кандидат технических наук;
candidate of technical sciences;
Актуальность исследования обусловлена необходимостью повышения обоснованности и эффективности управленческих решений при реагировании на угрозы лесных пожаров в условиях высокой степени неопределённости и динамичного развития пожароопасной обстановки. Существующие подходы, основанные преимущественно на экспертных методах, не всегда позволяют оперативно и точно учитывать весь спектр факторов, влияющих на выбор управленческих решений, что требует внедрения интеллектуальных систем поддержки принятия решений. В работе использован гибридный подход, сочетающий методы глубоких нейронных деревьев и нечеткой логики, реализованный в виде алгоритмов интеллектуальной поддержки принятия решений на стратегическом и тактическом уровнях управления. Методы машинного обучения применены для прогнозирования ключевых параметров лесных пожаров (площадь, длительность ликвидации, расстояние до населённых пунктов, количество привлекаемых сил и средств), а аппарат нечеткой логики – для формирования обоснованных управленческих рекомендаций на основе прогнозных данных. Основные результаты исследования заключаются в разработке и реализации алгоритмов, обеспечивающих автоматизацию обработки исходных данных, прогнозирование целевых показателей и определение рекомендуемых управленческих решений для Комиссии по предупреждению и ликвидации чрезвычайных ситуаций и обеспечению пожарной безопасности. Приведены примеры реализации алгоритмов, продемонстрированы высокие значения метрик качества моделей машинного обучения и работоспособность предложенных решений на тестовых данных. Научная новизна работы состоит в интеграции методов глубоких нейронных деревьев с нечётким выводом Такэги-Сугено в единую систему, предназначенную для поддержки лиц, принимающих решения, при реагировании на угрозы лесных пожаров. Предложены блок-схемы алгоритмов, позволяющие формализовать процесс выбора решений и повысить их интерпретируемость. Практическая значимость результатов заключается в возможности использования предложенных алгоритмов в составе интеллектуальных систем поддержки принятия решений органов управления при ЧС для повышения обоснованности, своевременности и качества управленческих решений, а также оптимизации временных и человеческих ресурсов при реагировании на угрозы лесных пожаров.
The relevance of the study is due to the need to improve the validity and effectiveness of management decisions when responding to forest fire threats in conditions of high uncertainty and dynamic development of fire hazard situations. Existing approaches, based mainly on expert methods, do not always allow for prompt and accurate consideration of the entire range of factors influencing the choice of management decisions, which requires the implementation of intelligent decision support systems. The work uses a hybrid approach combining deep neural tree and fuzzy logic methods, implemented in the form of algorithms for intelligent decision support at the strategic and tactical levels of management. Machine learning methods are used to predict key parameters of forest fires (area, duration of liquidation, distance to settlements, number of forces and means involved), and the fuzzy logic apparatus is used to generate sound management recommendations based on forecast data. The main results of the study are the development and implementation of algorithms that automate the processing of initial data, forecast target indicators and determine recommended management decisions for the Commission for the Prevention and Elimination of Emergencies and Fire Safety. Examples of the implementation of algorithms are given, high values of the quality metrics of machine learning models and the performance of the proposed solutions on test data are demonstrated. The scientific novelty of the work lies in the integration of deep neural tree methods with Takegi-Sugeno fuzzy inference into a single system designed to support decision makers in responding to forest fire threats. Flowcharts of algorithms are proposed that allow formalizing the decision-making process and increasing their interpretability. The practical significance of the results lies in the possibility of using the proposed algorithms as part of intelligent decision support systems for government agencies in emergency situations to improve the validity, timeliness and quality of management decisions, as well as optimize time and human resources in responding to forest fire threats.