Медведев А. В., Старостин А. С., Лемдясова Е. А. Пространственно-аналитическая верификация цифровых пользовательских профилей // Научное обозрение: теория и практика. 2025. Т. 15. Вып. 10 (122). С. 1360-1374. DOI: 10.35679/2226-0226-2025-15-10-1360-1374

Медведев Александр Валерьевич, канд. экон. наук, доцент кафедры «Информатика», ФГБОУ ВО «Российский экономический университет им. Г. В. Плеханова»: Россия, 115054, г. Москва, Стремянный пер., 36.
Старостин Анатолий Сергеевич, канд. техн. наук, доцент, и.о. зав. кафедрой «Прикладная информатика», ГКОУ ВО «Российская таможенная академия»: Россия, 140074, Московская обл., г. Люберцы, Комсомольский пр-кт, 4.
Лемдясова Екатерина Алексеевна, студент, кафедра «Информатика и вычислительная техника пищевых производств», ФГБОУ ВО «Российский биотехнологический университет (РОСБИОТЕХ)»: Россия, 125080, г. Москва, Волоколамское ш., 11.

Тел.: (916) 908-58-12
E-mail: av_medvedev@inbox.ru

В статье представлена методологическая концепция пространственно-аналитической верификации цифровых пользовательских профилей, направленная на повышение эпистемической достоверности и структурной устойчивости кластеризационных моделей в условиях высокой вариативности входных данных. Предлагаемый подход формирует многоступенчатый верификационный контур, в котором геоинформационная аналитика выступает не вспомогательным, а определяющим инструментом реконструкции скрытых пространственно-временных корреляций, задающих конфигурацию интерпретируемых кластеров. В основе процедуры лежит стратификационная обработка данных с использованием метрик геопространственной согласованности, позволяющих выявлять отклоняющиеся, синтетические или аномально сконструированные наблюдения и элиминировать их до этапов машинного обучения. Что обеспечивает формирование устойчивых кластеров, согласованных с реальной пространственной структурой пользовательской активности. Концепция демонстрирует, что использование пространственно-ориентированных контуров проверки не только повышает точность моделей, но и расширяет их аналитическую разрешающую способность, позволяя выявлять латентные динамические паттерны, недоступные традиционным процедурам валидации. Пространственно-ориентированных процедур верификации формирует эффект структурного фильтра, при котором кластеризационная модель оперирует не просто очищенными, а топологически согласованными данными, отражающими реальные контуры пользовательской активности.

стратификация данных; верификационные модели; кластеризация; машинное обучение; пространственные корреляции

1. Шуберт, Э., Сандер, Й., Эстер, М., Кригель, Х. П., и Сюй, X. (2017). «DBSCAN: почему и как вам (всё ещё) следует использовать DBSCAN». ACM Transactions on Database Systems (TODS), 42 (3), 19. (дата доступа 26.04.2025)

2. Сухоруков А. И., Старостин А. С., Медведев А. В., Белова Н. Н., Лемдясова Е. А. Алгоритм рекомендательной системы с учетом культурных факторов для решения проблем холодного старта // Computational Nanotechnology. – 2025. – Т. 12, № 1. – С. 48-58. (дата доступа 26.04.2025)
3. Эстер М., Кригель Х. П., Сандер Дж. и Сюй X. «Алгоритм обнаружения кластеров в больших пространственных базах данных с шумом на основе плотности». In: Труды 2-й Международной конференции по исследованию знаний и анализу данных, Портленд, OR, AAAI Press, pp. 226-231. 1996 (дата доступа: 27.04.2025)
4. Интеллектуальный анализ больших данных: учебное пособие / А. А. Алетдинова, М. Ш. Муртазина. – Новосибирск: Изд-во НГТУ, 2023. – С. 40 (дата доступа: 25.04.2025)
5. Питер Дж. Русью (1987). «Силуэты: графическая помощь в интерпретации и проверке кластерного анализа» // Вычислительная и прикладная математика. – № 20. – С. 53-65 (дата доступа: 28.04.2025)
6. Калински, Т., & Харабаш, Дж. (1974). Дендритный метод для кластерного анализа // Коммуникации в статистике – теория и методы. – № 3. – С. 1-27. (дата доступа: 27.04.2025)
7. Дэвис, Дэвид Л.; Болдин, Дональд В. (1979). Мера разделения кластеров IEEE // Взаимодействие в области анализа образов и машинного интеллекта. PAMI-1 (2): 224-227. (дата доступа: 30.04.2025)
8. Халкиди, Мария; Батистакис, Яннис; Вазиргианнис, Михалис (2001). О методах проверки кластеризации // Журнал интеллектуальных информационных систем. – № 17 (2-3). – С. 107-145. (дата доступа: 01.05.2025)
9. Старостин, А. С. Спектральный анализ в автоматизированных информационных системах / А. С. Старостин, В. С. Артемьев // Computational Nanotechnology. – 2025. – Т. 12, № 1. – С. 69-78. – DOI 10.33693/2313-223X-2025-12-1-69-78.
10. Артемьев, В. С. Модели использования разностных схем в автоматизированных системах управления / В. С. Артемьев, Н. В. Мокрова // Электротехнологии и электрооборудование в АПК. – 2025. – Т. 72, № 1 (58). – С. 97-105. – DOI 10.22314/2658-4859-2025-72-1-97-105.

SPATIAL AND ANALYTICAL VERIFICATION OF DIGITAL USER PROFILES

Medvedev Alexander Valeryevich, Cand. of Econ. Sci., Ass. Prof. of the Depart. of Informatics, Russian university of economics name after G.V. Plekhanov, Moscow, Russia.
Starostin Anatoly Sergeevich, Cand. of Tech. Sci., Ass. Prof., Head of the Depart. of Applied informatics, Russian customs academy, Lyubertsy, Russia.
Lemdyasova Ekaterina Alekseevna, student, of the Depart. of Informatics and computer engineering of food production, Russian Biotechnological University (ROSBIOTECH), Moscow, Russia.

Abstract. The article presents a methodological concept of spatial and analytical verification of digital user profiles, aimed at increasing the epistemic reliability and structural stability of clustering models in conditions of high variability of input data. The proposed approach forms a multi-stage verification contour in which geoinformation analytics acts not as an auxiliary, but as a determining tool for reconstructing hidden spatiotemporal correlations that define the configuration of interpreted clusters. The procedure is based on stratification data processing using geospatial consistency metrics, which make it possible to identify deviant, synthetic or abnormally constructed observations and eliminate them before the machine learning stages. This ensures the formation of stable clusters consistent with the actual spatial structure of user activity. The concept demonstrates that the use of spatially oriented verification contours not only increases the accuracy of models, but also expands their analytical resolution, allowing them to identify latent dynamic patterns that are inaccessible to traditional validation procedures. Spatially oriented verification procedures create the effect of a structural filter, in which the clustering model operates not just with purified, but topologically consistent data reflecting the real contours of user activity.

Medvedev, A.V., Starostin, A.S., Lemdyasova, E.A. (2025) Spatial and analytical verification of digital user profiles. Nauсnoe obozrenie: teoria i praktika [Scientific Review: Theory and Practice], vol. 15, iss. 10 (122), pp. 1360-1374 (in Russian) DOI: 10.35679/2226-0226-2025-15-10-1360-1374