Модель интеллектуального анализа данных для исследования системы квот вылова водных биологических ресурсов

Цель. Добыча водных биологических ресурсов является важным сектором экономики РФ. Наряду с достижением высоких экономических показателей, на которые нацелены заготовители, на первом плане кроме добычи выделяется и требование к сохранению популяций и поддержанию разнообразия видов водных биологических ресурсов. Достижение целей, устанавливаемых на основе перечисленных требований возможно за счет повышения эффективности обработки информации, получаемой из оперативных отчетов собираемых по отделам территориальных управлений. Отсутствие автоматизации обработки электронных таблиц и формирование аналитических отчетов в ручном режиме затрудняет формирование четкой обобщенной картины по состоянию отрасли. Метод. В настоящем исследовании использовались методы интеллектуального анализа данных анализа, анализа статистических данных. Результат. Разработана модель интеллектуального анализа данных для исследования системы квот вылова водных биологических ресурсов созданная в программе Loginom. Вывод. Разработанная модель позволяет не только оценить уровни освоения квот, но и производить прогнозирование уровеней освоения с применением модуля arimax, а также показывает возможность создания полноценной информационной системы учета добычи водных биологических ресурсов на ее основе.

1. Абакумов Е.М. Сравнительный анализ алгоритмов интеллектуального анализа данных для обработки неструктурированных данных / Е. М. Абакумов, А. В. Горлов, М. Д. Кириллова, О. В. Ульянин // Физико-технические интеллектуальные системы (ФТИС-2022): Сборник трудов научно-практической конференции, Москва, 08–10 февраля 2022 года. – Москва: Буки Веди, 2022. – С. 101-106.

2. Васильев, В. В. Анализ существующих методов интеллектуального анализа неформализованных данных / В. В. Васильев // Международная конференция по мягким вычислениям и измерениям. – 2009. – Т. 1. – С. 99-102.

3. Велигура, А. В. Анализ существующих методологий интеллектуального анализа данных для производственных систем / А. В. Велигура, Э. К. Мусаева // Вестник Луганского национального университета имени Владимира Даля. – 2020. – № 5(35). – С. 45-50.

4. Джамансариев, Н. Б. Сравнительный анализ программ для интеллектуального анализа данных / Н. Б. Джамансариев // Информационные технологии в науке, управлении, социальной сфере и медицине: Сборник научных трудов II Международной конференции, Томск, 19–22 мая 2015 года / Национальный исследовательский Томский политехнический университет. – Томск: Национальный исследовательский Томский политехнический университет, 2015. – С. 135-136.

5. Дорофеюк, А. А. Методы и алгоритмы интеллектуального анализа сложно организованных данных / А. А. Дорофеюк, Ю. А. Дорофеюк // Управление развитием крупномасштабных систем: Современные проблемы / Под редакцией А.Д. Цвиркуна. Том Выпуск 2. – Москва: Общество с ограниченной ответственностью Издательская фирма «Физико-математическая литература», 2015. – С. 378-409.

6. Зеленков, Ю. А. Динамика исследований в области интеллектуального анализа данных: тематический анализ публикаций за 20 лет / Ю. А. Зеленков, Е. А. Анисичкина // Бизнес-информатика. – 2021. – Т. 15, № 1. – С. 30-46.

7. Рогоза, М. В. Многомерный анализ агрегированной численной информации с применением интеллектуального анализа данных / М. В. Рогоза // Актуальные проблемы теории и практики развития экономики региона: Материалы 2-й межвузовской студенческой научно-практической конференции, Калуга, 21 апреля 2015 года. – Калуга: Алькор Паблишерс, 2015. – С. 448-451.

8. Семенов, В. А. Анализ методов и задач интеллектуального анализа данных / В. А. Семенов, М. М. Семенова, Л. В. Мызникова // Информационные технологии, системный анализ и управление (Итсау-2021): сборник трудов ХIХ Всероссийской научной конференции молодых ученых, аспирантов и студентов, Таганрог, 09–11 декабря 2021 года. – Ростов-на-Дону - Таганрог: Южный федеральный университет, 2021. – С. 209-212. – EDN GNFPQR.

9. Татур, М. М. Анализ временных рядов как элемент процесса интеллектуального анализа данных обстановки с техногенными пожарами / М. М. Татур, А. Г. Иваницкий, В. М. Проровский // Чрезвычайные ситуации: предупреждение и ликвидация. – 2021. – № 1(49). – С. 56-68.

10. Mikheyenkova, M.A. On theApproach to Intelligent DataAnalysis in the Social Sciences / M.A. Mikheyenkova // Открытые семантические технологии проектирования интеллектуальных систем. – 2020. – No. 4. – P. 129-132.

11. А.В. Олейникова, А.А. Олейников. Онтологическая модель знаний как основа автоматизации процесса распределения квот добычи водных биологических ресурсов и контроля за уровнем их освоения. Вестник Дагестанского государственного технического университета. Технические науки. 2023; 50(2):126-133. DOI:10.21822/2073-6185-2023-50-2-126-133