Облачная интеллектуальная платформа принятия решений для целей управления умным городом

Настоящее техническое решение относится к области вычислительной техники. Технический результат заключается в проверке разноформатных данных на достоверность для получения рекомендаций по принятию решений для управления городом. Технический результат достигается за счёт того, что из внешних источников в облачную интеллектуальную платформу поступают датасеты, содержащие разнородные данные; осуществляют анализ метаданных полученных датасетов, осуществляют автоматический выбор модели контроля качества данных; посредством выбранной модели осуществляют обработку данных датасета с автоматической валидацией данных датасета, включающую проверку структуры данных, проверку форматов данных, проверку полноты данных, проверку достоверности данных с помощью алгоритмов машинного обучения, и обогащение недостающих данных из внешних источников информации. Создают или выбирают управленческую задачу, необходимую для решения в области управления городом; осуществляют автоматический выбор модели для решения поставленной задачи; на основе обработанных датасетов осуществляют автоматическое выполнение операций по модели решения поставленной задачи; в результате выполнения операций получают рекомендации по решению поставленной задачи в области управления городом. 2 з.п. ф-лы, 2 ил.

 

ОБЛАСТЬ ТЕХНИКИ

Настоящее техническое решение относится к области информационных технологий и вычислительной техники, а именно к экспертно-аналитическим облачным информационным платформам для решения задач в области управления городской инфраструктурой.

УРОВЕНЬ ТЕХНИКИ

Из источника информации US9953370B2, опубл. 24.04.2018, известна группа изобретений, система и способ для оценки управления рисками объектов недвижимости, с использованием аэрофотоснимков объектов недвижимости и дополнительных данных об объектах недвижимости, которые оцениваются по заданным критериям управления рисками. Данные, полученные с помощью аэрофотоснимков, включают идентификацию объектов недвижимости и их площадь, состояние объектов недвижимости, включая крышу и внешние стены, а также выявление других опасностей для объектов недвижимости. Дополнительные данные могут включать информацию о собственности, поступающую из различных источников, включая городские и окружные власти, подрядчиков и страховые компании. Итоговая оценка управления рисками может быть использована для урегулирования страховых случаев и определения страховых продуктов и ставок премий, предлагаемых на недвижимость.

Из источника информации CN111652577, опубл. 25.05.2020 г., известна группа изобретений, система и способ управления городским хозяйством, основанные на больших данных. Интеллектуальная система управления городом, основанная на больших данных, включает в себя механизм сбора больших данных, центральный узел анализа, множество функциональных механизмов и множество терминалов инструкций. Механизм сбора больших данных используется для получения данных наружного трека жителей и данных городской географической информации. Центральный аналитический узел используется для генерации схемы выполнения функций и схемы планирования персонала в соответствии с данными наружного трека жителя и данными городской географической информации. Функциональный механизм используется для выполнения схемы выполнения функций. Терминалы инструкции соответствуют персоналу городского управления один к одному, а целевое управление используются для получения схемы планирования персонала.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Технической задачей, на решение которой направлено заявленное техническое решение, является разработка способа для определения рекомендаций для решения задач в области управления городской инфраструктурой, заключающихся в автоматической обработке полученных разнородных данных, верификации полученных данных и выдаче рекомендаций по решаемой задаче в области управления городской инфраструктурой, в частности в автоматическом заполнении шаблонов по обработанным данным. В связи с этим предложен компьютерно-реализуемый способ работы облачной интеллектуальной платформы для определения рекомендаций по принятию решений для целей управления городом, который охарактеризован в независимом пункте формулы. Дополнительные варианты реализации настоящего изобретения представлены в зависимых пунктах изобретения.

Технический результат заключается в проверке разноформатных данных на достоверность для получения рекомендаций по принятию решений для целей управления городом.

Заявленный результат достигается за счет осуществления компьютерно-реализуемого способа работы облачной интеллектуальной платформы для определения рекомендаций по принятию решений для целей управления городом, содержащий этапы, на которых:

из внешних источников в облачную интеллектуальную платформу поступают датасеты, содержащие разнородные данные;

в облачной интеллектуальной платформе осуществляют анализ метаданных полученных датасетов и в результате анализа осуществляют автоматический выбор модели контроля качества данных,

причем автоматический выбор модели контроля качества данных основан на работе алгоритмов машинного обучения по анализу метаданных датасетов;

если в облачной интеллектуальной платформе отсутствует модель контроля качества данных, то осуществляют разработку новой модели контроля качества данных;

посредством выбранной модели контроля качества данных осуществляют обработку датасета, которая включает автоматическую валидацию данных датасета, включающую автоматическую проверку структуры данных датасета, автоматическую проверку форматов данных датасета, автоматическую проверку полноты данных датасета, автоматическую проверку достоверности данных датасета, основанную на работе алгоритмов машинного обучения, и включает автоматическое обогащение недостающих данных в датасете из внешних источников информации,

в облачной интеллектуальной платформе создают или выбирают в графическом интерфейсе, или получают из внешних источников управленческую задачу, необходимую для решения в области управления городом;

осуществляют автоматический выбор модели для решения поставленной задачи;

причем автоматический выбор модели для решения поставленной задачи основан на работе алгоритмов машинного обучения;

если в облачной интеллектуальной платформе отсутствует модель для решения поставленной задачи, то осуществляют разработку новой модели для решения поставленной задачи;

на основе обработанных данных датасетов, согласно выбранной модели решения поставленной задачи, осуществляют автоматическое выполнение операций по модели решения поставленной задачи;

в результате выполнения операций получают рекомендации по решению поставленной задачи в области управления городом.

В частном варианте реализации предлагаемого решения, перед сохранением обработанных данных датасета, в облачной интеллектуальной платформе автоматически предлагаются оптимальные базы данных для хранения обработанных данных.

В другом частном варианте реализации предлагаемого решения, рекомендации по решению поставленной задачи в области управления городом включают: формирование шаблонов документов для решения поставленной задачи и автоматические заполнение шаблонов документов для решения поставленной задачи.

ОПИСАНИЕ ЧЕРТЕЖЕЙ

Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:

Фиг. 1 иллюстрирует процесс управления данными датасета и процессами по решению управленческих задач с целью принятия решений в области управления городом в Платформе.

Фиг. 2 иллюстрирует пример схемы вычислительного устройства.

ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ

В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.

Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.

Облачная интеллектуальная платформа принятия решений управления умными городами (далее - Платформа) - это операционная среда для обработки разнородных данных и управления бизнес-процессами с целью определения рекомендаций для решения задач в области управления городской инфраструктурой.

Датасет - массив разнородных данных.

Внешние источники разнородных данных, характеризующие городское пространство, имеют различные форматы предоставления (API-сервисы, базы данных, мультимедиа, датчики (данные с приборов учета и контроля: электроэнергии, водоснабжения и проч.), социальные сети, тексты и проч.). Данные зачастую неструктурированны или их структура часто меняется (меняются наборы атрибутов и форматы). Существует множество систем, занимающихся обработкой и предоставлением городских данных. При этом любое изменение в представление данных требует корректирования программного кода, структур баз данных и запросов к данным.

В то же время принятие грамотных управленческих решений требует оперативного получения достоверной информации о состоянии городского пространства.

Платформа обеспечивает достоверное получение, хранение, обработку и предоставление больших объемов данных, описывающих городское пространство.

Платформа является Low-code решением, которое не требует написания программного кода для построения процессов решения задачи управления данными. Обработка данных, хранение данных, интеграция и интероперабельность данных, контроль качества данных, управление документами и контентом – все эти процессы могут быть сформированы в графическом интерфейсе Платформы.

Платформа состоит из следующих компонентов:

- ядро (управление данными), реализующее функции подключения к разнородным источникам данных, хранения и предоставления данных;

- компонента моделирования данных (Data Definition), обеспечивает стандартизацию хранения и предоставления данных датасета, формирования слоя метаданных датасета. Для реализации функций разработан собственный графический дизайнер, который на основе созданной модели формирует представление данных, согласно исполняемому дереву решений, на уровне базы данных и как элемента бизнес-процесса;

- компонента моделирования обработки данных (BPM) обеспечивает визуальное построение процессов обработки данных - контроля качества данных с поддержкой визуального построения процессов в графическом дизайнере, которые автоматически преобразуются в исполняемое дерево решений;

- компонента моделирования бизнес-процессов управления городом, обеспечивает реализацию документооборота в рамках внутриведомственного и межведомственного взаимодействия при обогащении датасета и отправки сформированных шаблонов;

- компонента моделирования процессов бизнес-аналитики обеспечивает реализацию анализа загруженных данных. Моделирование процессов бизнес-аналитики осуществляется оператором как самостоятельно, так и на основе рекомендаций Платформы, которые создаются автоматически на основе анализа метаданных загруженных датасетов;

- компонента обмена данными (Message Bus), реализует достоверный обмен данными в рамках внутриведомственного и межведомственного взаимодействия.

На фиг.1 проиллюстрирован процесс управления датасетом и процессами по решению управленческих задач в облачной интеллектуальной платформе в общем виде включает:

1.1 – создание модели данных датасета (массива разнородных данных), включающую описание структуры и формата данных в графическом редакторе Платформы;

1.2 – создание модели процесса загрузки данных датасета, включающую создание микросервиса для подключения к данным в графическом редакторе Платформы;

1.3 – запуск созданного процесса 1.2. и загрузка разнородных данных для наполнения датасета;

1.4 – создание модели или моделей контроля качества данных загружаемого датасета (контроль структуры, форматов, полноты и достоверности данных) и запуск процессов выполнения выбранных или созданных моделей;

1.5 – создание модели или моделей бизнес-аналитики по решению управленческих задач для целей управления городом и запуск процессов выполнения выбранных или созданных моделей;

1.6 – создание моделей представления данных (выгрузка данных в базы данных, предоставление данных по api и прочее).

На всех этапах (1.1 – 1.6) происходит автоматическое заполнение метаданных датасета (2.1): структура данных, объем данных, частота обращений к данным, информация о моделях, которые применяются к данным, и прочее.

Метаданные всех загруженных в Платформу датасетов формируют базу знаний платформы (2).

На основе базы знаний (2) средствами, в том числе алгоритмами машинного обучения, строится рекомендательная система Платформы (3), включающая:

3.1 – предоставление рекомендаций в графическом интерфейсе Платформы по применению моделей контроля качества данных (1.4) к данным анализируемого датасета,

3.2 – предоставление рекомендаций в графическом интерфейсе Платформы по применению моделей бизнес-анализа (1.5) к данным анализируемого датасета,

3.3 – предоставление рекомендаций по способу хранения данных (1.2, 1.6).

На первом этапе работы предлагаемого способа из внешних источников, на основе созданной модели данных, в облачную интеллектуальную платформу поступают датасеты, содержащие разнородные данные. Данные в платформу загружаются в формате json (ключ: значение). Модель данных создает оператор в графическом интерфейсе Платформы. Методом drag-and-drop собирают блоки – ключи json-файла – с учетом вложенности. Для каждого ключа указывают наименование атрибута, тип (текст, число, дата…), обязательность (обязательный или необязательный атрибут) и тег (выбирается из классификатора). Осуществляют процесс загрузки данных, путем создания процесса загрузки данных, включая параметры подключения к источнику данных датасета и запуска данного процесса загрузки данных.

С момента создания модели данных датасета автоматически формируется модель метаданных датасета, содержащая ссылки на модель данных датасета и модель загрузки данных. По мере поступления данных в Платформу, автоматически сохраняется информация об объемах загружаемых данных, частоте и скорости загрузки в модель метаданных датасета. В дальнейшем, метаданные дополняются информацией о моделях контроля качества данных и моделях по решению управленческих задач управления городом.

Метаданные всех датасетов, загруженных в Платформу, представляют собой базу знаний, которая является основой для обучения Платформы и валидации ее рекомендательной системы.

В облачной интеллектуальной платформе осуществляют анализ метаданных загруженных датасетов и в результате анализа осуществляют автоматический выбор модели контроля качества датасета. Автоматический выбор модели контроля качества датасета основан на работе алгоритмов машинного обучения (случайный лес), целью которого является определить с какой вероятностью каждая из моделей контроля качества, используемых в Платформе, подходит для значений ключей анализируемого датасета.

Обучение и оценка алгоритма происходит на датасетах, для которых используется конкретная модель контроля качества данных. Выборка данных – это значения ключей данных. Ответ алгоритма – это метка класса: 1, если значения ключа используется в конкретной модели контроля качества данных; 0, если значения ключа не используется в конкретной модели.

Обучение алгоритма происходит для каждой модели отдельно. Таким образом значение одного и того же ключа может быть обработано несколькими моделями. Например, адрес объекта недвижимости по одной модели может быть дополнен кодом ФИАС, а по другой – почтовым индексом.

Обучение и оценка алгоритма для конкретной модели контроля качества данных включает следующие этапы:

1. Подготовка данных;

2. Формирование обучающей и тестовой выборки;

3. Обучение алгоритма;

4. Оценка результатов.

JSON-файлы датасета, загружаемые в Платформу, представляют собой совокупность документов – значений ключей. Если ключ имеет дочерний элемент (вложенный json), то документ будет состоять из совокупности значений вложенных ключей. Также каждый ключ, кроме значения, имеет признаки: код тип ключа по классификатору, код тега ключа по классификатору, сложность ключа (количество вложенных ключей).

На этапе подготовки данных значения ключей датасета кодируются: текст переводится в список токенов (слов), при этом слова лемматизируются, удаляются стоп-слова (предлоги), числа заменяются значениями разрядности (например, числу 3664069397 будет соответствовать 10) и составляется словарь документа. Операция выполняется посредством библиотеки sklearn (python).

После предварительной подготовки все значения ключей, загруженных датасетов, к которым применяется конкретная модель контроля качества, случайным образом разделяются на обучающую и тестовую выборки в соотношении 4:1.

В обучающей выборке на основе словарей документа составляется матрица используемых слов, отбираются 20 наиболее часто встречаемых токенов и каждый документ векторизуется: для каждого слова из матрицы слов вычисляется частота его использования в документе.

Классификация объектов обучающей выборки происходит с помощью алгоритма случайный лес (RandomForestClassifier). Матрица признаков документов включает вектор документа, код тега по классификатору, код типа по классификатору, количество вложенных ключей. Матрица ответа содержит для каждого документа значение 1 или 0 в зависимости от того, используется ли ключ, по значению которого составлен документ, в конкретной модели контроля качества данных.

Обученная модель проверяется на тестовой выборке. По результатам работы алгоритма на тестовой выборке стоится матрица ошибок (confusion matrix) и оценивается точность (доля документов, которые отнесены алгоритмом к классу с меткой 1 и которые действительно относятся к этому классу) и полноту (доля объектов класса с меткой 1 , которых определил алгоритм, от всех объектов, относящихся к классу с меткой 1). Если значение точности и полноты превышает 0.78, то алгоритм считается обученным. В противном случае процесс обучения повторяется.

После успешного обучения алгоритма Платформа будет рекомендовать пользователю конкретную модель контроля качества данных для ключей, значения которых алгоритм относит к классу с меткой 1 с вероятностью более 0.8.

Например, в платформу загружают датасет – реестр помещений Росреестра, в котором, в том числе, представлены данные об адресе собственника помещения (ключ “address”) и документ-основания для расчета кадастровой стоимости (“approvement_doc_requisites”). В модели данных датасета для ключа “address” указано: формат ключа - текст (код значения – 1), тег ключа – адрес (код значения - 101), количество вложенных ключей – 0; для ключа “approvement_doc_requisites”: формат ключа - json (код значения – 7), тег ключа – документ-основание (код значения - 178), количество вложенных ключей – 8.

В режиме реального времени обученный алгоритм контроля качества данных, отвечающий за структурирование адресной строки методом вызова сервиса почты России по валидации адреса, анализирует значение каждого ключа в каждом загруженном json-файле рассматриваемого датасета: формат ключа, тег ключа, количество вложенных ключей и непосредственно значение ключа. Например, для ключа “address” одно из значений равно «Москва, Замоскворечье, ул. Валовая, д. 11/19, кв. 29 к.2,3»). В соответствии с алгоритмом, строка адреса токенизируется, числа заменяются значениями разрядности (["москв”, “замоскворечь”, “ул”, “валов”, “д”, “2”, “2”, “кв”, “2”, “к”, “1”, “1”] и векторизуется на основе матрицы наиболее часто встречающих токенов, полученной при обучении алгоритма ([1, 1, 1, 1, 2, 3, 0, 0 … 1 …, 0]). Обученный алгоритм помечает меткой 1 или 0, с указанием вероятности отнесения значения к указанному классу, каждый ключ в каждом json-файле загружаемого датасета. Для датасета динамично определяется доля ключей с меткой 1 с вероятностью корректного определения более 0,78. Если доля таких ключей превышает 0,6, то в метаданных алгоритма ключ связывается с моделью контроля качества данных, отвечающей за структурирование адресной строки методом вызова сервиса почты России по валидации адреса. В результате, в графическом интерфейсе, при выборе модели контроля качества данных для датасета «реестр помещений Росреестра» в разделе «Рекомендации» для ключа «address» устанавливается описанная модель, а для ключа “approvement_doc_requisites” эта модель будет отсутствовать т.к. она не подходит для ключа «approvement_doc_requisites» (алгоритм определил, что значение ключа не является адресной строкой).

Рекомендательная система платформы постоянно самообучается. В случае если пользователь в графическом интерфейсе выбирает рекомендованную Платформой модель контроля качества данных или помечает рекомендованную модель, как неуместную, значение ключа или ключей json-файла добавляется в обучающую выборку с меткой 1 или 0 соответственно, тем самым уточняя обучающую выборку. Если в облачной интеллектуальной платформе отсутствует модель контроля качества данных, то осуществляют разработку новой модели.

Например, в Платформу загружается датасет Департамента городского имущества с данными о земельных участках, находящих в собственности города. Вложенный блок загружаемого json-файла содержит следующие ключи: номер договора, дата договора, тип договора, наименование договора. В модели датасета указано, что значение ключа «Номер договора аренды» должно быть текстовым, оператор создает модель обработки данных для контроля формата предоставляемого номера. В модели оператор методом drag-and-drop собирает процесс обработки данных для проверки корректности номера документа:

1) Перетаскивает блок «Источник данных» и указывает датасет (из ниспадающего меню выбирает доступный датасет)

2) Перетаскивает в рабочую область блок ”If” и заполняет условие:

i) Указывает ключ, для которого выполняется проверка («Номер договора»),

ii) Указывает тип отношения – равенство,

iii) Указывает регулярное выражение '[П,Р,В,И,С,ИЖС]{1}-[0-9]{2}-[0-9]{5,7}'

1) Перетаскивает блок с действиями в зависимости от результатов проверки условия.

Если условие не выполнено, запускается ранее созданный управленческий процесс, целью которого является корректировка данных (в Департамент направляется автоматически подготовленный документ с предписанием проверить корректность переданных данных. Заполнение документа происходит по заранее подготовленному в графическом интерфейсе Платформы шаблону). Посредством выбранной модели контроля качества данных осуществляют обработку данных датасета, которая включает автоматическую валидацию данных датасета, включающую автоматическую проверку структуры датасета, автоматическую проверку форматов данных датасета, автоматическую проверку полноты данных датасета, автоматическую проверку достоверности данных датасета.

Автоматическая проверка структуры данных датасета заключается в проверке соответствия структуры загружаемых данных датасета структуре, описанной в модели данных (сравнение загружаемых данных датасета с моделью данных). Например, в модели данных указано, что атрибут «ИНН» должен быть числовым, автоматически проверяется, что в датасете значение ИНН – это число (отсутствуют текстовые, непечатные и иные нечисловые символы). Если значение ключа, в загруженных данных датаста, не соответствует формату, указанному в модели данных, то загрузка данных останавливается и в автоматическом режиме в службу технической поддержки отправляется сообщение с описанием ошибки.

Автоматическая проверка форматов данных датасета представляет собой логический контроль значений ключей, загружаемых данных датасета. Например, кадастровый номер должен соответствовать регулярному выражению ‘[0-9]{2}:[0-9]{2}:[0-9]{6,7}:[0-9]{7}’. В случае если кадастровый номер не соответствует логическому контролю, загрузка данных датасета продолжается, но в автоматическом режиме в службу технической поддержки направляется письмо с описанием ошибки.

Автоматическая проверка полноты данных датасета заключается в обогащении датасета недостающими данными. Например, в платформу загружается датасет, содержащий информацию об адресе. Вложенный блок загружаемого json-файла содержит следующие ключи: населенный пункт, улица, дом, строение, квартира. Автоматически запускается модель контроля качества данных, которая по структурированному адресу запрашивает код ФИАС (Федеральная информационная адресная система) (код, который однозначно идентифицирует адрес).

Автоматическая проверка достоверности данных датасета заключается в проверке значений ключей, загруженных данных датасетов, на основе достоверных источников. Например, в Платформу загружена и регулярно обновляется юридически значимая информация о зарегистрированных юридических лица - единый государственный реестр юридических лиц (ЕГРЮЛ). В платформу начали поступать данные нового датасета, содержащие информацию о заключенных договорах на аренду земельного участка с указанием ИНН, названия и адреса юридического лица. В Платформе автоматически, на основе модели контроля качества данных, проверяется корректность данных о юридическом лице: наличие указанного ИНН в ЕГРЮЛ, соответствие ИНН, названия организации и адреса организации данным ЕГРЮЛ. При отсутствии данных в ЕГРЮЛ Платформа помечает данные как ненадежные и запускает процесс проверки данных по договору в виде, например, отправки письма ответственному сотруднику.

Обработанный датасет сохраняется в базе данных в соответствии с моделью представления данных. В платформе автоматически создаются рекомендации по формату хранения данных на основе метаданных датасета. В качестве рекомендаций могут быть указаны PostgreSQL, MongoDB, Kassandra, Redis. Выбор системы хранения основывается на аналитически построенном дереве решений, критериями которого являются объем данных, структура данных (глубина вложенности элементов данных), количество обращений к данным. Примеры критериев для базы данных Redis: объем данных менее 16 Гб и количество обращений входит в топ 10% по Платформе (общее количество обращений по Платформе вычисляется по метаданным датасетов). Для структуры данных с вложенностью более 5 уровней рекомендуется mongoDB, для плоских структур – PostgreSQL. Оператор платформы в графическом интерфейсе может cкорректировать рекомендации платформы.

В облачной интеллектуальной платформе создают или выбирают в графическом интерфейсе, или получают из внешних источников задачу, необходимую для решения в области управления городом, которая представляет собой исполняемую модель процесса анализа данных для формирования управленческого решения (модель бизнес-анализа). При создании модели в графическом интерфейсе Платформы автоматически предоставляются рекомендации по ее наполнению. Например, в модели, результатом работы которой является информирование собственника жилого помещения о необходимости оформить земельно-правовые отношения на земельный участок, на котором находится помещение, Платформа автоматически рекомендует модель уточнения адреса собственника помещения, путем отправки цепочки запросов в рамках межведомственного взаимодействия: запрос выписки из ЕГРН в Росреестре по кадастровому номера помещения (результат: номер СНИЛС собственника помещения) – запрос паспортного досье по номеру СНИЛС (результат – данные действующего паспорта РФ), запрос адреса регистрации по паспортным данным (результат – адрес по месту регистрации и/или по месту проживания).

Рекомендации по наполнению модели бизнес-анализа создаются на основе применения алгоритма машинного обучения (случайный лес) аналогично рекомендациям по выбору модели контроля качества данных. Целью алгоритма является определить с какой вероятностью шаг (запрос данных в рамках межведомственного взаимодействия), используемых в моделях бизнес-анализа Платформы, подходит для значений ключей анализируемого датасета.

Обучение и оценка алгоритма происходит на датасетах, для которых используется конкретная модель бизнес-анализа. Выборка данных – это значения ключей данных. Ответ алгоритма – это метка класса: 1, если значения ключа используется в конкретной модели бизнес-анализа; 0, если значения ключа не используется в конкретной модели.

Обучение и оценка алгоритма по созданию рекомендаций по наполнению модели бизнес-анализа происходит аналогично обучению алгоритма по созданию рекомендации по использованию моделей контроля качества данных, описанному ранее.

Если в облачной интеллектуальной платформе отсутствуют рекомендации для решения поставленной задачи, то осуществляют разработку новой модели бизнес-анализа. На основе обработанного датасета, согласно выбранной модели решения поставленной задачи, осуществляют автоматическое выполнение команд модели решения поставленной задачи.

Рекомендательная система платформы постоянно самообучается. В случае, если пользователь в графическом интерфейсе выбирает рекомендованную Платформой модель бизнес-анализа или помечает рекомендованную модель, как неуместную, значение ключа или ключей json-файла добавляется в обучающую выборку с меткой 1 или 0 соответственно, тем самым уточняя обучающую выборку.

В результате выполнения модели бинес-анализа получают рекомендации по решению поставленной задачи в области управления городом. Рекомендации по решению поставленной задачи в области управления городом, в том числе, включают автоматические заполнение шаблонов документов для решения поставленной задачи, вызов внешних сервисов, инициирование межведомственного взаимодействия и прочее.

Примеры осуществления предлагаемого решения.

1. Государственная услуга «Изменение разрешенного использование земельного участка»

Юридическое лицо подает заявку на портале государственных услуг на выдачу распоряжения на изменение вида разрешенного использования земельного участка, находящегося в его собственности. В заявке юридическое лицо указывает кадастровый номер земельного участка, данные собственника (название, ИНН), данные физического лица, уполномоченного подать заявку на портале государственных услуг, и отсканированную доверенность, желаемый вид разрешенного использования

Услуга выполняется на базе Платформы.

Подача заявления на портале государственных услуг инициирует запуск управленческого процесса по изменению разрешенного использования земельного участка.

Платформа автоматически запрашивает выписку из Единого государственного реестра юридических лиц (ЕГРЮЛ) по указанному номеру ИНН. В случае отсутствия сведений в ЕГРЮЛ или при несоответствии названия организации, указанного в заявке и в ЕГРЮЛ для соответствующего ИНН, Платформа формирует документ с отказом по оказанию государственной услуги по причине некорректно заполненных данных.

Платформа распознает текст доверенности и сверяет фамилию, имя и отчество заявителя в доверенности с данными в заявке, сверяет фамилия, имя, отчество генерального директора в доверенности и с данными ЕГРЮЛ, сверяет дату подачи заявки со сроком действия доверенности, при несовпадении хотя бы одно пункта Платформа формирует документ с отказом по оказанию государственной услуги по причине того, что заявитель не уполномочен подавать заявление на оказание соответствующей государственной услуги.

Платформа автоматически запрашивает выписку из Единого государственного реестра недвижимости (ЕГРН) для указанного в заявке кадастрового номера. При отсутствии данных в ЕГРН Платформа формирует документ с отказом по оказанию государственной услуги по причине некорректно заполненных данных.

Платформа сверяет собственника земельного участка, указанного в выписке из ЕГРН, с данными заявителя. В случае несовпадения данных Платформа формирует документ с отказом по оказанию государственной услуги по причине того, что заявитель не уполномочен подавать заявление на оказание соответствующей государственной услуги.

По данным выписки ЕГРН Платформа проверяет, что границы земельного участка установлены в соответствии с требованиями земельного законодательством. В случае, если границы земельного участка не установлены (отсутствуют координаты границ) Платформа формирует документ с отказом по оказанию государственной услуги по причине того, что границы земельного участка не установлены. Также Платформа запускает бизнес-процесс оформления границ земельного участка.

Платформа на основе пространственного анализа сопоставляет границы земельного участка с зонами, указанными в правилах землепользования и застройки (ПЗЗ). ПЗЗ ведутся в Платформе. При пересечение земельного участка зон с особыми условиями использования территории Платформа формирует документ с отказом по оказанию государственной услуги по причине того, что границы земельного участка пересекают зоны с особыми условиями использования.

Платформа формирует запрос в юридическое подразделение Департамента городского имущества с вопросом о наличии судебных разбирательств на земельном участке. При наличии судебных разбирательств. Платформа формирует документ с отказом по оказанию государственной услуги.

В случае, если все проверки пройдены успешно, Платформа формирует документ-распоряжение на изменение разрешенного используемого земельного участка и направляет уведомление в Росреестр на изменение кадастровой стоимости земельного участка.

Весь процесс происходит без участия оператора, кроме направления документа с отказом или распоряжения заявителю, т.к. по законодательству документ должен быть подписан ЭЦП уполномоченного сотрудника.

2. Процесс выявления незаконной пристройки этажа в здании

В платформу по мере создания и обновления загружаются трехмерные модели зданий (датасеты), расположенных на территории города. При поступлении новой модели здания (датасет) в Платформе автоматически запускается процесс выявления изменения этажности здания.

Платформа на основе пространственного анализа сопоставляет полученную модель с ранее загруженной моделью. При отсутствии ранее загруженной модели Платформа запускает процесс выявления объектов самовольного строительства, процесс выявления незаконной пристройки этажа в здании завершается.

При наличии ранее загруженной модели здания Платформа на основе пространственного анализа сопоставляет высоты моделей. Если разница в высоте модели не превышает 1 метр, то процесс выявления незаконной пристройки этажа в здании завершается. В противном случае Платформа на основе пространственного анализа определяет здание, соответствующее модели и поставленное на кадастровый учет.

Если здание отсутствует Платформа запускает процесс выявления объектов самовольного строительства, процесс выявления незаконной пристройки этажа в здании завершается.

При наличии здания Платформа запрашивает выписку из ЕГРН. ПО данным выписки из ЕГРН Платформа проверяет наличие земельного участка.

По данным выписки из ЕГРН Платформа сверяет дату постановки здания на кадастровый учет и дату предпоследней загрузки модели здания в Платформу. Если дата постановки на учет больше даты загрузки, то Платформа запрашивает разрешение на строительство земельный участок, на котором расположено здания (по данным выписки из ЕГРН), за рассматриваемый период. При отсутствии разрешения на строительства или дата постановки здания на кадастровый учет меньше даты загрузки предпоследней загрузки модели, Платформа ставит задание на проверку здания и формирует документ-основание для проведения проверки.

На Фиг. 2 далее будет представлена общая схема вычислительного устройства (200), обеспечивающего обработку данных, необходимую для реализации заявленного решения.

В общем случае устройство (200) содержит такие компоненты, как: один или более процессоров (201), по меньшей мере одну память (202), средство хранения данных (203), интерфейсы ввода/вывода (204), средство В/В (205), средства сетевого взаимодействия (206).

Процессор (201) устройства выполняет основные вычислительные операции, необходимые для функционирования устройства (200) или функциональности одного или более его компонентов. Процессор (201) исполняет необходимые машиночитаемые команды, содержащиеся в оперативной памяти (202).

Память (202), как правило, выполнена в виде ОЗУ и содержит необходимую программную логику, обеспечивающую требуемый функционал.

Средство хранения данных (203) может выполняться в виде HDD, SSD дисков, рейд массива, сетевого хранилища, флэш-памяти, оптических накопителей информации (CD, DVD, MD, Blue-Ray дисков) и т.п. Средство (203) позволяет выполнять долгосрочное хранение различного вида информации, например, вышеупомянутых файлов с наборами данных пользователей, базы данных, содержащих записи измеренных для каждого пользователя временных интервалов, идентификаторов пользователей и т.п.

Интерфейсы (204) представляют собой стандартные средства для подключения и работы с серверной частью, например, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire и т.п.

Выбор интерфейсов (204) зависит от конкретного исполнения устройства (200), которое может представлять собой персональный компьютер, мейнфрейм, серверный кластер, тонкий клиент, смартфон, ноутбук и т.п.

В качестве средств В/В данных (205) в любом воплощении системы, реализующей описываемый способ, должна использоваться клавиатура. Аппаратное исполнение клавиатуры может быть любым известным: это может быть, как встроенная клавиатура, используемая на ноутбуке или нетбуке, так и обособленное устройство, подключенное к настольному компьютеру, серверу или иному компьютерному устройству. Подключение при этом может быть, как проводным, при котором соединительный кабель клавиатуры подключен к порту PS/2 или USB, расположенному на системном блоке настольного компьютера, так и беспроводным, при котором клавиатура осуществляет обмен данными по каналу беспроводной связи, например, радиоканалу, с базовой станцией, которая, в свою очередь, непосредственно подключена к системному блоку, например, к одному из USB-портов. Помимо клавиатуры, в составе средств В/В данных также может использоваться: джойстик, дисплей (сенсорный дисплей), проектор, тачпад, манипулятор мышь, трекбол, световое перо, динамики, микрофон и т.п.

Средства сетевого взаимодействия (206) выбираются из устройства, обеспечивающий сетевой прием и передачу данных, например, Ethernet карту, WLAN/Wi-Fi модуль, Bluetooth модуль, BLE модуль, NFC модуль, IrDa, RFID модуль, GSM модем и т.п. С помощью средств (205) обеспечивается организация обмена данными по проводному или беспроводному каналу передачи данных, например, WAN, PAN, ЛВС (LAN), Интранет, Интернет, WLAN, WMAN или GSM.

Компоненты устройства (200) сопряжены посредством общей шины передачи данных (210).

В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.

1. Компьютерно-реализуемый способ работы облачной интеллектуальной платформы для определения рекомендаций по принятию решений для целей управления городом, содержащий этапы, на которых:

из внешних источников в облачную интеллектуальную платформу поступают датасеты, содержащие разнородные данные;

в облачной интеллектуальной платформе осуществляют анализ метаданных полученных датасетов и в результате анализа осуществляют автоматический выбор модели контроля качества данных,

причем автоматический выбор модели контроля качества данных основан на работе алгоритмов машинного обучения по анализу метаданных датасетов;

если в облачной интеллектуальной платформе отсутствует модель контроля качества данных, то осуществляют разработку новой модели контроля качества данных;

посредством выбранной модели контроля качества данных осуществляют обработку данных датасета, которая включает автоматическую валидацию данных датасета, включающую автоматическую проверку структуры данных датасета, автоматическую проверку форматов данных датасета, автоматическую проверку полноты данных датасета, автоматическую проверку достоверности данных датасета, основанную на работе алгоритмов машинного обучения, и включает автоматическое обогащение недостающих данных в датасете из внешних источников информации,

в облачной интеллектуальной платформе создают или выбирают в графическом интерфейсе, или получают из внешних источников управленческую задачу, необходимую для решения в области управления городом;

осуществляют автоматический выбор модели для решения поставленной задачи;

причем автоматический выбор модели для решения поставленной задачи основан на работе алгоритмов машинного обучения;

если в облачной интеллектуальной платформе отсутствует модель для решения поставленной задачи, то осуществляют разработку новой модели для решения поставленной задачи;

на основе обработанных датасетов, согласно выбранной модели решения поставленной задачи, осуществляют автоматическое выполнение операций по модели решения поставленной задачи;

в результате выполнения операций получают рекомендации по решению поставленной задачи в области управления городом.

2. Способ по п.1, отличающийся тем, что перед сохранением обработанных данных датасета, в облачной интеллектуальной платформе автоматически предлагаются оптимальные базы данных для хранения обработанных данных.

3. Способ по п.1, отличающийся тем, что рекомендации по решению поставленной задачи в области управления городом включают: формирование шаблонов документов для решения поставленной задачи и автоматическое заполнение шаблонов документов для решения поставленной задачи.