GEOINFORMATION MODELS OF EMERGENCY SITUATIONS WITH SPATIAL GENERALIZATIONS
Abstract
The main problem of decision making in emergency situations is the reliability of these decisions. Emergency situations by virtue of its unpredictable and dynamic nature often have incomplete and inaccurate information. The use of accumulated experience allows to find reliable solutions based on known precedents of emergency situations. Geographic information systems (GIS) can act as a tool for accumulating experience and generating solutions based on it. The cartographic basis of GIS allows analyzing emergency situations, taking into account their spatial and temporal characteristics. However, the cartographic representation of precedents with adopted solutions describes them too narrowly. There is no idea what properties of the situation are significant and whether the precedent solution can be applied in other circumstances. The use of known images and their admissible transformations, created on the basis of expert knowledge, can solve this problem. The image generalizes a set of similar precedents. The purpose of such generalization is to expand the area of application of information from private observations by determining the boundaries of permissible transformations. However, the need to attract experts for their creation is a difficult task, since each situation is unique in its own way. No less problematic is the transfer of experience from one spatial and temporal domain to another. In this paper we consider an approach to automatic image generation. We propose a method of creating a geoinformation model of emergency situations, which includes the generalization of precedents on a common location. This approach is aimed at improving the reliability of prediction of emergency situations. An experiment was conducted to synthesize images based on precedents of road accidents and evaluate their effectiveness compared to individual precedents. The use of the developed method of automatic data processing to create images is relevant, as it significantly reduces the cost of knowledge acquisition. The use of spatial generalizations also eliminates the need for expert knowledge, since the formation of precedent sets is performed by analyzing their geographical location.
References
1. Термины МЧС России – МЧС России. – URL: https://mchs.gov.ru/ministerstvo/oministerstve/
terminy-mchs-rossii (дата обращения: 02.02.2025).
2. Бублей С.Е., Мамутов Б.В. Экспертный анализ непредвиденных ситуаций // Известия ЮФУ.
Технические науки. – 2009. – № 5 (94). – С. 143-147.
3. Климова И.В., Сазанова Н.В., Махнёва А.Н. Опыт проведения технического расследования ава-
рии на опасном производственном объекте нефтепродуктообеспечения // Современные про-
блемы гражданской защиты. – 2023. – № 1 (46). – С. 93-102.
4. Koo J., Kim S., Kim H., Kim Y. H., Yoon E.S. A systematic approach towards accident analysis and
prevention // Korean Journal of Chemical Engineering. – 2009. – No. 26 (6). – P. 1476-1483.
5. Грабельников А.С. Сравнительный анализ существующих методик прогнозирования чрезвы-
чайных ситуаций техногенного характера // Современные проблемы гражданской защиты.
– 2022. – № 1 (42). – С. 10-13.
6. Yuqing W. Research on the prediction of traffic accident by linear regression // Theoretical and Natural
Science. – 2024. – Vol. 38 (1). – P. 39-44.
7. Jiangnan X., Senzhang W., Xiang W., Min X., Kun X., Jiannong C. Multi-view Bayesian spatiotemporal
graph neural networks for reliable traffic flow prediction // International Journal of Machine
Learning and Cybernetics. – 2022. – Vol. 15. – P. 1-14.
8. Chengjiang X. Application of Bayes Theorem to Accident Analysis and Classification // Highlights in
Science Engineering and Technology. – 2023. – Vol. 47. – P. 46-57.
9. Ткалич С.А., Бурковский А.В., Котов Д.В. Исследование нейросетевой модели прогнозирования
аварийных ситуаций процесса вулканизации // Вестник Воронежского государственного техни-
ческого университета. – 2010. – Т. 6, № 7. – С. 15-19.
10. Ogwueleka F., Misra S., Ogwueleka T.C., Fernandez-Sanz L. An Artificial Neural Network Model for
Road Accident Prediction: A Case Study of a Developing Country // Acta Polytechnica Hungarica.
– 2014. – Vol. 11 (5). – P. 177-197.
11. Богомолов А.С. Анализ путей возникновения и предотвращения критических сочетаний собы-
тий в человекомашинных системах // Известия Саратовского университета. Новая серия. Серия:
Математика. Механика. Информатика. – 2017. – Т. 17, № 2. – С. 219-230. – DOI:
https://doi.org/10.18500/1816-9791-2017-17-2-219-230.
12. Le Yu, Jianjun L. Stability of interbed for salt cavern gas storage in solution mining considering cusp
displacement catastrophe theory // Petroleum. – 2015. – No. 1. – P. 82-90.
13. Xuanqiang W., Shuyan C., Wenchang Z. Traffic Incident Duration Prediction Based On Partial Least
Squares Regression // Procedia - Social and Behavioral Sciences. – 2013. – Vol. 96. – P. 425-432.
14. Носков С.И., Вергасов А.С. Реализация взвешенного метода наименьших квадратов с использо-
ванием мер сходства // Вестник науки и образования. – 2018. – № 18-1 (54). – С. 29-32.
15. Измаилова Э.А., Кузнецова Ю.А. Метод мозгового штурма // Модели, системы, сети в экономи-
ке, технике, природе и обществе. – 2013. – № 2 (6). – С. 32-35.
16. Ковальский Ф.С., Мосолов А.С., Прус Ю.В. Применение методов Дельфи и анализа иерархий
при выборе приоритетного сценария развития аварийной ситуации на объекте защиты // Техно-
сферная безопасность. – 2020. – № 3 (28). – С. 12-20.
17. Ильин В.Н., Лепехин А.В. Технология автоматизации структурно-параметрического синтеза на
основе метода морфологического ящика // Труды МАИ. – 2011. – № 46. – С. 1-11.
18. Richter M.M., Weber R.O. Case-based reasoning: a textbook. – Heidelberg: Springer, 2013. – 546 p.
19. Берман А.Ф., Николайчук О.А., Павлов А.И., Юрин А.Ю. Система поддержки принятия решений
по предупреждению и ликвидации техногенных ЧС на основе прецедентного подхода // Техно-
логии техносферной безопасности. – 2013. – № 5 (51). – 13 с.
20. Пальчевский Е.В., Антонов В.В., Родионова Л.Е., Кромина Л.А., Фахруллина А.Р. Моделирова-
ние зон затопления на основе прогнозирования временных рядов и ГИС-технологий // Компью-
терная оптика. – 2024. – Т. 48, № 6. – С. 913-923. – DOI: 10.18287/2412-6179-CO-1418.
21. Khan A.A., Hussain J. Utilizing GIS and Machine Learning for Traffic Accident Prediction in Urban
Environment // Civil Engineering Journal. – 2024. – Vol. 10 (6). – P. 1922-1935.
22. Герштейн А.М. Выявление участков повышенной опасности на дорогах Массачусетса в 2013–
2018 годах // Компьютерные инструменты в образовании. – 2021. – № 1 (19). – С. 45-57.
23. Беляков С.Л., Белякова М.Л., Савельева М.Н. Прецедентный анализ образов в интеллектуаль-
ных геоинформационных системах // Информационные технологии. – 2013. – № 7. – С. 22-25.
