Оптимізація геоінформаційного сервісу в системі підтримки процесу відновлення об’єктів нерухомості | Збірник наукових праць "Управління розвитком складних систем"

Заголовок (англійською):

Optimization of the geoinformation service in the real estate restoration support system

Автор(и):

Бугров А. А.

Автор(и) (англ):

Buhrov A.

Ключові слова (укр):

експоненціальне згладжування; прогнозоване масштабування; оптимізація продуктивності; аналіз часових рядів; свічковий графік

Ключові слова (англ):

exponential smoothing; predictive scaling; performance optimization; time series analysis; candlestick chart

Анотація (укр):

Стаття є продовженням низки робіт, що спрямовані на розробку системи підтримки процесу відновлення об’єктів нерухомості. У фокусі дослідження геоінформаційний сервіс цієї системи. Розглянуто підходи до оптимізації геоінформаційного сервісу системи з урахуванням специфіки використання часових рядів і ресурсних метрик. Показано, що унікальні особливості геоінформаційного сервісу і вибраних метрик потребують індивідуального підходу до масштабування і оптимізації, який забезпечить високу продуктивність, адаптивність і економічність системи. Визначено ключові параметри, комплексний аналіз яких забезпечує ефективне управління ресурсами, підвищення продуктивності та зменшення ризику затримок у виконанні завдань системи. Запропоновано інтеграцію таких статистичних методів прогнозування, як експоненціальне згладжування та авторегресійне інтегроване ковзне середнє для передбачення пікових періодів навантаження на основі даних про використання пам’яті, тривалості обробки запитів і періодичності отримання супутникових знімків. Засвідчено, що використання експоненціального згладжування дає змогу швидко реагувати на зміни в періодичності отримання знімків і передбачити наступний час з достатньою точністю. Показано, що графічне представлення часового ряду у вигляді японських свічок має низку переваг порівняно з традиційними графіками. При такому представленні динаміки метрик «обсяг пам’яті» та «час отримання супутникових знімків» дозволяє отримувати комплексну інформацію про динаміку ресурсоспоживання. Практичне значення роботи полягає в забезпеченні безперервного моніторингу ресурсів сервісу, адаптивного управління ними та оперативного оновлення інформації про об’єкти нерухомості. При цьому адаптивне управління ресурсами поєднує проактивне прогнозування з реактивним масштабуванням, що спрямовано на зменшення затримок і підвищення ефективності роботи системи.

Анотація (англ):

This article is a continuation of a series of studies aimed at developing a support system for the restoration process of real estate objects. The focus of the research is on the geoinformation service of this system. Approaches to optimizing the geoinformation service are examined, taking into account the specifics of time series analysis and resource metrics. It is demonstrated that the unique characteristics of the geoinformation service and the selected metrics necessitate an individualized approach to scaling and optimization, thereby ensuring high performance, adaptability, and cost-effectiveness of the system. Key parameters are identified whose comprehensive analysis facilitates efficient resource management, enhanced performance, and a reduction in the risk of execution delays. An integration of statistical forecasting methods, such as exponential smoothing and autoregressive integrated moving average, is proposed for predicting peak load periods based on data concerning memory usage, query processing duration, and the frequency of satellite image acquisitions. The application of exponential smoothing is shown to enable rapid responses to changes in the periodicity of image acquisitions and to forecast subsequent intervals with sufficient accuracy. Moreover, it is demonstrated that representing time series data in the form of Japanese candlesticks offers several advantages over traditional graphs. Such a representation of the dynamics of "memory usage" and "satellite image acquisition time" provides comprehensive insights into resource consumption trends. The practical significance of this work lies in ensuring continuous resource monitoring of the service, adaptive management, and the prompt updating of real estate object information. In this context, adaptive resource management combines proactive forecasting with reactive scaling to reduce delays and enhance overall system efficiency.

Публікатор:

Київський національний університет будівництва і архітектури

Назва журналу, номер, рік випуску (укр):

Управління розвитком складних систем, номер 61, 2025

Назва журналу, номер, рік випуску (англ):

Management of Development of Complex Systems, number 61, 2025

Мова статті:

Українська

Формат документа:

application/pdf

Документ:

187-192.pdf

Дата публікації:

08 Апрель 2025

Номер збірника:

61

Розділ:

ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ ПРОЄКТУВАННЯ

Університет автора:

Київський національний університет будівництва і архітектури, Київ

Литература:

1. Terenchuk S., Pasko R., Buhrov A., Ploskyi V., Panko O. and Zapryvoda V. (2022). "Computerization of the process of reconstruction of damaged or destroyed real estate," 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine, pp. 1–6, doi: 10.1109/KhPIWeek57572.2022.9916470.

2. Terenchuk S., Pasko R., Bosenko I., Buhrov A., Yaschenko A. and Volokh B., (2023). "Ontology Formation of Support System for Restoration of Buildings, Property and Infrastructure Objects," 2023 IEEE 4th KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine, pp. 1–5, doi: 10.1109/KhPIWeek61412.2023.10313006.

3. Singh, P., Kaur, A., Gupta, P. et al. (2021). RHAS: robust hybrid auto-scaling for web applications in cloud computing. Cluster Comput 24, 717–737. https://doi.org/10.1007/s10586-020-03148-5.

4. Mu, T., Sheng, Z., Zhou, L., Wang, H., (2023). Auto-TSA: An Automatic Time Series Analysis System Based on Meta-learning. In: El Abbadi, A., et al. Database Systems for Advanced Applications. DASFAA 2023 International Workshops. DASFAA 2023. Lecture Notes in Computer Science, vol. 13922. Springer, Cham. https://doi.org/10.1007/978-3-031-35415-1_10.

5. Biloshchytskyi A., Neftissov A., Kuchanskyi O., Andrashko Y., Biloshchytska S., Mukhatayev A., Kazambayev I. (2024). Fractal Analysis of Air Pollution Time Series in Urban Areas in Astana, Republic of Kazakhstan. Urban Science. 2024; 8 (3):131. https://doi.org/10.3390/urbansci8030131.

6. Wen L., Xu M., Toosi A. N. and Ye K., (2024). "TempoScale: A Cloud Workloads Prediction Approach Integrating Short-Term and Long-Term Information," 2024 IEEE 17th International Conference on Cloud Computing (CLOUD), Shenzhen, China, pp. 183–193, doi: 10.1109/CLOUD62652.2024.00030.

7. Lanciano G., Galli F., Cucinotta T., Bacciu D., and Passarella A. (2021). Predictive auto-scaling with OpenStack Monasca. In Proceedings of the 14th IEEE/ACM International Conference on Utility and Cloud Computing (UCC '21). Association for Computing Machinery, New York, NY, USA, Article 20, 1–10. https://doi.org/10.1145/3468737.3494104.

8. Ma Y., Tang Y., Li B. and Qi, B. (2020). "Residential High-Power Load Prediction Based on Optimized LSTM Network," 2020 International Conference on Artificial Intelligence and Computer Engineering (ICAICE), Beijing, China, pp. 538–541, doi: 10.1109/ICAICE51518.2020.00109.

9. Ladyzhets, V. & Terenchuk S. (2021). Models and methods of technical analysis of financial markets. Management of Development of Complex Systems, 48, 47–52, dx.doi.org\10.32347/2412-9933.2021.48.47-52.

10. Scaling based on predictions | cloud.google. Google Cloud. URL: https://cloud.google.com/compute/docs/autoscaler/predictive-autoscaling.

11. Automatically scale your Amazon ECS service | docs.aws.amazon. AWS. URL: https://docs.aws.amazon.com/AmazonECS/latest/developerguide/service-auto-scaling.html

References: