г. Санкт-Петербург и Ленинградская область, Россия
с 01.01.2013 по настоящее время
Россия
УДК 614.849 Прочие вопросы, касающиеся пожарной охраны
УДК 004.021 Алгоритмы
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.
интеллектуальная поддержка принятия решений, алгоритм, лесные пожары, машинное обучение, нечеткая логика
1. Clinical Decision Support Systems for Triage in the Emergency Department using Intelligent Systems: a Review / M. Fernandes [et al.] // Artificial intelligence in medicine. 2020. Vol. 102. P. 101762. DOI:https://doi.org/10.1016/j.artmed.2019.101762.
2. Bistron M., Piotrowski Z. Artificial intelligence applications in military systems and their influence on sense of security of citizens // Electronics. 2021. Vol. 10. № 7. P. 871. DOI:https://doi.org/10.3390/electronics10070871.
3. Application of computational intelligence technologies in emergency management: a literature review / N. Chen [et al.] // Artificial Intelligence Review. 2019. Vol. 52. P. 2131–2168. DOI:https://doi.org/10.1007/s10462-017-9589-8.
4. Applications of artificial intelligence and machine learning in disasters and public health emergencies / S. Lu [et al.] // Disaster medicine and public health preparedness. 2022. Vol. 16. № 4. P. 1674–1681. DOI:https://doi.org/10.1017/dmp.2021.125.
5. Freeman S. Artificial intelligence for emergency management // Artificial Intelligence and Machine Learning for Multi-Domain Operations Applications II. 2020. Vol. 11413. P. 393–400. DOI:https://doi.org/10.1117/12.2561636.
6. Медведев Д.В. Модель прогнозирования лесных пожаров на основе нейро-нечеткой системы ANFIS // Науч.-аналит. журн. «Вестник С.-Петерб. ун-та ГПС МЧС России». 2023. № 4. С. 185–198. DOI:https://doi.org/10.61260/2218-130X-2024-2023-4-185-198.
7. Обработка информации для системы поддержки принятия решений при противопожарном мониторинге лесных массивов / А.А. Сорокин [и др.] // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. 2023. Т. 23, № 1. С. 126–138. DOI:https://doi.org/10.18500/1816-9791-2023-23-1-126-138.
8. Медведев Д.В., Матвеев А.В., Смирнов А.С. Применение модели логистической регрессии при принятии решений по определению количества привлекаемых сил на ликвидацию лесных пожаров // Пожаровзрывобезопасность. 2024. Т. 33. № 4. С. 84–96. DOI:https://doi.org/10.22227/0869-7493.2024.33.04.84-96.
9. Дородных Н.О., Николайчук О.А., Юрин А.Ю. Создание прототипов прецедентых баз знаний на основе трансформации таблиц решений для прогнозирования риска лесных пожаров // КИИ-2022: сб. трудов XX Нац. конф. по искусственному интеллекту с междунар. участием. М.: Национальный исследовательский университет «МЭИ», 2022. С. 141–151.
10. Матвеев А.В., Богданова Е.М. Классификация методов прогнозирования чрезвычайных ситуаций // Национальная безопасность и стратегическое планирование. 2018. № 4 (24). С. 61–70.
11. Yang Y., Morillo I.G., Hospedales T.M. Deep neural decision trees // arXiv preprint arXiv: 1806.06988. 2018. DOI:https://doi.org/10.48550/arXiv.1806.06988.
12. Deep neural decision forests / P. Kontschieder [et al.] // Proceedings of the IEEE international conference on computer vision. 2015. P. 1467–1475.
13. A knowledge-driven fuzzy logic framework for supporting decision-making entities / D. Muñoz-Valero [et al.] // Applied Soft Computing. 2025. P. 113415. DOI:https://doi.org/10.1016/j.asoc.2025.113415.
14. Максимов А. В. Методы поддержки принятия решений в оперативном управлении при чрезвычайных ситуациях: обзор исследований // Национальная безопасность и стратегическое планирование. 2023. № 2 (42). С. 91–102. DOI:https://doi.org/10.37468/2307-1400-2023-2-91-102.
15. Conceptual Framework of an Intelligent Decision Support System for Smart City Disaster Management / D. Jung [et al.] // Applied Sciences. 2020. Vol. 10. № 2. P. 666. DOI:https://doi.org/10.3390/app10020666.
16. Bot K., Borges J.G. A Systematic Review of Applications of Machine Learning Techniques for Wildfire Management Decision Support // Inventions. 2022. Vol. 7. № 1. P. 15. DOI:https://doi.org/10.3390/inventions7010015.
17. Abid F. A Survey of Machine Learning Algorithms Based Forest Fires Prediction and Detection Systems // Fire technology. 2021. Vol. 57. № 2. P. 559–590. DOI:https://doi.org/10.1007/s10694-020-01056-z.
18. A Brief Review of Machine Learning Algorithms in Forest Fires Science / R. Alkhatib [et al.] // Applied Sciences. 2023. Vol. 13. № 14. P. 8275. DOI:https://doi.org/10.3390/app13148275.
