Оптимізація геоінформаційного сервісу в системі підтримки процесу відновлення об’єктів нерухомості
DOI:
https://doi.org/10.32347/2412-9933.2025.61.187-192Ключові слова:
експоненціальне згладжування, прогнозоване масштабування, оптимізація продуктивності, аналіз часових рядів, свічковий графікАнотація
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.
Посилання
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.
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.
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.
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.
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.
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.
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.
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.
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.org10.32347/2412-9933.2021.48.47-52.
Scaling based on predictions | cloud.google. Google Cloud. URL: https://cloud.google.com/compute/docs/autoscaler/predictive-autoscaling.
Automatically scale your Amazon ECS service | docs.aws.amazon. AWS. URL: https://docs.aws.amazon.com/AmazonECS/latest/developerguide/service-auto-scaling.html
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Анатолій Бугров

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.