09.03.01 «Информатика и вычислительная техника»
IT-сервисы и технологии обработки данных
на транспорте
Проекты I семестра 2021-2022 учебного года
Проекты:
19
IT-решений
>100
гигабайт обработанной информации в рамках IT решений
350 000 000
строк обработанного
csv-файла
>10 000
написанных строк кода
12
библиотек Python использовано
Разработка информационной модели (карты) расстановки почтаматов для организации почтовой доставки грузов дронами
(на примере г. Маскат (Оман)
Направление подготовки:
«IT-сервисы и системы обработки данных на транспорте»
1 курс
Команда проекта:
Леманский Константин
Кузьмин Андрей
Бешков Юрий

Заказчик
Задача
Под инженерное решение заказчика по почтовой доставке дронами разработать IT решение, позволяющее понимать места установки почтаматов в городе Маскат (Оман) в зависимости от населенности, мест скопления людей и технических ограничений дронов.
Продукт
Интерактивная карта, визуализирующая места постановки почтаматов.
Этапы проекта:
1
Поиск входных данных для учета распределения населения по районам, расположения центров активности населения
Сложность постановки задачи была в том, что входных данных по распределению населения и центров активности по Маскаду нет, следствием этого первым, что мы сделали - начали думать какие данные нам нужны, можно ли найти их в интернете, и если можно, начинали поиск.

Некоторые выбранные сайты: ru.wikipedia.org, pudding.cool - один из сайтов, иллюстрирующих данные по региону – был взят за основу.


2
Форматирование входных данных
Выбран формат GeoJson
Для работы с ним используется geojson.io (сайт предоставляющий возможность редактировать/форматировать с помощью GUI)


3
Чтение входных данных
Чтение входных данных и форматирование с помощью строк в Python


4
Преобразование входных данных к единому типу
Единым форматом выбран массив точек со значениями. Разработан алгоритм проверки нахождения точки внутри невыпуклой фигуры (алгоритм преобразования невыпуклой фигуры в набор точек)
По результатам разработки данного математического алгоритма подготовлена для публикации научная статья.


5
Основной алгоритм поиска точки
на наибольшем значением функции
Написан и оптимизирован алгоритм поиска точки с наибольшем значением функции (именно в эту точку ставится почтамт)


6
GUI
Разработана графическая оболочка программы которая позволяет не только запускать алгоритм, но и редактировать входные данные.


7
Ускорение программы
Python долго работает из-за динамической типизации и вытекающей из нее постоянной проверки типов. Библиотека Numpy позволяет выполнять функции скомпилированном виде, что намного быстрее интерпретируемых.


8
Тестирование
Тестирование программы на допущенные просчеты баги и т.д.


Техническая реализация:
Архитектура
Математика
Техника
Продукт
Архитектура решения задачи
Математическое обоснование алгоритма
Точки выбираются исходя из результатов функции.
Она работает по принципу: чем больше людей и точек интереса в радиусе R от точки и чем они ближе к точке, тем больше значение функции.
Техническая реализация алгоритма
  • Библиотеки Python:
PyQt5 для GUI
Math, itertools, copy – некотрые операции
Folium, webbrowser – для вывода карты на экран
Matplotlib – демонстрация графика критических значений
Numba – ускорение программы
Pyautogui, pyperclip – для того, чтобы пользователь мог менять GeoJson

  • Населенность и точки интереса в формате GeoJson
  • Данные критических значений посылок в формате CSV
  • Документация написана в TEX и хранится в PDF
  • Вывод в формате html
Интерактивная карта, визуализирующая места постановки почтаматов
«Что думают люди, глядя на вас?»
Приложение по прогнозированию первого впечатления о человеке по его фотографии
Направление подготовки:
«IT-сервисы и системы обработки данных на транспорте»
1 курс
Команда проекта:
Сидоров Кирилл
Ветлов Артемий
Роменко Егор
Антонов Иван
Иванов Дмитрий
Заказчик
Цель работы
Создание приложения для прогнозирования первого впечатления о человеке с использованием средств машинного обучения и баз данных, а также последующей визуализации результатов, полученных в ходе разработки.
Продукт
Приложение, позволяющее проанализировать фотографию и получить на выходе оценку уровня доверия.
Этапы проекта:
1
Проработка
концепции
проекта

2
Формирование и проведение опроса испытуемых о доверии незнакомцам по фотографии для дальнейшего обучения алгоритма


3
Написание алгоритма для анализа фотографий и формирование базы данных (алгоритм машинного обучения)


4
Тестирование продукта


Техническая реализация:
Архитектура
Машинное обучение
Техника
Архитектура решения задачи
Техническая реализация алгоритма
PyCharm IDE: Написание алгоритмов на языке Python 3
Библиотеки OpenCV, FaceRecognition, dlib, Pandas, scikit-learn, openpyxl: Реализация алгоритмов (распознавание лиц, машинное обучение, работа с .xlsx-файлами)
Библиотека PySimpleGUI: Создание пользовательского интерфейса ввода-вывода
Google Forms: Создание опросов и сбор ответов респондентов
Microsoft Excel, Microsoft SQL Management Studio: Хранение, систематизация и обработка данных
Microsoft Power BI: Визуализация данных
ПРОДУКТ
Шаг 1
Программа выводит диалоговое окно, в котором пользователю предлагается указать путь до фотографии, которую он хочет проанализировать (файлы форматов jpeg, jpg, png любого соотношения сторон, разрешения и веса) с использованием стандартного файлового менеджера ОС Windows – explorer.exe
Шаг 2
Программа сопоставляет данные, полученные из анализируемой фотографии со значениями, полученными на основе обученного ранее алгоритма, решая задачу регрессии с использованием метода «случайный лес» (начинает работать алгоритм машинного обучения).
Значение абсолютной ошибки равно 0,5 – это означает, что значение, которое выдает алгоритм, отличается от значения, которое сказал бы человек на 0,5 балла.
Шаг 3
Программа выводит всплывающее окно, в котором показывается оценка его привлекательности по мнению программы в виде десятичной дроби.
Telegram-бот «424» для поиска ресторанов
Направление обучения:
09.03.01 «Информатика и вычислительная техника»
«IT-сервисы и системы обработки данных на транспорте»
1 курс
Команда проекта:
Чистяков Иван
Леонов Сергей
Тамкович Светлана
Морозова Мария
Воспенников Андрей
Горбунов Владислав
Краснов Егор

Цель работы
Разработка Telegram-бота, позволяющего студенту РУТ (МИИТ) найти пункт питания (столовая, ресторан и тд.) вблизи университета в зависимости от желаемых параметров пользователя (местоположение, вид кухни, стоимость чека и тд.)
Продукт
Telegram-бот, позволяющий найти пункт питания студенту в непосредственной близости от университета.
Этапы проекта:
1
Проработка
концепции
проекта


2
Демонстрация и защита
проектной идеи


3
Установка и настройка
программного обеспечения


4
Изучение предметной области и сбор данных по пунктам питания вблизи университета


5
Разработка чат-бота


6
Тестирование продукта,
формирование отчета


7
Презентация готовой реализации продукта


Техническая реализация:
Алгоритм
Продукт
Telegram-бот
Алгоритм визуализации оптимальной расстановки груза
в грузовом полуприцепе
Направление обучения:
09.03.01 «Информатика и вычислительная техника»
«IT-сервисы и системы обработки данных на транспорте»
1 курс
Команда проекта:
Голубева Анастасия
Ефремов Иван
Шобанов Егор
Заказчик
Цель
Разработать программный продукт, позволяющий оптимизировать процесс расстановки грузов в кузове транспорта
Продукт
Сайт, который является инструментом для менеджера, позволяющий по загруженным параметрам груза (длина-ширина-высота) и очередности пунктов выгрузки визуализировать оптимальную расстановку грузов в автотранспорте.
Этапы проекта:
1
Написание
Backend сайта
С использованием Python библиотеки Flask


2
Создание дизайна сайта и его реализация
С использованием html и CSS


3
Формирование базы данных
для хранения информации о грузах


4
Разработка и реализация на языке Python алгоритма по оптимальной расстановке грузов в кузове


5
Создание визуализации (схемы) расставленных грузов


Техническая реализация:
Архитектура
Техника
Продукт
Архитектура решения задачи
  1. Ввод информации о грузах в базу данных
  2. Грузы, у которых совпадает дата отправки и прибытия, считаются одной отправкой
  3. Каждый груз имеет пункт прибытия и способ выгрузки
  4. Логический алгоритм расстановки грузов в системе координат
  5. Предложение программы по увеличению количества автомобилей
Техническая реализация алгоритма
  • Библиотеки Рython
Flask
Pyodbc
SQLAlchemy
Flask-SSLify

  • Данные, предоставленные компанией
  • Логический алгоритм
  • Microsoft SQL Server Management Studio
Сайт cargoproject.tk
Визуализация линейных процессов на железнодорожном транспорте
Направление обучения:
09.03.01 «Информатика и вычислительная техника»
«IT-сервисы и системы обработки данных на транспорте»
1 курс
Команда проекта:
Мирзаев Заур
Орлов Вадим
Лукинов Алексей
Медведев Александр
Краснов Вадим
Луговский Никита

Цель
Разработка IT-решения, позволяющего автоматически обрабатывать данные Excel-файла по транзитным грузовым перевозкам по сети ОАО «РЖД» и визуализировать их на карте.
Продукт
Приложение, позволяющее автоматически визуализировать в различных статистических аспектах загружаемые данные по транзитным перевозкам ЦФТО
Этапы проекта:
1
Изучение
предметной
области


2
Подготовка данных
для обработки


3
Формирование ИТ-решения, позволяющего обрабатывать Excel-файлы и визуализировать грузопотоки по:
  • структуре грузов
  • направлениям
  • регионам отправления и назначения
  • основным грузоотправителям
  • пограничным пунктам пропуска и портам

Техническая реализация:
Аннотация
Архитектура
Продукт
Аннотация проекта
В настоящее время Центр фирменного транспортного обслуживания ОАО «РЖД» обрабатывает и визуализирует данные в MS Excel, используя встроенные функции и графики с дальнейшим представлением MS Power Point. Данный процесс является трудозатратным ввиду отсутствия автоматизированного решения.

От заказчика получен макет желаемого ИТ-решения, которое необходимо реализовать для автоматизации процесса.
Архитектура решения задачи
Программа, позволяющая визуализировать статистическую информацию для направлений, которые определяются настройками фильтров по:
  • среднему объему перевозок грузов
  • среднему ДФЭ
Аналитика пассажиропотоков Московского метрополитена: оценка распределения пассажиров по сети Московского метрополитена, заходящих на станциях Петровско-Разумовская, Комсомольская, Киевская, Рижская в утренний час-пик
Направление обучения:
09.03.01 «Информатика и вычислительная техника»
«IT-сервисы и системы обработки данных на транспорте»
1 курс
Команда по станции «Петровско-Разумовская»
Акимов Александр
Кузнецов Максим
Бабаев Даниил
Корнюхов Дмитрий
Коломойцев Кирилл
Команда по станции «Комсомольская»
Комаров Константин
Абраменко Андрей
Галайко Степан
Магдиев Равиль
Костин Артемий
Паршин Александр
Команда по станции «Рижская»
Иванов Роман
Аникеев Максим
Бодрягин Иван
Гальцов Степан
Команда по станции «Киевская»
Васильев Даниель
Землянский Павел
Итулин Максим
Куров Иван
Бокова Мария
Цели и задачи
Определение направления следования пассажиров и пассажиропоток по станциям метро со станций Петровско-Разумовская, Комсомольская, Киевская, Рижская за утренний час-пик 8:00-9:00 по валидациям билетов на вход

Анализ массива BigData (выгрузка валидаций билетов ГУП «Московский метрополитен»). Данные по маршрутам движения и конечным станциям назначения пассажиров в массиве отсутствуют.

Формирование матрицы корреспонденции на основе следующих исходных данных:
  • станции, вестибюль отправления
  • время валидации пассажиров
  • уникальные номера билетов
Продукты
  • Объем пассажиропотока по станциям метро со станций Петровско-Разумовская, Комсомольская, Киевская, Рижская за утренний час-пик 8:00-9:00 в форме excel-таблицы
  • Визуализация на интерактивной карте объема пассажиропотока
  • Прогноз потенциального объема переключаемого пассажиропотока со станций метро на станции МЦД
Этапы проекта:
1
Чтение датафрейма
Выборка необходимых полей исходной таблицы для анализа


2
Определение станций назначения
Допускаем, что станцией назначения является следующая по времени входа в метрополитен


3
Фильтр датафрейма
Фильтрация по станции и времени отправления (с 8:00 до 9:00)


4
Формирование матрицы корреспонденции
Вывод данных в удобном для заказчика формате


5
Визуализация данных на карте
Отображение данных на интерактивной карте


Техническая реализация:
Техника
Данные
BIG DATA Петровско-Разумовская
BIG DATA Комсомольская
BIG DATA Киевская
Инструменты для решения задачи
  • Данные предоставленные ЦВТС
  • Язык программирования Python
  • Библиотека Pandas
  • IDE Jupyter notebook
  • Excel и kepler.gl для создания визуализации
Прочитанный датафрейм объемом 24 Gb, более 360 млн. строк
ПРОДУКТ
Оценка потенциального спроса на маршруты Центрального административного округа (Курская — Белорусская и Кольцевой линии) среди пассажиров, которые сегодня совершают поездки на метро со станции Комсомольская.
ПРОДУКТ
Оценка потенциального спроса на маршруты Московских центральных диаметров среди пассажиров, которые сегодня совершают поездки на метро со станции Петровско-Разумовская