ОПТИМАЛЬНАЯ МОДЕЛЬ ПРОФИЛАКТИЧЕСКИХ МЕРОПРИЯТИЙ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ
OPTIMAL MODEL OF PREVENTIVE MEASURES BASED ON NEURAL NETWORKS TECHNOLOGIES
- 1 АКАДЕМИЯ ГПС МЧС РОССИИ
В статье анализируется и оценивается абсолютная эффективность профилактических мероприятий с использованием нейронных сетей. Входные данные для обучения нейронной сети включают данные о пожарах, собранные во Вьетнаме и в России (население, количество пожаров, количество гибели, количество профилактических мероприятий). После уточнения модели, полученные результаты позволяют оценить абсолютную эффективность профилактических мероприятий для провинций и городов.
The article analyzes and evaluates the absolute effectiveness of preventive measures using neural networks. The input data for training the neural network includes fire data collected in Vietnam and Russia (population, number of fires, number of deaths, number of preventive measures). After refining the model, the obtained results allow us to evaluate the absolute effectiveness of preventive measures for provinces and cities.
Развитие моделей искусственного интеллекта (ИИ) для повышения эффективности управленческих решений представляет существенный интерес с точки зрения повышения эффективности профилактических мероприятий для снижения пожарных рисков. В предшествующих работах [1-3] на больших базах данных для ряда регионов России и Вьетнама было обнаружено существование статистически значимых корреляций между относительной эффективностью профилактических мероприятий (гибель или количество пожаров нормированное на население) и численностью населения для муниципальных образований различного типа. В работе [3] были предложены нейросетевые модели предсказания пожарных рисков и оценена их надежность.
Однако, вопрос об управлении пожарными рисками в смысле возможности влияния на них с помощью профилактических мероприятий для достижения нормативных рисков не рассматривался. Реализуем иной алгоритм решения этого вопроса. Для этого создадим нейронную сеть (НС), на входе которой категория МО (возможно с учетом подкатегории МО) численность населения и удельная профилактика те отношения численности профилактических мероприятий за предшествующий год к населению МО в текущем году. Переменные с соответствующими нормировками на максимальное значение обозначим x и y. На выходе нейронной сети – пожарные риски R1 и R2 – отношение числа пожаров к численности населения и отношение числа погибших в них к численности населения. Создадим многослойную нейронную сеть по аналогии с описанной в предшествующем разделе с 5 (6) переменными на входе и с 2 на выходе. Количество эпох обучения и число внутренних слоев – настраиваемый параметр, мера – средний квадрат отклонений реализации и обучающих примеров, способ оптимизации - метод стохастических градиентов [4].
После
обучения сеть на данной базе предсказывает
риски R1,2=F(x,y)
далее полученная трехмерная зависимость
проектируется на плоскость (x,y) при
условии R1,2<Rnom,
где Rnom
-
нормативный риск. Полученная эмпирическая
зависимость аппроксимируется методом
наименьших квадратов с определением
доверительного интервала коэффициентов
аппроксимации и F
–критерия. Она связывает нормированную
профилактику с типом МО и численностью
населения с учетом типа МО при условии
того, что полученные риски меньше
нормативных.
а)
б)
в)
Рис.1 Пожарные риски в зависимости от населения и удельной профилактики для а - Нижегородской области, б - Республики Башкортостан, в - Вьетнам; риск_1: пожары/население, риск_2: гибель/население. Поверхности восстановлены на основе нейросетевого моделирования.
Для анализируемых регионов риски в зависимости от населения и нормированной профилактики представлены на рис.1.
Оптимальная профилактика на рис. 2. Сводные данные и уравнения регрессии в табл.1.
а) б)
в)
Рис.2 Оптимальная профилактика в зависимости от населения. Нормативный риск Rnom=0,1 от максимального значения на обучающем наборе. а - Нижегородской области, б – Республики Башкортостан, в – Вьетнам; риск- гибель от пожара за период 1 год
Таблица 1
Оптимальная профилактика в зависимости от населения для трех регионов; указаны F- критерий и нормировки. Нормативный риск Rnom=0,1. Уровень значимость коэффициентов регрессии 0,98.
Регион |
Зависимость |
F |
Нормировки |
|||
Нас. |
Проф./Нас. |
Пож./Нас. |
Гиб./Нас. |
|||
НН |
y= (0,19+-0,14) x +(0,37+-0,17) x2 |
46,08 |
299800 |
1,351 |
0,022 |
0,00050 |
РБ |
y= -(1,14+-0,57) x +(1,19+-0,58) x2 |
2,622 |
280000 |
2,325 |
0,008 |
0,00038 |
СРВ |
y= (0,78+-0,57) x -(1,70+-1,02) x2 |
4,761 |
292500 |
2,063 |
0,0002 |
0,00004 |
Данные таблицы 1 позволяют рассчитать оптимальное число профилактических мероприятий необходимых для того, чтобы риск, например гибель/население не превышал нормативный показатель. Проделаем это для МО Автозаводский район за 2019 год. Нормировка Гиб./Нас – 0,00050, полагая нормативный риск Rnom=0,1, отсюда в абсолютных величинах – 0,00005, население x=296500/299800= 0,99, поэтому, в соответствии с первой строкой таблицы 1, безразмерная величина профилактика/население y=0,55 и умножая на ее нормировку 1,351 и на население 296500, получаем оптимальное количество профилактических мероприятий за год с риском принятия гипотезы 0,975 – около 220 тыс, что в переделах ошибки воспроизводимости близка к реальной – крайняя синяя точка на рис. 2.
В
тоже время число профилактических
мероприятий для МО с относительной
долей населения порядка
0,8
от максимальной недостаточно для
достижения нормативной эффективности
риска гибели – рис.2. Профилактика в МО
в интервале от
0,35
до
0,57
максимального населения избыточна, ее
целоселесообразно перераспределить в
МО с большим населением. Для Республики
Башкортостан и Республики Вьетнам нет
явных зависимостей между удельной
профилактикой и населением. Однако, для
МО лежащих ниже аппроксимирующей кривой,
для снижения риска гибели населения от
пожаров необходимо увеличить количество
профилактических мероприятий.
Соответствующая зависимость, представленная
в табл.1 дает оценку этой величины для
каждого МО.
Полученные результаты свидетельствуют о возможности прогнозирования абсолютного значения эффективности профилактической работы на основе количественных и категориальных переменных. Относительно большая ошибка прогноза связана, с одной стороны, с необходимостью учета большего числа входных параметров, с другой стороны, с необходимостью увеличения размера базы обучения нейронной сети. После уточнения модели, полученные результаты позволяют оценить абсолютную эффективность профилактических мероприятий для провинций и городов.
Литература
1. Авдеенко А.М., Лахвицкий Г.Н., Нгуен Выонг Ань, Сатин А.П. Бурлаченко, К.Г. Некоторые особенности исследования многомерной базы пожаров с использованием инструментария кластерного анализа. Пожарная и аварийная безопасность 17 Международная научно-практическая конференция Иваново 24,11,2022 г.
2. Информационно-аналитическая поддержка руководителя при организации профилактики пожаров на основе статистического анализа баз данных / А. М. Авдеенко, А. П. Сатин, В. А. Нгуен, Г. Н. Лахвицкий // Технологии техносферной безопасности. – 2023. – № 4(102). – С. 79–97.
3. Реализации системы поддержки принятия решений на основе многослойных нейронных сетей обратного распространения / В. А. Нгуен, А. М. Авдеенко // Проблемы техносферной безопасности: материалы международной научно-практической конференции молодых учёных и специалистов. – 2023. – № 12. – С. 159-163.
4. Jain A., Murty M., Flynn P. Data Clustering: A Review. // ACM Computing Surveys. 1999. Vol. 31, №13.