NATURAL AND MAN-MADE RISKS (PHYSICO-MATHEMATICAL AND APPLIED ASPECTS) NATURAL AND MAN-MADE RISKS (PHYSICO-MATHEMATICAL AND APPLIED ASPECTS) ПРИРОДНЫЕ И ТЕХНОГЕННЫЕ РИСКИ (ФИЗИКО-МАТЕМАТИЧЕСКИЕ И ПРИКЛАДНЫЕ АСПЕКТЫ) 2307-7476 95234 10.61260/2307-7476-2024-4-14-21 МОНИТОРИНГ И ПРОГНОЗИРОВАНИЕ ПРИРОДНЫХ И ТЕХНОГЕННЫХ РИСКОВ MONITORING AND FORECASTING OF NATURAL AND MAN-MADE RISKS МОНИТОРИНГ И ПРОГНОЗИРОВАНИЕ ПРИРОДНЫХ И ТЕХНОГЕННЫХ РИСКОВ FORECASTING OF EMERGENCIES AND INCIDENTS ON THE TERRITORY OF THE PERM REGION USING MACHINE LEARNING METHODS ПРОГНОЗИРОВАНИЕ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ И ПРОИСШЕСТВИЙ НА ТЕРРИТОРИИ ПЕРМСКОГО КРАЯ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ Луценко Сергей Георгиевич Lutsenko Sergey G. lucenkosg@gmail.com Ташкинов Даниил Сергеевич Tashkinov Daniil S. tashkinov_ds@59.mchs.gov.ru Плещев Виталий Алексеевич Pleshchev Vitaly A. pleschev_va@59.mchs.gov.ru Тюрин Герман Владимирович Tyurin German V. g.tyurin@mchs.gov.ru Главное управление МЧС России по Пермскому краю Пермь Россия Main directorate of EMERCOM of Russia for the Perm krai Perm Russian Federation Главное управление МЧС России по Пермскому краю Пермь Россия Main directorate of EMERCOM of Russia for the Perm krai Perm Russian Federation Главное управление МЧС России по Пермскому краю Пермь Россия Main directorate of EMERCOM of Russia for the Perm krai Perm Russian Federation Главное управление «Национальный центр управления в кризисных ситуациях» Москва Россия Main Directorate «National Crisis Management Center» Moscow Russian Federation 31 12 2024 31 12 2024 2024 4 14 21 20 10 2024 11 11 2024 https://journals.igps.ru/en/nauka/article/95234/view

В современном мире, где количество данных растет экспоненциально, методы машинного обучения становятся ключевым инструментом для прогнозирования чрезвычайных ситуаций и происшествий. В последнее время ансамблевые алгоритмы активно применяются для решения подобных задач. Одним из наиболее эффективных подходов является градиентный бустинг над решающими деревьями, который сочетает в себе гибкость деревьев и мощь градиентной оптимизации. В данной статье представлена оценка возможностей применения метода градиентного бустинга над решающими деревьями на примере чрезвычайных ситуаций и происшествий на территории Пермского края. Представлены основные преимущества и ограничения применения метода. Проведенные исследования доказали эффективность применения метода градиентного бустинга над решающими деревьями для задач прогнозирования чрезвычайных ситуаций. Его способность учитывать сложные зависимости и работать с разнородными данными, делает его мощным инструментом в арсенале аналитиков и специалистов по прогнозированию.

In the modern world, where the amount of data grows exponentially, machine learning methods are becoming a key tool for predicting emergencies and incidents. Recently, ensemble algorithms have been actively used to solve such problems. One of the most effective approaches is gradient boosting over decision trees, which combines the flexibility of trees and the power of gradient optimization. This article presents an assessment of the possibilities of using the gradient boosting method over decision trees using the example of emergencies and incidents in the Perm Territory. The main advantages and limitations of the method are presented. The conducted studies have proven the effectiveness of the gradient boosting method over decision trees for emergency forecasting tasks. Its ability to take into account complex dependencies and work with heterogeneous data makes it a powerful tool in the arsenal of analysts and forecasting specialists.

 машинное обучение моделирование прогнозирование оценка качества принятия решений machine learning modeling forecasting quality assessment of decision-making

Матвеев А.В. Методы моделирования и прогнозирования. СПб.: С.-Петерб. ун-т ГПС МЧС России, 2022. 230 с. ISBN 978-5-907116-73-3. EDN IMLKWS. Matveev A.V. Metody modelirovaniya i prognozirovaniya. SPb.: S.-Peterb. un-t GPS MCHS Rossii, 2022. 230 s. ISBN 978-5-907116-73-3. EDN IMLKWS. Матвеев А.В., Богданова Е.М. Классификация методов прогнозирования чрезвычайных ситуаций // Национальная безопасность и стратегическое планирование. 2018. № 4 (24). С. 61–70. EDN YTPZYL. Matveev A.V., Bogdanova E.M. Klassifikaciya metodov prognozirovaniya chrezvychajnyh situacij // Nacional'naya bezopasnost' i strategicheskoe planirovanie. 2018. № 4 (24). S. 61–70. EDN YTPZYL. Сапожников А.А. Искусственный интеллект на службе МЧС России // Гражданская защита. 2023. № 5 (573). С. 28–29. Sapozhnikov A.A. Iskusstvennyj intellekt na sluzhbe MCHS Rossii // Grazhdanskaya zashchita. 2023. № 5 (573). S. 28–29. Луценко С.Г., Уткин О.В. Цифровые технологии Единой государственной системы предупреждения и ликвидации чрезвычайных ситуаций: анализ решений и перспективы развития // Природные и техногенные риски (физико-математические и прикладные аспекты). 2023. № 3 (47). С. 22–28. DOI: 10.61260/2307-7476-2023-3-22-28. EDN VMMDNC. Lucenko S.G., Utkin O.V. Cifrovye tekhnologii Edinoj gosudarstvennoj sistemy preduprezhdeniya i likvidacii chrezvychajnyh situacij: analiz reshenij i perspektivy razvitiya // Prirodnye i tekhnogennye riski (fiziko-matematicheskie i prikladnye aspekty). 2023. № 3 (47). S. 22–28. DOI: 10.61260/2307-7476-2023-3-22-28. EDN VMMDNC. Machine learning in disaster management: recent developments in methods and applications / Linardos V. [et al.] // Machine Learning and Knowledge Extraction. 2022. Vol. 4. № 2. DOI: 10.3390/make4020020. Machine learning in disaster management: recent developments in methods and applications / Linardos V. [et al.] // Machine Learning and Knowledge Extraction. 2022. Vol. 4. № 2. DOI: 10.3390/make4020020. Клюева И.А. Современные возможности и примеры внедрения машинного обучения // Оригинальные исследования. 2021. Т. 11. № 7. С. 12–32. EDN HBQRYC. Klyueva I.A. Sovremennye vozmozhnosti i primery vnedreniya mashinnogo obucheniya // Original'nye issledovaniya. 2021. T. 11. № 7. S. 12–32. EDN HBQRYC. Huang D., Wang S., Liu Z. A systematic review of prediction methods for emergency management // International Journal of Disaster Risk Reduction. 2021. Vol. 62. P. 102412. DOI: 10.1016/j.ijdrr.2021.102412. Huang D., Wang S., Liu Z. A systematic review of prediction methods for emergency management // International Journal of Disaster Risk Reduction. 2021. Vol. 62. P. 102412. DOI: 10.1016/j.ijdrr.2021.102412. Hancock J.T., Khoshgoftaar T.M. CatBoost for big data: an interdisciplinary review // Journal of Big Data. 2020. Vol. 7. № 1. P. 94. DOI: 10.1186/s40537-020-00369-8. Hancock J.T., Khoshgoftaar T.M. CatBoost for big data: an interdisciplinary review // Journal of Big Data. 2020. Vol. 7. № 1. P. 94. DOI: 10.1186/s40537-020-00369-8. CatBoost model and artificial intelligence techniques for corporate failure prediction / S.B. Jabeur [et al.] // Technological Forecasting and Social Change. 2021. Vol. 166. P. 120658. DOI: 10.1016/j.techfore.2021.120658. CatBoost model and artificial intelligence techniques for corporate failure prediction / S.B. Jabeur [et al.] // Technological Forecasting and Social Change. 2021. Vol. 166. P. 120658. DOI: 10.1016/j.techfore.2021.120658. Comparison of the CatBoost Classifier with other Machine Learning Methods / A.A. Ibrahim [et al.] // International Journal of Advanced Computer Science and Applications. 2020. Vol. 11. № 11. P. 738–748. DOI: 10.14569/IJACSA.2020.0111190. Comparison of the CatBoost Classifier with other Machine Learning Methods / A.A. Ibrahim [et al.] // International Journal of Advanced Computer Science and Applications. 2020. Vol. 11. № 11. P. 738–748. DOI: 10.14569/IJACSA.2020.0111190. Бородушко И.В., Матвеев А.В. Современные тенденции и стратегические цели развития искусственного интеллекта в Российской Федерации // Национальная безопасность и стратегическое планирование. 2024. № 2 (46). С. 66–74. DOI: 10.37468/2307-1400-2024-2-66-74. EDN EFWHYT. Borodushko I.V., Matveev A.V. Sovremennye tendencii i strategicheskie celi razvitiya iskusstvennogo intellekta v Rossijskoj Federacii // Nacional'naya bezopasnost' i strategicheskoe planirovanie. 2024. № 2 (46). S. 66–74. DOI: 10.37468/2307-1400-2024-2-66-74. EDN EFWHYT.