Россия
Рассматривается применение методики обработки и интеллектуальной группировки мультимодальных данных, связанных с деструктивным поведением в сети Интернет. Особое внимание уделяется автоматизированной обработке разнородных данных, включая текстовые данные, фото и видео изображения с последующей их классификацией и группировкой на основе методов машинного обучения. Целью данного исследования является разработка методики обработки и интеллектуальной группировки для выявления деструктивного поведения. Методика включает этапы предварительной очистки и нормализации данных, извлечения ключевых признаков с помощью обработки естественного языка и компьютерного зрения. Особенностью подхода является комплексное применение методов обработки мультимодальных данных и их группировка по совокупному контексту, а не только по отдельным признакам. Результатом обработки является структурированное представление данных для дальнейшего анализа и принятия решений. Методика апробирована на реальных данных из социальных сетей. Применение данного подхода позволяет адаптировать обработку больших объемов разнородных данных из сети Интернет и повысить качество их группировки для задач мониторинга и рекомендаций принятия решений.
интеллектуальная группировка, обработка данных, мультимодальные данные, деструктивное поведение, социальные сети, NLP, CV
1. EN 54-7:1994. Системы пожарной сигнализации. Часть 7: Дымовые пожарные извещатели; точечные извещатели по принципу контроля рассеянного и проходящего света или ионизационные. URL: https://ru-bezh.ru/uploads/instrukcii/en54/EN%2054-7.pdf (дата обращения: 11.12.2024).
2. ГОСТ Р 53325–2012. Техника пожарная. Технические средства пожарной автоматики. Общие технические требования и методы испытаний. URL: https://docs.cntd.ru/document/1200102066 (дата обращения: 11.12.2024).
3. ГОСТ 34698–2020. Извещатели пожарные. Общие технические требования. Методы испытаний. Доступ из информ.-правового портала «Гарант».
4. Fire Alarm System Market, Share & Growth Analysis Report, 2033. URL: https://www.valuemarketresearch.com/report/fire-alarm-system-market (дата обращения: 11.12.2024).
5. Пожары и пожарная безопасность в 2023 году: информ.-аналит. сб. / В.С. Гончаренко [и др.]. Балашиха: ВНИИПО МЧС России, 2024. 110 с.
6. Танклевский Л.Т., Бабиков И.А., Танклевский А.Л. Об оценке достоверности обнаружения возгорания // Проблемы управления рисками в техносфере. 2021. № 3 (59). С. 28–33. EDN JVMNBY.
7. Пиреева В.С., Рахматуллина Э.Ф., Пермяков А.В. Влияние концентрации дымовых частиц на обнаружение возгорания // Технические и технологические системы: материалы XV Междунар. науч. конф. «ТТС-24». Краснодар, 2024. С. 150–153.
8. Chitram S., Kumar S., Thenmalar S. Enhancing fire and smoke detection using deep learning techniques // Engineering Proceedings. 2024. Т. 62. № 1. С. 7. DOI:https://doi.org/10.3390/engproc2024062007.
9. Predicting Fire Alarms in Smoke Detection using Neural Networks / M.W. Attia [et al.] // International Journal of Academic Information Systems Research (IJAISR). 2023. Vol. 7. № 10. P. 26–33.
10. Review Study on Recent Developments in Fire Sensing Methods / S. Sulthana [et al.] // IEEE Access. 2023. Vol. 11. P. 90269–90282. DOI:https://doi.org/10.1109/ACCESS.2023.3306812.
11. Катникова Ю.С., Борисенко М.Е., Любская О.Г. Обзор датчиков пожарной сигнализации // Universum: технические науки. 2021. № 4–1 (85). С. 10–12.
12. Рашоян И.И. Анализ эффективности работы точечных дымовых пожарных извещателей // Символ науки. 2015. № 9–1. С. 111–114.
13. Капуста Н.К., Звягинцев В.В. Исследование работоспособности популярных моделей дымовых оптико-электронных пожарных извещателей // Безопасность-2021: сб. трудов Всерос. науч.-практ. конф. Чита, 2021. С. 112–116.
14. A capacitive particle-analyzing smoke detector for very early fire detection / B. Wang [et al.] // Sensors. 2024. Т. 24. № 5. С. 1692. DOI:https://doi.org/10.3390/s24051692.
15. Повышение эффективности работы современных точечных оптических дымовых извещателей / А.И. Кицак [и др.] // Bezpieczenstwo i Technika Pozarnicza. 2014. Т. 36. № 4. С. 125–130. DOI:https://doi.org/10.12845/bitp.36.4.2014.13
