факультет комп’ютерно-інформаційних систем і програмної інженерії, кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Bibliographic description (Ukraine): | Ставицький Р. І. Дослідження методів інтелектуального опрацювання великих даних для систем відеоспостереження розумних міст : робота на здобуття кваліфікаційного ступеня магістра : 124 – системний аналіз / В. В. Пасічник – Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. 77 с. |
| Data de publicació: | 23-de -2024 |
| Submitted date: | 9-de -2024 |
| Date of entry: | 3-de -2025 |
| Editorial: | Тернопільський національний технічний університет імені Івана Пулюя |
| Country (code): | UA |
| Place of the edition/event: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Supervisor: | Пасічник, Володимир Володимирович Pasichnyk, Volodymyr V. |
| UDC: | 004.9 |
| Paraules clau: | «розумні міста» системний аналіз аналітика великих даних машинне навчання самоорганізований самоорганізовані карти штучний інтелект artificial intelligence big data analytics machine learning self-organised self-organised maps smart cities |
| Page range: | 77 |
| Resum: | Кваліфікаційна робота присвячена дослідженню методів інтелектуального опрацювання великих даних у системах відеоспостереження для «розумних міст». В першому розділі кваліфікаційної роботи розглянуто концепцію «розумного міста» як інноваційного інформаційно-технологічного середовища, що інтегрує хмарні та периферійні обчислення з технологіями штучного інтелекту для обробки великих обсягів даних у системах відеоспостереження.
В другому розділі досліджено теоретичні аспекти неконтрольованого навчання для обробки великих обсягів відеоданих, зокрема використання самоорганізованих карт (SOM) і їх модифікацій, таких як GSOM, для ефективного аналізу відеоданих. В третьому розділі кваліфікаційної роботи проведено експериментальні дослідження структури та функціонування інтелектуальної системи обробки великих обсягів відеоданих, зокрема її адаптацію до контексту та динамічних змін.
Результати роботи демонструють ефективність використання методів штучного інтелекту для обробки великих даних у системах відеоспостереження, що дозволяє підвищити безпеку та функціональність «розумних міст». Робота може бути використана для подальших досліджень і розробки рішень у сфері «розумних міст». Thesis is devoted to the study of methods of intelligent processing of big data in video surveillance systems for “smart cities”. The first chapter of the qualification work considers the concept of a “smart city” as an innovative information technology environment that integrates cloud and edge computing with artificial intelligence technologies to process large amounts of data in video surveillance systems. The second chapter investigates the theoretical aspects of unsupervised learning for processing large amounts of video data, in particular, the use of self-organized maps (SOM) and their modifications, such as GSOM, for effective video data analysis. In the third chapter of the qualification work, experimental studies of the structure and functioning of an intelligent system for processing large amounts of video data, including its adaptation to context and dynamic changes, were conducted. The results of the work demonstrate the effectiveness of using artificial intelligence methods for processing big data in video surveillance systems, which allows to increase the security and functionality of “smart cities”. The work can be used for further research and development of solutions in the field of smart cities. |
| Descripció: | Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 23.12.2024 р. о 13 год. на засіданні екзаменаційної комісії №35 у Тернопільському національному технічному університеті імені Івана Пулюя |
| Content: | ВСТУП 8 1 РОЗУМНІ МІСТА, ОБЧИСЛЮВАЛЬНІ ПАРАДИГМИ ТА ШТУЧНИЙ ІНТЕЛЕКТ 10 1.1 АКТУАЛЬНІСТЬ ДОСЛІДЖЕННЯ МЕТОДІВ ІНТЕЛЕКТУАЛЬНОГО ОПРАЦЮВАННЯ ВЕЛИКИХ ДАНИХ ДЛЯ СИСТЕМ ВІДЕОСПОСТЕРЕЖЕННЯ РОЗУМНИХ МІСТ 10 1.2 ІННОВАЦІЙНИЙ ІНФОРМАЦІЙНО-ТЕХНОЛОГІЧНИЙ КОНЦЕПТ «РОЗУМНЕ МІСТО» 14 1.3 ХМАРНІ ТА ПЕРИФЕРІЙНІ ОБЧИСЛЕННЯ ДЛЯ ПОТРЕБ ОПРАЦЮВАННЯ ВЕЛИКИХ ДАНИХ СИСТЕМ ВІДЕОСПОСТЕРЕЖЕННЯ «РОЗУМНИХ МІСТ» 15 1.4 ВЕЛИКІ ДАНІ ТА ШТУЧНИЙ ІНТЕЛЕКТ В «РОЗУМНИХ МІСТАХ» 15 1.5 ЗАСНОВАНІ НА ДАНИХ ІНФОРМАЦІЙНІ МОДЕЛІ ТА ТЕХНОЛОГІЇ 17 1.6 ВИСНОВОК ДО ПЕРШОГО РОЗДІЛУ 26 2 МЕТОДИ ВИКОРИСТАННЯ ШТУЧНИХ ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ ДЛЯ ОПРАЦЮВАННЯ ВЕЛИКИХ ДАНИХ ВІДЕОСПОСТЕРЕЖЕННЯ В «РОЗУМНИХ МІСТАХ» 27 2.1 НЕКОНТРОЛЬОВАНЕ НАВЧАННЯ ДЛЯ ОПРАЦЮВАННЯ ВЕЛИКИХ ДАНИХ СИСТЕМ ВІДЕОСПОСТЕРЕЖЕННЯ «РОЗУМНИХ МІСТ» 27 2.2 САМООРГАНІЗОВАНІ КАРТИ (SOM) ДЛЯ ОПРАЦЮВАННЯ ВЕЛИКИХ ДАНИХ СИСТЕМ ВІДЕОСПОСТЕРЕЖЕННЯ «РОЗУМНИХ МІСТ» 30 2.3 ЗРОСТАЮЧІ SOM (GSOM) ДЛЯ ОПРАЦЮВАННЯ ВЕЛИКИХ ДАНИХ СИСТЕМ ВІДЕОСПОСТЕРЕЖЕННЯ «РОЗУМНИХ МІСТ» 32 2.4 РОЗПОДІЛЕНІ GSOM ДЛЯ ОПРАЦЮВАННЯ ВЕЛИКИХ ДАНИХ СИСТЕМ ВІДЕОСПОСТЕРЕЖЕННЯ «РОЗУМНИХ МІСТ» 34 2.5 ЗЛИТТЯ GSOM ДЛЯ ОПРАЦЮВАННЯ ВЕЛИКИХ ДАНИХ СИСТЕМ ВІДЕОСПОСТЕРЕЖЕННЯ «РОЗУМНИХ МІСТ» 34 2.6 ВИСНОВОК ДО ДРУГОГО РОЗДІЛУ 38 3 ЕКСПЕРИМЕНТАЛЬНЕ ВИКОРИСТАННЯ МЕТОДІВ ІНТЕЛЕКТУАЛЬНОГО ОПРАЦЮВАННЯ ВЕЛИКИХ ДАНИХ ДЛЯ СИСТЕМ ВІДЕОСПОСТЕРЕЖЕННЯ РОЗУМНИХ МІСТ 39 3.1 СТРУКТУРА ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ ОПРАЦЮВАННЯ ВЕЛИКИХ ДАНИХ ВІДЕОСПОСТЕРЕЖЕННЯ «РОЗУМНИХ МІСТ» 39 3.2 ПОТІК ЗАВДАНЬ ОПРАЦЮВАННЯ ВЕЛИКИХ ДАНИХ В ІНТЕЛЕКТУАЛЬНІЙ СИСТЕМІ ВІДЕОСПОСТЕРЕЖЕННЯ «РОЗУМНИХ МІСТ» 41 3.3 ФУНКЦІОНУВАННЯ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ ВІДЕОСПОСТЕРЕЖЕННЯ «РОЗУМНИХ МІСТ» 43 3.3.1 НАЛАШТУВАННЯ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ ВІДЕОСПОСТЕРЕЖЕННЯ «РОЗУМНИХ МІСТ» 43 3.3.2 ТЕСТОВІ НАБОРИ ВЕЛИКИХ ДАНИХ ІНТЕЛЕКТУАЛЬНОГО ОПРАЦЮВАННЯ В СИСТЕМІ ВІДЕОСПОСТЕРЕЖЕННЯ «РОЗУМНИХ МІСТ» 45 3.3.3 ВІЗУАЛІЗАЦІЯ ВІДЕОДАНИХ «РОЗУМНОГО МІСТА» НА SOM 46 3.3.4 ПОДАННЯ ВІДЕОДАНИХ «РОЗУМНОГО МІСТА» НА МЕРЕЖІ СТРУКТУРНОЇ АДАПТАЦІЇ 48 3.3.5 СТРУКТУРНА АДАПТАЦІЯ З УРАХУВАННЯМ КОНТЕКСТУ 53 3.4 ВИСНОВОК ДО ТРЕТЬОГО РОЗДІЛУ 56 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 57 4.1 БЕЗПЕЧНІ УМОВИ ПРАЦІ ПРИ МОНТАЖІ КОМП'ЮТЕРНОЇ МЕРЕЖІ. 57 4.2 ЗАСТЕРЕЖЕННЯ НЕЩАСНИХ ВИПАДКІВ ТА УПРАВЛІННЯ РИЗИКАМИ 60 4.3 ПІДВИЩЕННЯ СТІЙКОСТІ РОБОТИ ОБ’ЄКТІВ ГОСПОДАРСЬКОЇ ДІЯЛЬНОСТІ У ВОЄННИЙ ЧАС. 63 4.4 ПЛАНУВАННЯ ЗАХОДІВ ЦИВІЛЬНОГО ЗАХИСТУ НА ОБ’ЄКТІ У ВИПАДКУ НАДЗВИЧАЙНИХ СИТУАЦІЙ 64 4.5 ВИСНОВОК ДО ЧЕТВЕРТОГО РОЗДІЛУ 66 ВИСНОВКИ 67 ПЕРЕЛІК ДЖЕРЕЛ 69 ДОДАТКИ |
| URI: | http://elartu.tntu.edu.ua/handle/lib/47036 |
| Copyright owner: | © Ставицький Роман Іванович, 2024 |
| References (Ukraine): | 1 World population projection by UN. (2018). UN DESA | United Nations Department of Economic and Social Affairs. https://www.un.org/ development/desa/en/news/population/2018-revision-of-worldurbanization-prospects.html 2 Gupta, P., Chauhan, S., & Jaiswal, M. P. (2019). Classification of Smart City research—A descriptive literature review and future research agenda. Information Systems Frontiers, 21(3), 661 – 685. https://doi. org/10.1007/s10796-019-09911-3 3 Kar, A. K., Ilavarasan, V., Gupta, M. P., Janssen, M., & Kothari, R. (2019). Moving beyond smart cities: Digital nations for social innovation & sustainability. Information Systems Frontiers, 21(3), 495 – 501 4 Alter, S. (2019). Making sense of smartness in the context of smart devices and smart systems. Information Systems Frontiers, 1 – 13 5 Mikalef, P., Pappas, I. O., Krogstie, J., & Pavlou, P. A. (2020). Big data and business analytics: A research agenda for realizing business value. Information & Management, 57(1), 103237 6 Eldrandaly, K. A., Abdel-Basset, M., & Abdel-Fatah, L. (2019). PTZsurveillance coverage based on artificial intelligence for smart cities. International Journal of Information Management., 49, 520 – 532. https://doi.org/10.1016/j.ijinfomgt.2019.04.017. 7 Allam, Z., & Dhunny, Z. A. (2019). On big data, artificial intelligence and smart cities. Cities, 89, 80 – 91 8 Li, S., Da Xu, L., & Zhao, S. (2015). The internet of things: A survey. Information Systems Frontiers, 17(2), 243 – 259 9 Lin, A., & Chen, N.-C. (2012). Cloud computing as an innovation: Percepetion, attitude, and adoption. International Journal of Information Management, 32(6), 533 – 540. https://doi.org/10.1016/ j.ijinfomgt.2012.04.001 10 Nawaratne, R., Alahakoon, D., Silva, D. D., & Yu, X. (2019a). Spatiotemporal anomaly & P. Nicopolitidis (Eds.), Smart Cities and Homes (pp. 241 – 260). Morgan Kaufmann. https://doi.org/10.1016/B978-0-12-803454-5.00012-2 11 Emam, A. (2015). Intelligent drowsy eye detection using image mining. Information Systems Frontiers, 17(4), 947 – 960 12 De Silva, D., Sierla, S., Alahakoon, D., Osipov, E., Yu, X., & Vyatkin, V. (2020). Toward intelligent industrial informatics: A review of current developments and future directions of artificial intelligence in industrial applications. IEEE Industrial Electronics Magazine, 14(2), 57 – 72. https://doi.org/10.1109/MIE.2019.2952165 13 Adikari, A., De Silva, D., Alahakoon, D., & Yu, X. (2019). A cognitive model for emotion awareness in industrial Chatbots. 2019 IEEE 17th international conference on industrial informatics (INDIN), 1, 183 – 186 14 Mohammad, N., Muhammad, S., Bashar, A., & Khan, M. A. (2019). Formal analysis of human-assisted smart city emergency services. IEEE Access, 7, 60376 – 60388 15 Bundy, A. (2017). Preparing for the future of artificial intelligence. Springer 16 Nawaratne, R., Alahakoon, D., Silva, D. D., & Yu, X. (2019a). Spatiotemporal anomaly detection using deep learning for realtime video surveillance. IEEE Transactions on Industrial Informatics, 16, 1 – 1 – 1 – 402. https://doi.org/10.1109/TII.2019. 2938527 17 Nawaratne, R., Alahakoon, D., De Silva, D., Chhetri, P., & Chilamkurti, N. (2018). Self-evolving intelligent algorithms for facilitating data interoperability in IoT environments. Future Generation Computer Systems, 86, 421 – 432. https://doi.org/10.1016/j.future.2018.02.049 18 Nallaperuma, D., Nawaratne, R., Bandaragoda, T., Adikari, A., Nguyen, S., Kempitiya, T., Silva, D. D., Alahakoon, D., & Pothuhera, D. (2019). Online incremental machine learning platform for big data-driven smart traffic management. IEEE Transactions on Intelligent Transportation Systems, 20, 1 – 12. https://doi.org/10. 1109/TITS.2019.2924883 19 Alahakoon, D., Nawaratne, R., Xu, Y., Silva, D, D., Sivarajah, U., Gupta B., (2023) Self-Building Artificial Intelligence and Machine Learning to Empower Big Data Analytics in Smart Cities. Information Systems Frontiers 25:221 – 240. https://doi.org/10.1007/s10796-020-10056-x 20 Alahakoon, D., Halgamuge, S. K., & Srinivasan, B. (2000). Dynamic self-organizing maps with controlled growth for knowledge discovery. IEEE Transactions on Neural Networks, 11(3), 601 – 614. https://doi.org/10.1109/72.846732 21 Kohonen, T. (1997). Exploration of very large databases by selforganizing maps. Neural Networks, 1997., International Conference On, 1, PL1-PL6 vol. 1 22 Jayaratne, M., Alahakoon, D., Silva, D, D., & Yu, X. (2017). Apache spark based distributed self-organizing map algorithm for sensor data analysis. IECON 2017 - 43rd Annual Conference of the IEEE Industrial Electronics Society, 8343 – 8349. https://doi.org/10.1109/ IECON.2017.8217465 23 Hall, R. E., Bowerman, B., Braverman, J., Taylor, J., Todosow, H., & Von Wimmersperg, U. (2000). The vision of a smart city (BNL67902; 04042). Upton, NY (US): Brookhaven National Lab https://www.osti.gov/biblio/773961 24 Guelzim, T., & Obaidat, M. S. (2016). Cloud computing systems for smart cities and homes. In M. S. Obaidat & P. Nicopolitidis (Eds.), Smart Cities and Homes (pp. 241 – 260). Morgan Kaufmann. https://doi.org/10.1016/B978-0-12-803454-5.00012-2 25 Marinescu, D, C. (2017). Cloud computing: Theory and practice. Morgan Kaufmann 26 Petrolo, R., Loscrì, V., & Mitton, N. (2017). Towards a smart city based on cloud of things, a survey on the smart city vision and paradigms. Transactions on Emerging Telecommunications Technologies, 28(1), e2931. https://doi.org/10.1002/ett.2931 27 Chen, B.-W., Imran, M., Nasser, N., & Shoaib, M. (2019). Self-aware Autonomous City: From sensing to planning. IEEE Communications Magazine, 57(4), 33 – 39. https://doi.org/10.1109/ MCOM.2019.1800628 28 Duda O., Kochan V., Kunanets N., Matsiuk O., Pasichnyk V., Sachenko A., Pytlenko T. Data processing in IoT for smart city systems. In Proceedings of the 10th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), Metz, France, 18 – 21 September 2019; Volume 1, pp. 96 – 99 29 Lana, I., Ser, J. D., Velez, M., & Vlahogianni, E. I. (2018). Road traffic forecasting: Recent advances and new challenges. IEEE Intelligent Transportation Systems Magazine, 10(2), 93 – 109. https://doi.org/ 10.1109/MITS.2018.2806634 30 Garcia-Font, V., Garrigues, C., & Rifà-Pous, H. (2016). A comparative study of anomaly detection techniques for Smart City wireless sensor networks. Sensors (Basel, Switzerland), 16(6). https://doi.org/ 10.3390/s16060868 31 Silva, D. D., Yu, X., Alahakoon, D., & Holmes, G. (2011). Incremental pattern characterization learning and forecasting for electricity consumption using smart meters. IEEE International Symposium on Industrial Electronics, 2011, 807 – 812. https://doi.org/10.1109/ ISIE.2011.5984262 32 Nawaratne, R., Bandaragoda, T., Adikari, A., Alahakoon, D., De Silva, D., & Yu, X. (2017). Incremental knowledge acquisition and self-learning for autonomous video surveillance. IECON 2017 - 43rd Annual Conference of the IEEE Industrial Electronics Society, 4790 – 4795. https://doi.org/10. 1109/IECON.2017.8216826 33 Kiran, B. R., Thomas, D. M., & Parakkal, R. (2018). An overview of deep learning based methods for unsupervised and semi-supervised anomaly detection in videos. Journal of Imaging, 4(2), 36. https:// doi.org/10.3390/jimaging4020036 34 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 35 Р. Ставицький, Р. Катрич, А. Лисий “Штучний інтелект в розумних містах”, Матеріали XІІ науково-технічної конференції «Інформаційні моделі, системи та технології» Тернопільського національного технічного університету імені Івана Пулюя, (Тернопіль, 18–19 грудня 2024 р.). – Тернопіль: Тернопільський національний технічний університет імені Івана Пулюя, 2024-84с 36 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 37 Dameri R, Cocchia A (2013) Smart city and digital city: twenty years of terminology evolution. X Conference of the Italian Chapter of AIS, ITAIS2013 1 – 8. http:// www. itais.org/ proce edings/ itais 2013/ pdf/ 119. pdf 38 Jucevičius R, Patašienė I, Patašius M (2014) Digital dimension of smart city: critical analysis. Proc Soc Behav Sci 156:146 – 150. https:// oi.org/10.1016/j.sbspro.2014.11.137 39 Harrison C, Donnelly IA (2011) A theory of smart cities. Proceedings of the 55th annual meeting of the ISSS, 17 – 22 July 2011, Hull, UK. Vol. 55, No. 1. Proceedings of the 55th Annual Meeting of the ISSS, Hull, UK 40 Batty M, Axhausen KW, Giannotti F, Pozdnoukhov A, Bazzani A, Wachowicz M, Ouzounis G, Pôrṭûgālî Y (2012) Smart cities of the future. Eur Phys J Spec Top 214(1):481 – 518. https:// doi. org/ 10. 1140/ epjst/ e2012- 01703-3 41 Bibri S.E., Alexandre A., Sharifi A., Krogstie J. (2023). Environmentally sustainable smart cities and their converging AI, IoT, and big data technologies and solutions: an integrated approach to an extensive literature review. Energy Informatics 6:9. https://doi.org/10.1186/s42162-023-00259-2 42 Brown MA, Zhou S (2013) Smart-grid policies: an international review. Wiley Interdiscipl Rev Energy Environ 2(2):121 – 139. https:// doi. org/ 10. 1002/ wene. 53 43 Brown MA, Zhou S (2012) Sustainable Smart Gridssustainability/ sustainablesmart grids, emergence of a policy framework. In: Meyers RA (ed) Encyclopedia of sustainability science and technology. Springer, New York, pp 10448 – 10481 44 Brown MA (2014) Enhancing efficiency and renewables with smart grid technologies and policies. Futures 58:21 – 33. https:// doi. org/ 10. 1016/j. futur es. 2014. 01. 001 45 Bibri SE, Krogstie J (2020) Environmentally data-driven smart sustainable cities: applied innovative solutions for energy efficiency, pollution reduction, and urban metabolism. Energy Inform 3:29. https:// doi. org/ 10. 1186/ s42162- 020- 00130-8 46 Kim H, Choi H, Kang H, An J, Yeom S, Hong T (2021) A systematic review of the smart energy conservation system: from smart homes to sustainable smart cities. Renew Sustain Energy Rev. https:// doi. org/ 10. 1016/j. rser. 2021. 110755 47 Saravanan K, Sakthinathan G (eds) (2021) Handbook of green engineering technologies for sustainable smart cities. CRC Press, Boca Raton. https:// doi. org/ 10. 1201/ 97810 03093 787 48 Dowling R, McGuirk P, Gillon C (2019) Strategic or piecemeal? Smart city initiatives in Sydney and Melbourne. Urban Policy Res 37(4):429 – 441. https:// doi. org/ 10. 1080/ 08111 146. 2019. 16746 47 49 Karvonen A, Cugurullo F, Caprotti F (2019) Inside Smart Cities. Routledge. https:// doi. org/ 10. 4324/ 97813 51166 201-1 50 Kunanets N., Matsiuk H. Use of the Smart City Ontology for Relevant Information Retrieval. CEUR Workshop Proceedings, 2019. Vol. 2362. P. 322-333 51 Ameer SA, Shah MA (2018) Exploiting big data analytics for smart urban planning 2018 IEEE 88th Vehicular Technology Conference (VTC-Fall), Chicago, IL, USA. https:// ieeex plore. ieee. org/ stamp/ stamp. jsp? tp= & arnum ber= 86910 36& 52 Rathore MM, Paul A, Hong W-H, Seo H, Awan I, Saeed S, Jaekel A (2018) Exploiting IoT and big data analytics: defining smart digital city using real-time urban data. Sustain Cities Soc 40:600 – 610. https:// doi. org/ 10. 1016/j. scs. 2017. 12. 022 53 Bibri S, Krogstie J, Kaboli A, Alahi (2023) AI and AIoT Applications for Smarter Eco-Cities: A Unified Evidence Synthesis Approach to a State-of-the-Art Review. Int J Info Manag 54 González GC, Núñez Valdez E, García Díaz V, Pelayo García-Bustelo B, Cueva Lovelle J (2018) A review of artificial intelligence in the Internet of Things. Int J Interact Multimed Artif Intell 5(4):20. https:// doi. org/ 10. 9781/ ijimai. 2018. 03. 004 55 Nishant R, Kennedy M, Corbett J (2020) Artificial intelligence for sustainability: challenges, opportunities, and a research agenda. Int J Inf Manag. https:// doi. org/ 10. 1016/j. ijinf omgt. 2020. 102104 56 Sutherland MK, Cook ME (2017a) Data-driven smart cities: a closer look at organizational, technical and data complexities. Proceedings of the 18th Annual International Conference on Digital Government Research 57 Angelidou M, Psaltoglou A, isnum ber=86905 4 7 Komninos N, Kakderi C, Tsarchopoulos P, Panori A (2018) Enhancing sustainable urban development through smartcity applications. J Sci Technol Policy Manag 9(2):146 – 169. https:// doi. org/ 10. 1108/ JSTPM- 05- 2017- 0016 58 Bibri SE (2019) On the sustainability and unsustainability of smart and smarter urbanism and related big data technology, analytics, and application. In Big data science and analytics for smart sustainable urbanism: unprecedented paradigmatic shifts and practical advancements (pp. 183 – 220). https:// doi. org/ 10. 1007/ 978-3- 030- 17312-8_7 59 Shruti SP, Ohri A (2019) Towards developing sustainable smart cities in India. Int J Eng Adv Technol 9(2):2876 – 2880. https:// doi. org/ 10. 35940/ ijeat. B3653. 129219 60 Cziko, G, A. (2016). Unpredictability and indeterminism in human behavior: Arguments and implications for educational Research: Educational Researcher. https://doi.org/10.3102/0013189X018003017 61 Boccaletti, S., Grebogi, C., Lai, Y. C., Mancini, H., Maza, D., & Lai, Y.C. (2000). The control of chaos: Theory and applications. Physics Reports, 329(3), 103 – 197. https://doi.org/10.1016/S0370-1573(99) 00096-4 62 Кунанець Н. Е., Небесний Р. М., Мацюк О. В. Особливості формування цілей соціальних та соціокомунікаційних складових у проектах «Розумних міст». Вісник Національного університету "Львівська політехніка". Серія: Інформаційні системи та мережі. 2016. Вип. 854. С. 257-274. URL: http://nbuv.gov.ua/UJRN/VNULPICM_2016_854_26 63 Tan, P, N., Steinbach, M., & Kumar, V. (2016). Introduction to data mining. Pearson Education India 64 Yang, J., Han, Y., Wang, Y., Jiang, B., Lv, Z., & Song, H. (2020). Optimization of real-time traffic network assignment based on IoT data using DBN and clustering model in smart city. Future Generation Computer Systems, 108, 976 – 986 65 Melo Riveros, N. A., Cardenas Espitia, B. A., & Aparicio Pico, L. E. (2019). Comparison between K-means and self-organizing maps algorithms used for diagnosis spinal column patients. Informatics in Medicine Unlocked, 16, 100206. https://doi.org/10.1016/j.imu. 2019.100206 66 Chen, Y., Qin, B., Liu, T., Liu, Y., & Li, S. (2010). The comparison of SOM and K-means for text clustering. Computer and Information Science, 3(2), 268 – 274 67 Kleyko, D., Osipov, E., Silva, D. D., Wiklund, U., & Alahakoon, D. (2019). Integer self-organizing maps for digital hardware. International Joint Conference on Neural Networks (IJCNN), 2019, 1 – 8. https://doi.org/10.1109/IJCNN.2019.8852471 68 Hebb, D, O. (1949). The organization of behavior; a neuropsychological theory. Wiley 69 Webber, C. S. (1991). Competitive learning, natural images and cortical cells. Network: Computation in Neural Systems, 2(2), 169 – 187 70 Fritzke, B. (1994). Growing cell structures A self-organizing network for unsupervised and supervised learning. Neural Networks, 7(9), 1441 – 1460 71 Marsland, S., Shapiro, J., & Nehmzow, U. (2002). A self-organising network that grows when required. Neural Networks, 15(8 – 9), 1041 – 1058 72 Ganegedara, H., & Alahakoon, D. (2012). Redundancy reduction in selforganising map merging for scalable data clustering. The 2012 International Joint Conference on Neural Networks (IJCNN), 1 – 8. https://doi.org/10.1109/IJCNN.2012.6252722 73 Ganegedara, H., & Alahakoon, D. (2011). Scalable data clustering: A Sammon’s projection based technique for merging GSOMs. In B.L. Lu, L. Zhang, & J. Kwok (Eds.), Neural information processing (pp. 193 – 202). Berlin Heidelberg: Springer 74 Fonseka, A., & Alahakoon, D. (2010). Exploratory data analysis with multi-layer growing self-organizing maps. 2010 fifth international conference on information and automation for sustainability, 132 – 137. https://doi.org/10.1109/ICIAFS.2010.5715648 75 Jayaratne, M., Silva, D. de, & Alahakoon, D. (2019). Unsupervised machine learning based scalable fusion for active perception. IEEE Transactions on Automation Science and Engineering, 1 – 11. https://doi.org/10.1109/TASE.2019.2910508 76 Fonseka, A., Alahakoon, D., & Rajapakse, J. (2011). A dynamic unsupervised laterally connected neural network architecture for integrative pattern discovery. In B.-L. Lu, L. Zhang, & J. Kwok (Eds.), Neural information processing (pp. 761 – 770). Berlin Heidelberg: Springer 77 Skorenkyy Y., Kozak R., Zagorodna N., Kramar O., Baran, I. Use of augmented reality-enabled prototyping of cyber-physical systems for improving cybersecurity education. Journal of Physics: Conference Series. 2021. Vol. 1840, No. 1. DOI: http://dx.doi.org/10.1088/1742-6596/1840/1/012026 78 Lu, C., Shi, J., & Jia, J. (2013). Abnormal event detection at 150 FPS in MATLAB. 2013 IEEE international conference on computer vision, 2720 – 2727. https://doi.org/10.1109/ICCV.2013.338 79 Mahadevan, V., Li, W., Bhalodia, V., & Vasconcelos, N. (2010). Anomaly detection in crowded scenes. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2010, 1975 – 1981. https://doi.org/10.1109/CVPR.2010.5539872 80 Choi, W., Shahid, K., & Savarese, S. (2009). What are they doing?: Collective activity classification using spatio-temporal relationship among people. Computer vision workshops (ICCV workshops), 2009 IEEE 12th international conference on, 1282 – 1289 81 Wang, T., & Snoussi, H. (2012). Histograms of optical flow orientation for visual abnormal events detection. 2012 IEEE ninth international conference on advanced video and signal-based surveillance, 13 – 18. https://doi.org/10.1109/AVSS.2012.39 82 Dalal, N., & Triggs, B. (2005). Histograms of oriented gradients for human detection. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), 1, 886 – 893 vol. 1. https://doi.org/10.1109/CVPR.2005.177 83 Kiviluoto, K. (1996). Topology preservation in self-organizing maps. Proceedings of International Conference on Neural Networks (ICNN’96), 1(1), 294 – 299. https://doi.org/10.1109/ICNN.1996. 548907 84 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. 85 Р. Ставицький, В. Дубельт, Х. Дуда “Розумні міста та програмно-алгоритмічні засоби на базі штучного інтелекту ”, Матеріали XІІ науково-технічної конференції «Інформаційні моделі, системи та технології» Тернопільського національного технічного університету імені Івана Пулюя, (Тернопіль, 18–19 грудня 2024 р.). – Тернопіль: Тернопільський національний технічний університет імені Івана Пулюя, 2024-85с. 86 Palka, O., Dmytrotsa, L., Duda, O., Kunanets, N., Pasichnyk, V. Information and technological tools for analysis and visualization of open data in smart cities, CEUR Workshop Proceedings, 2024, 3723, pp. 121–132 |
| Content type: | Master Thesis |
| Apareix a les col·leccions: | 124 — системний аналіз |
Arxius per aquest ítem:
| Arxiu | Descripció | Mida | Format | |
|---|---|---|---|---|
| Mag_2024_SAm_61_Stavytckii_R_I_v44.pdf | Дипломна робота | 1,73 MB | Adobe PDF | Veure/Obrir |
Els ítems de DSpace es troben protegits per copyright, amb tots els drets reservats, sempre i quan no s’indiqui el contrari.
Eines d'Administrador