<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE article PUBLIC "-//NLM//DTD JATS (Z39.96) Journal Publishing DTD v1.3 20210610//EN" "JATS-journalpublishing1-3.dtd">
<article article-type="research-article" dtd-version="1.3" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xml:lang="ru"><front><journal-meta><journal-id journal-id-type="publisher-id">oo</journal-id><journal-title-group><journal-title xml:lang="ru">Открытое образование</journal-title><trans-title-group xml:lang="en"><trans-title>Open Education</trans-title></trans-title-group></journal-title-group><issn pub-type="ppub">1818-4243</issn><issn pub-type="epub">2079-5939</issn><publisher><publisher-name>Plekhanov Russian University of Economics</publisher-name></publisher></journal-meta><article-meta><article-id pub-id-type="doi">10.21686/1818-4243-2023-3-17-26</article-id><article-id custom-type="elpub" pub-id-type="custom">oo-955</article-id><article-categories><subj-group subj-group-type="heading"><subject>Research Article</subject></subj-group><subj-group subj-group-type="section-heading" xml:lang="ru"><subject>НОВЫЕ ТЕХНОЛОГИИ</subject></subj-group><subj-group subj-group-type="section-heading" xml:lang="en"><subject>NEW TECHNOLOGIES</subject></subj-group></article-categories><title-group><article-title>Технология интеллектуального анализа больших данных для исследования пространственно-временных тенденций застройки крупных городов</article-title><trans-title-group xml:lang="en"><trans-title>Big Data Intelligent Analysis Technology for the Study of Spatial and Time Trends in the Development of Large Cities</trans-title></trans-title-group></title-group><contrib-group><contrib contrib-type="author" corresp="yes"><name-alternatives><name name-style="eastern" xml:lang="ru"><surname>Мулюкова</surname><given-names>К. В.</given-names></name><name name-style="western" xml:lang="en"><surname>Mulyukova</surname><given-names>K. V.</given-names></name></name-alternatives><bio xml:lang="ru"><p>Ксения Валериановна Мулюкова, Аспирант, Кафедра «Систем автоматического управления»</p><p>Таганрог</p></bio><bio xml:lang="en"><p>Ksenia V. Mulyukova, Postgraduate Student, Department of Automatic Control Systems</p><p>Taganrog</p></bio><email xlink:type="simple">mu.ksusha@yandex.ru</email><xref ref-type="aff" rid="aff-1"/></contrib><contrib contrib-type="author" corresp="yes"><name-alternatives><name name-style="eastern" xml:lang="ru"><surname>Мулюков</surname><given-names>И. В.</given-names></name><name name-style="western" xml:lang="en"><surname>Mulyukov</surname><given-names>I. V.</given-names></name></name-alternatives><bio xml:lang="ru"><p>Иван Валерианович Мулюков, Студент бакалавриата</p><p>Ростов-на-Дону</p></bio><bio xml:lang="en"><p>Ivan V. Mulyukov, Undergraduate student</p><p>Rostov-on-Don</p></bio><email xlink:type="simple">vanya.muliukoff@yandex.ru</email><xref ref-type="aff" rid="aff-2"/></contrib><contrib contrib-type="author" corresp="yes"><name-alternatives><name name-style="eastern" xml:lang="ru"><surname>Курейчик</surname><given-names>В. М.</given-names></name><name name-style="western" xml:lang="en"><surname>Kureichik</surname><given-names>V. M.</given-names></name></name-alternatives><bio xml:lang="ru"><p>Виктор Михайлович Курейчик, Д.т.н., профессор, Кафедра «Системавтоматического управления»</p><p>Таганрог</p></bio><bio xml:lang="en"><p>Victor M. Kureichik, Dr. Sci. (Engineering), Professor, Department of Automatic Control Systems</p><p>Taganrog</p></bio><email xlink:type="simple">vmkureychik@sfedu.ru</email><xref ref-type="aff" rid="aff-3"/></contrib></contrib-group><aff-alternatives id="aff-1"><aff xml:lang="ru"><institution>Инженерно-технологическая академия Южного федерального университета</institution><country>Россия</country></aff><aff xml:lang="en"><institution>Engineering-Technological Academy of SFU</institution><country>Russian Federation</country></aff></aff-alternatives><aff-alternatives id="aff-2"><aff xml:lang="ru"><institution>Южный федеральный университет</institution><country>Россия</country></aff><aff xml:lang="en"><institution>Southern Federal University</institution><country>Russian Federation</country></aff></aff-alternatives><aff-alternatives id="aff-3"><aff xml:lang="ru"><institution>Инженерно-технологическая академия Южного федерального&#13;
университета</institution><country>Россия</country></aff><aff xml:lang="en"><institution>Engineering-Technological Academy of SFU</institution><country>Russian Federation</country></aff></aff-alternatives><pub-date pub-type="collection"><year>2023</year></pub-date><pub-date pub-type="epub"><day>20</day><month>06</month><year>2023</year></pub-date><volume>27</volume><issue>3</issue><fpage>17</fpage><lpage>26</lpage><permissions><copyright-statement>Copyright &amp;#x00A9; Мулюкова К.В., Мулюков И.В., Курейчик В.М., 2023</copyright-statement><copyright-year>2023</copyright-year><copyright-holder xml:lang="ru">Мулюкова К.В., Мулюков И.В., Курейчик В.М.</copyright-holder><copyright-holder xml:lang="en">Mulyukova K.V., Mulyukov I.V., Kureichik V.M.</copyright-holder><license xml:lang="ru" license-type="creative-commons-attribution" xlink:href="https://creativecommons.org/licenses/by/4.0/" xlink:type="simple"><license-p>Данная работа распространяется под лицензией Creative Commons Attribution 4.0.</license-p></license><license xml:lang="en" license-type="creative-commons-attribution" xlink:href="https://creativecommons.org/licenses/by/4.0/" xlink:type="simple"><license-p>This work is licensed under a Creative Commons Attribution 4.0 License.</license-p></license></permissions><self-uri xlink:href="https://openedu.rea.ru/jour/article/view/955">https://openedu.rea.ru/jour/article/view/955</self-uri><abstract><p>Целью данной работы является исследование современных проблем и перспектив решения обработки больших данных, содержащих сведения об объектах недвижимости, а так же возможность практической реализации методики обработки подобных массивов данных путем проектирования и наполнения специальной графической абстракции «метадом» на практическом примере.</p><sec><title>Материалы и методы</title><p>Материалы и методы. Исследование включает обзор библиографических источников по проблемам анализа больших данных и применение их в современной области строительства крупных городов. При исследовании была применена методика представления данных в графической форме – абстракции. Математической основой методики является использование многомерных пространств, где измерения – это характеристики отдельных объектов. Применено компьютерное моделирование практической задачи с помощью языка программирования C#. Хранение больших данных выполнено на основе сервера MongoDB. Для визуализации данных применяется Web-интерфейс на основе HTML и CSS.</p></sec><sec><title>Результаты</title><p>Результаты. В ходе работы были выделены основные характеристики больших данных, а также описана специфика массивов данных, состоящих из сведений об объектах недвижимости крупного города.</p><p>При обработке данных, состоящих из сведений об объектах недвижимости крупного города, возникают определенные сложности. В связи с этим были предложены приёмы эффективного решения поставленной практической задачи обработки и поиска закономерностей в большом массиве данных: абстракция «метадом», агрегатор данных.</p><p>Были получены табличные данные по крупному городу путем анализа трех миллионов записей, содержащие более 10 групп данных, при базовом наборе параметров: этаж, этажность, цена, площадь, жилая площадь, кухонная площадь, тип, операция. Был создан кластер на MongoDB на несколько компьютеров, каждый из которых занимался собственным набором данных без сведения промежуточных результатов.</p><p>Результаты вычислительного эксперимента показали, что при использовании графической формы (векторной) представления больших данных, сократились расходы и время на интерпретацию данных интеллектуального анализа.</p><p>Совмещение методов обработки больших данных и их представления через графическую абстракцию – позволяют получить новые результаты по имеющимся наборам данных.</p></sec><sec><title>Заключение</title><p>Заключение. В ходе исследования было выявлено, что представление групп полученных данных в графическом изображении обладает рядом преимуществ над табличным представлением данных (векторное изображение легко масштабировать, возможность сравнения без построения графиков).</p><p>Предложенная схема визуализации больших данных путем построения абстрактных векторных изображений является альтернативой традиционным таблицам, позволяя взглянуть иначе на массивы данных и результаты их обработки.</p><p>Полученные результаты могут использоваться как в целях первичного изучения технологий обработки больших данных, так и в качестве основы разработки уже реальных приложений в следующих сферах: анализ изменения площадей домов с течением времени, анализ изменения этажности городской застройки, динамика и распределение спроса и предложения и т.д.</p></sec></abstract><trans-abstract xml:lang="en"><p>The purpose of this research is to study modern problems and prospects for solving the processing of big data containing information about real estate, as well as the possibility of practical implementation of the methodology for processing such data arrays by designing and filling a special graphic abstraction «metahouse» on a practical example.</p><sec><title>Materials and methods</title><p>Materials and methods. The study includes a review of bibliographic sources on the problems of big data analysis and their application in the modern field of construction of large cities. During the study, a technique for presenting data in a graphical form – abstraction was used. The mathematical basis of the technique is the use of multidimensional spaces, where measurements are the characteristics of individual objects. Computer simulation of a practical problem was applied using the C# programming language. Big data storage is based on the MongoDB server. To visualize data, a Web interface based on HTML and CSS is used.</p></sec><sec><title>Results</title><p>Results. In the course of the work, the main characteristics of big data were identified, and the specifics of data arrays consisting of information about real estate objects in a large city were described. When processing data consisting of information about real estate objects of a large city, certain difficulties arise. Thereby, methods for effectively solving the set practical task of processing and searching for patterns in a large data array were proposed: «metahouse» abstraction, data aggregator.</p><p>Tabular data were obtained for a large city by analyzing three million records containing more than 10 data groups, with a basic set of parameters: floor, number of floors, price, area, living area, kitchen area, type, operation. A MongoDB cluster was created on several computers, each of which was working with its own data set without intermediate results.</p><p>The results of the computational experiment showed that when using the graphical form (vector) of big data representation, the costs and time for interpreting mining data were reduced.</p><p>Combining big data processing methods and their presentation through graphical abstraction allows getting new results from existing data sets.</p></sec><sec><title>Conclusion</title><p>Conclusion. During the study, it was found that the presentation of groups of the received data in a graphic image has a number of advantages over a tabular presentation of data (a vector image is easy to scale, the ability to compare without plotting).</p><p>The proposed way for visualizing big data by constructing abstract vector images is an alternative to traditional tables, allowing you to take a different look at data arrays and the results of their processing. The results obtained can be used both for the primary study of big data processing technologies and as a basis for the development of real applications in the following areas: analysis of changes in the area of houses over time, analysis of changes in the number of floors of urban development, dynamics and distribution of supply and demand, etc.</p></sec></trans-abstract><kwd-group xml:lang="ru"><kwd>Большие данные</kwd><kwd>недвижимость</kwd><kwd>анализ данных</kwd><kwd>графическое представление данных</kwd><kwd>С#</kwd><kwd>MongoDB</kwd><kwd>умные города</kwd></kwd-group><kwd-group xml:lang="en"><kwd>Big data</kwd><kwd>real estate</kwd><kwd>data analysis</kwd><kwd>graphical presentation of data</kwd><kwd>С#</kwd><kwd>MongoDB</kwd><kwd>smart cities</kwd></kwd-group></article-meta></front><back><ref-list><title>References</title><ref id="cit1"><label>1</label><citation-alternatives><mixed-citation xml:lang="ru">Valeev S.S., Kondratyeva N.V. Aviation industry stochastic model based on big data concept // Ученые записки Казанского университета. Серия Физико-математические науки. 2018. № 2(160). С. 392–398.</mixed-citation><mixed-citation xml:lang="en">Valeev S.S., Kondratyeva N.V. Aviation industry stochastic model based on big data concept. Uchenyye zapiski Kazanskogo universiteta. Seriya Fiziko-matematicheskiye nauki = Scientific notes of Kazan University. Series Physical and Mathematical Sciences. 2018; 2(160): 392–398. (In Russ.)</mixed-citation></citation-alternatives></ref><ref id="cit2"><label>2</label><citation-alternatives><mixed-citation xml:lang="ru">Марц Н., Уоррен Д. Большие данные. Принципы и практика построения масштабируемых систем обработки данных в реальном времени. М.: Вильямс, 2017. 368 с.</mixed-citation><mixed-citation xml:lang="en">Marts N., Uorren D. Bol’shiye dannyye. Printsipy i praktika postroyeniya masshtabiruyemykh sistem obrabotki dannykh v real’nom vremeni = Big data. Principles and practice of building scalable real-time data processing systems. Moscow: Williams; 2017. 368 p. (In Russ.)</mixed-citation></citation-alternatives></ref><ref id="cit3"><label>3</label><citation-alternatives><mixed-citation xml:lang="ru">Honarvar A.R., Sami A. Towards Sustainable Smart City by Particulate Matter Prediction Using Urban Big Data, Excluding Expensive Air Pollution Infrastructures // Big Data Research. 2019. Т. 17. № 22. С. 222–226. DOI: 10.1016/j.bdr.2018.05.006.</mixed-citation><mixed-citation xml:lang="en">Honarvar A.R., Sami A. Towards Sustainable Smart City by Particulate Matter Prediction Using Urban Big Data, Excluding Expensive Air Pollution Infrastructures. Big Data Research. 2019; 17; 22: 222-226. DOI: 10.1016/j.bdr.2018.05.006.</mixed-citation></citation-alternatives></ref><ref id="cit4"><label>4</label><citation-alternatives><mixed-citation xml:lang="ru">Xiao X., Chao X. Rational planning and urban governance based on smart cities and big data // Environmental Technology &amp; Innovation. 2021. Т. 21. С. 65–76. DOI: 10.1016/j.eti.2021.101381.</mixed-citation><mixed-citation xml:lang="en">Xiao X., Chao X. Rational planning and urban governance based on smart cities and big data. Environmental Technology &amp; Innovation. 2021; 21: 65-76. DOI: 10.1016/j.eti.2021.101381.</mixed-citation></citation-alternatives></ref><ref id="cit5"><label>5</label><citation-alternatives><mixed-citation xml:lang="ru">Ivanov N., Gnevanov M. Big data: perspectives of using in urban Planning and management // Business Technologies for Sustainable Urban Development, December 20–22 2017, St. Petersburg, Russia. DOI: 10.1051/matecconf/201817001107.</mixed-citation><mixed-citation xml:lang="en">Ivanov N., Gnevanov M. Big data: perspectives of using in urban Planning and management. Business Technologies for Sustainable Urban Development, December 20-22 2017, Saint Petersburg, Russia. DOI: 10.1051/matecconf/201817001107. (In Russ.)</mixed-citation></citation-alternatives></ref><ref id="cit6"><label>6</label><citation-alternatives><mixed-citation xml:lang="ru">Умный город. Ведомственный проект Минстроя России [Электрон. ресурс] // Проектная дирекция Минстроя России. 2023. Режим доступа: https://russiasmartcity.ru/. (Дата обращения: 13.03.2023).</mixed-citation><mixed-citation xml:lang="en">Umnyy gorod. Vedomstvennyy proyekt Minstroya Rossii = Smart city. Departmental project of the Ministry of Construction of Russia [Internet]. Design Directorate of the Ministry of Construction of Russia. 2023. Available from: https://russiasmartcity.ru/. (cited 13.03.2023). (In Russ.)</mixed-citation></citation-alternatives></ref><ref id="cit7"><label>7</label><citation-alternatives><mixed-citation xml:lang="ru">Благирев А.П., Хапаева Н. Big Data простым языком. М.: АСТ, 2019. 256 с.</mixed-citation><mixed-citation xml:lang="en">Blagirev A.P., Khapayeva N. Big Data prostym yazykom = Big Data in plain language. Moscow: AST; 2019. 256 p. (In Russ.)</mixed-citation></citation-alternatives></ref><ref id="cit8"><label>8</label><citation-alternatives><mixed-citation xml:lang="ru">Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. 2 изд. СПб.: БХВ-Петербург, 2007. 384 с.</mixed-citation><mixed-citation xml:lang="en">Barsegyan A.A., Kupriyanov M.S., Stepanenko V.V., Kholod I.I. Tekhnologii analiza dannykh: Data Mining, Visual Mining, Text Mining, OLAP. 2 izd = Data analysis technologies: Data Mining, Visual Mining, Text Mining, OLAP. 2nd ed. Saint Petersburg: BHV-Peterburg; 2007. 384 p. (In Russ.)</mixed-citation></citation-alternatives></ref><ref id="cit9"><label>9</label><citation-alternatives><mixed-citation xml:lang="ru">Хаханов В.И., Обризан В.И., Мищенко А.С., Tamer B.A. Метрика для анализа big data // Радиоэлектроника и информатика. 2014. № 2 (65). С. 26–29.</mixed-citation><mixed-citation xml:lang="en">Khakhanov V.I., Obrizan V.I., Mishchenko A.S., Tamer B.A. Metrics for big data analysis. Radioelektronika i informatika = Radioelectronics and Informatics. 2014; 2(65): 26-29. (In Russ.)</mixed-citation></citation-alternatives></ref><ref id="cit10"><label>10</label><citation-alternatives><mixed-citation xml:lang="ru">Hong L., Luo M., Wang R., Lu P., Lu W., Lu L. Big Data in Health Care: Applications and Challenges // Data and Information Management. 2018. Т. 2. № 3. С. 175–197. DOI: 10.2478/dim-2018-0014.</mixed-citation><mixed-citation xml:lang="en">Hong L., Luo M., Wang R., Lu P., Lu W., Lu L. Big Data in Health Care: Applications and Challenges. Data and Information Management. 2018; 2; 3: 175-197. DOI: 10.2478/dim-2018-0014.</mixed-citation></citation-alternatives></ref><ref id="cit11"><label>11</label><citation-alternatives><mixed-citation xml:lang="ru">Рыцарев И.А., Кирш Д.В., Куприянов А.В. Кластеризация медиа-контента из социальных сетей с использованием технологии Big Data // Компьютерная оптика. 2018. № 5 (42). С. 921–927.</mixed-citation><mixed-citation xml:lang="en">Rytsarev I.A., Kirsh D.V., Kupriyanov A.V. Clustering media content from social networks using Big Data technology. Komp’yuternaya optika = Computer Optics. 2018; 5(42): 921-927. (In Russ.)</mixed-citation></citation-alternatives></ref><ref id="cit12"><label>12</label><citation-alternatives><mixed-citation xml:lang="ru">Мулюкова К.В., Курейчик В.М. Проблема анализа больших веб-данных и использование технологии Data Mining для обработки и поиска закономерностей в большом массиве веб-данных на практическом примере // Открытое образование. 2019. № 23 (2). С. 42–49.</mixed-citation><mixed-citation xml:lang="en">Mulyukova K.V., Kureychik V.M. The problem of analyzing big web data and using Data Mining technology to process and search for patterns in a large array of web data using a practical example. Otkrytoye obrazovaniye = Open Education. 2019; 23(2): 42–49. (In Russ.)</mixed-citation></citation-alternatives></ref><ref id="cit13"><label>13</label><citation-alternatives><mixed-citation xml:lang="ru">The most popular database for modern apps [Электрон. ресурс] // MongoDB. 2023. Режим доступа: https://www.mongodb.com/. (Дата обращения: 26.03.2023).</mixed-citation><mixed-citation xml:lang="en">The most popular database for modern apps [Internet]. MongoDB. 2023. Available from: https://www.mongodb.com/. (cited 26.03.2023).</mixed-citation></citation-alternatives></ref><ref id="cit14"><label>14</label><citation-alternatives><mixed-citation xml:lang="ru">Сытник А.А., Шульга Т.Э., Данилов Н.А., Гвоздюк И.В. Математическая модель активности пользователей программного обеспечения // Программные продукты и системы. 2018. № 1 (31). С. 79–84.</mixed-citation><mixed-citation xml:lang="en">Sytnik A.A., Shul’ga T.E., Danilov N.A., Gvozdyuk I.V. Mathematical model of software user activity. Programmnyye produkty i sistemy = Software products and systems. 2018; 1(31): 79-84. (In Russ.)</mixed-citation></citation-alternatives></ref><ref id="cit15"><label>15</label><citation-alternatives><mixed-citation xml:lang="ru">Григораш А.С., Курейчик В.М., Курейчик В.В. Программный комплекс решения задачи кластеризации // Программные продукты и системы. 2017. № 2 (30). С. 261–269.</mixed-citation><mixed-citation xml:lang="en">Grigorash A.S., Kureychik V.M., Kureychik V.V. Software complex for solving the clustering problem. Programmnyye produkty i sistemy = Software products and systems. 2017; 2(30): 261–269. (In Russ.)</mixed-citation></citation-alternatives></ref><ref id="cit16"><label>16</label><citation-alternatives><mixed-citation xml:lang="ru">Heripracoyo S., Kurniawan R. Big Data Analysis with MongoDB for Decision Support System // Telkomnika. 2020. Т. 14. № 3. С. 1083–1089. DOI: 10.12928/TELKOMNIKA.v14i3.3115.</mixed-citation><mixed-citation xml:lang="en">Heripracoyo S., Kurniawan R. Big Data Analysis with MongoDB for Decision Support System. Telkomnika. 2020; 14; 3: 1083-1089. DOI: 10.12928/TELKOMNIKA.v14i3.3115.</mixed-citation></citation-alternatives></ref><ref id="cit17"><label>17</label><citation-alternatives><mixed-citation xml:lang="ru">Celesti A., Fazio M, Villari, M.A Study on Join Operations in MongoDB Preserving Collections Data Models for Future Internet Applications // Future Internet. 2019. Т. 11. № 83. С. 1–17. DOI: 10.3390/fi11040083.</mixed-citation><mixed-citation xml:lang="en">Celesti A., Fazio M, Villari, M.A Study on Join Operations in MongoDB Preserving Collections Data Models for Future Internet Applications. Future Internet. 2019; 11; 83: 1-17. DOI: 10.3390/fi11040083.</mixed-citation></citation-alternatives></ref><ref id="cit18"><label>18</label><citation-alternatives><mixed-citation xml:lang="ru">Yang C, Huang Q, Li Z, Liu K, Hu F. Big Data and cloud computing: innovation opportunities and challenges // International Journal of Digital Earth. 2017. Т. 10. № 1. С. 13–53. DOI: 10.1080/17538947.2016.1239771.</mixed-citation><mixed-citation xml:lang="en">Yang C, Huang Q, Li Z, Liu K, Hu F. Big Data and cloud computing: innovation opportunities and challenges. International Journal of Digital Earth. 2017; 10; 1: 13-53. DOI: 10.1080/17538947.2016.1239771.</mixed-citation></citation-alternatives></ref><ref id="cit19"><label>19</label><citation-alternatives><mixed-citation xml:lang="ru">Novikova G.M., Azofeifa E.J. Semantics of big data in corporate management systems // Discrete and Continuous Models and Applied Computational Science. 2018. Т. 4. № 26. С. 383–392. DOI: 10.22363/2312-9735-2018-26-4-383-392.</mixed-citation><mixed-citation xml:lang="en">Novikova G.M., Azofeifa E.J. Semantics of big data in corporate management systems. Discrete and Continuous Models and Applied Computational Science. 2018; 4; 26: 383–392. DOI: 10.22363/2312-9735-2018-26-4-383-392.</mixed-citation></citation-alternatives></ref><ref id="cit20"><label>20</label><citation-alternatives><mixed-citation xml:lang="ru">Ignatova E, Zotkin S, Zotkina I. The extraction and processing of BIM data // IOP Conference Series: Materials Science and Engineering. 2019. Т. 365. № 6. С. 1–9. DOI: 10.1088/1757-899X/365/6/062033.</mixed-citation><mixed-citation xml:lang="en">Ignatova E, Zotkin S, Zotkina I. The extraction and processing of BIM data. IOP Conference Series: Materials Science and Engineering. 2019; 365; 6: 1-9. DOI: 10.1088/1757-899X/365/6/062033.</mixed-citation></citation-alternatives></ref><ref id="cit21"><label>21</label><citation-alternatives><mixed-citation xml:lang="ru">Панков А.В., Крибель А.М., Лаута О.С., Васильев Н.А. Метод по совершенствованию информационно-аналитической работы на основе комплексирования результатов распознавания состояний объектов контроля с использованием методов машинного обучения // Наукоемкие технологии в космических исследованиях Земли. 2022. № 2 (14). С. 27–35.</mixed-citation><mixed-citation xml:lang="en">Pankov A.V., Kribel’ A. M., Lauta O.S., Vasil’yev N.A. A method for improving information and analytical work based on the integration of the results of recognition of the states of control objects using machine learning methods. Naukoyemkiye tekhnologii v kosmicheskikh issledovaniyakh Zemli = Science-intensive technologies in space research of the Earth. 2022; 2 (14): 27–35. (In Russ.)</mixed-citation></citation-alternatives></ref><ref id="cit22"><label>22</label><citation-alternatives><mixed-citation xml:lang="ru">Белов В.А., Никульчев Е.В. Оценка временной эффективности форматов хранения больших данных в динамике роста объема данных // Современные информационные технологии и ИТ-образование. 2021. № 4 (17). С. 889–895.</mixed-citation><mixed-citation xml:lang="en">Belov V.A., Nikul’chev Ye.V. Estimation of the time efficiency of big data storage formats in the dynamics of data volume growth. Sovremennyye informatsionnyye tekhnologii i IT- obrazovaniye = Modern information technologies and IT education. 2021; 4(17): 889-895. (In Russ.)</mixed-citation></citation-alternatives></ref></ref-list><fn-group><fn fn-type="conflict"><p>The authors declare that there are no conflicts of interest present.</p></fn></fn-group></back></article>
