ГЕОИНФОРМАЦИОННЫЕ МОДЕЛИ АВАРИЙНЫХ СИТУАЦИЙ С ПРОСТРАНСТВЕННЫМИ ОБОБЩЕНИЯМИ
Аннотация
Основной проблемой при принятии решений в аварийных ситуациях остается достоверность этих решений. Аварийные ситуации в силу своей непредсказуемой и динамичной природы протекания часто обладают неполной и неточной информацией. Использование накопленного опыта позволяет находить достоверные решения, опираясь на известные прецеденты аварийных ситуаций. В качестве инструмента накопления опыта и генерации на его основе решений могут выступать геоинформаци- онные системы (ГИС). Картографическая основа ГИС позволяет анализировать аварийные ситуации, учитывая их пространственно-временные характеристики. Однако, картографическое представление прецедентов с принятыми решениями описывает их слишком узко. Нет понимания того, какие свойст- ва ситуации являются значимыми и можно ли применить решение прецедента в других обстоятельст- вах. Использование известных образов и их допустимых преобразований, созданных на основе эксперт- ных знаний, способно решить эту проблему. Образ обобщает множество схожих по смыслу прецеден- тов. Цель такого обобщения заключается в расширение области применения информации из частных наблюдений за счет определения границ допустимых преобразований. Однако необходимость привлече- ния экспертов для их создания является труднореализуемой задачей, так как каждая ситуация по- своему уникальна. Не менее проблематичным остается перенос опыта из одной пространственно- временной области в другую. В данной работе рассматривается подход к автоматическому порожде- нию образов. Предлагается способ создания геоинформационной модели аварийных ситуаций, который включает обобщение прецедентов по общему местоположению. Этот подход направлен на повышение достоверности прогнозирования аварийных ситуаций. Был проведен эксперимент по синтезу образов, основанных на прецедентах дорожно-транспортных происшествий, и оценена их эффективность по сравнению с отдельными прецедентами. Использование разработанного метода автоматической об- работки данных для создания образов является актуальным, так как значительно снижает затраты на получение знаний. Применение пространственных обобщений также устраняет необходимость в экспертных знаниях, поскольку формирование наборов прецедентов осуществляется путем анализа их географического расположения.
Список литературы
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.
