Санкт-Петербургский университет ГПС МЧС России (кафедра пожарной, аварийно-спасательной техникии автомобильного хозяйства, соискатель)
Россия
Россия
Представлена оригинальная методика прогнозирования развития происшествий в режиме реального времени на начальной стадии пожара, состоящая из трёх уровней, каждый из которых осуществляет вычисления по определённому направлению. На первом уровне производится оценка степени доверия к информации, публикуемой пользователями анализируемой социальной сети. На втором уровне производится оценка степени доверия к информации, публикуемой сообществам анализируемой социальной сети. Вычисления на первом и втором уровне осуществляются с помощью алгоритма выявления достоверных источников информации о происшествиях, связанных с пожарами. На третьем уровне выполняется анализ текстового контента, который генерируется пользователями и сообществами исследуемой социальной сети. Для этого задействуется алгоритм анализа текстовой информации. Разработанная методика синтезирует вычислительные механизмы алгоритмом, а также прогнозирует динамику развития пожара. Использование предложенного научно средства в работе подразделений МЧС России гипотетически позволит повысить эффективной работы экстренных служб, что сохранит жизнь граждан и минимизирует материальный ущерб.
методика, прогнозирование происшествий, социальные сети, оценка достоверности информации
1. Фрэнкс Б. Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики. М.: Техносфера, 2016. 430 с.
2. Онил К. Убийственные большие данные. Как математика превратилась в оружие массового поражения. М.: Издательство АСТ, 2017. 340 с.
3. Клаус А. Объединение данных для классификации и извлечения объектов. М.: Исследовательский центр виртуальной реальности и визуализации VRVis, 2015. 340 с.
4. Метод оценки достоверности количественного анализа риска на объектах нефтегазовой отрасли / А.В. Матвеев [и др.] // Пожаровзрывобезопасность. 2018. Т. 27. № 1. С. 35–49.
5. Буйневич М.В., Максимов А.В., Пелех М.Т. Принципы информационной поддержки системного проектирования развития сети пожарных депо на территории мегаполиса // Научно-аналитический журнал «Вестник Санкт-Петербургского университетаГосударственной противопожарной службы МЧС России». 2017. № 3. С. 129–135.
6. Крахмальницкая А.А. Психологические аспекты управления сотрудниками в подразделениях МЧС России: вызовы и решения // сб. трудов Всерос. науч.-практ. конф., посвящённой Дню образования гражданской обороны Российской Федерации. Химки, 2025. С. 284–287.
7. Буйневич М.В., Шуракова Д.Г., Вострых А.В. Двухуровневая кластеризация субоптимальных зон прикрытия г. Костромы подразделениями МЧС России при возникновении происшествий // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». 2018. № 2. С. 121–127.
8. Решение задачи выбора оптимального маршрута следования сил и средств подразделений МЧС России к месту возникновения происшествий с помощью алгоритма Дейкстры / М.В. Буйневич [и др.] // Проблемы управления рисками в техносфере. 2018. № 3 (47). С. 68–79.
9. Вострых А.В., Шуракова Д.Г. Компоненты специальной информационной технологии построения оптимальных маршрутов // Актуальные проблемы инфотелекоммуникаций в науке и образовании: сб. статей VII Междунар. науч.-техн. и науч.-метод. конф. 2018. С. 213–218.
10. Theoretical basis for designing integrated security systems of potentially hazardous facilities / A.V. Matveev [et al.] // International Journal of Applied Engineering Research. 2017. Vol. 12. № 22. P. 12357–12361.
11. Вострых А.В. Анализ интерфейсов специализированных мобильных приложений для вызова экстренных служб // Пожарная и техносферная безопасность: проблемы и пути совершенствования. 2021. № 2 (9). С. 78–82.
12. Салехан М., Ким Д.Д. Прогнозирование эффективности онлайн-обзоров потребителей: подход к аналитике Big Data на основе анализа настроений // Поддержка Syst. 2016. С. 30–40.
13. Эльберг М.С., Цыганков Н.С. Имитационное моделирование: учеб. пособие. Красноярск: Сиб. федер. ун-т, 2017. 128 с.
14. Карпов Ю. Имитационное моделирование систем. Введение в моделирование с AnyLogic 5. СПб.: БХВ Петербург, 2005. 400 с.
15. Григорьев И. Anylogic за три дня. СПб.: СППУ, 2016. 202 с.
16. Куприяшкин А.Г. Основы моделирования систем. Норильск: НИИ, 2015. 135 с.
17. Барсегян А.А. Методы и модели анализа данных: OLAP и Data Mining. СПб.: БХВ-Петербург, 2004. 336 с.
18. Rabinovich A.E. Application of Big Data technology in the field of railway communication // OResiginal research. 2021. Vol. 11. P. 155–161.
19. TaduResi A. Railway assets: a potential area for big data analysis // Procedia Computer Science. 2015. Vol. 53. P. 457–467.
20. Eremenko K. Working with data in any field. How to reach a new level using analytics. M.: Alpina Publisher, 2019. 304 p.
21. Stevens-Davidovits S. Everyone lies. Search engines, big data and the Internet know everything about you. M.: Eksmo, 2018. 384 p.
22. Gudovskikh D.V. Analysis of emotivity of texts based on psycholinguistic markers with determination of morphological properties // Bulletin of the Vsu. seResies: linguistics and intercultural communication. 2015. № 3. P. 92–97
23. Pang B. Collecting opinions and analyzing moods // Fundamentals and trends in the search for information. 2008. Vol. 2. № 1/2. P. 543–561
24. Leontiev A.A. Fundamentals of psycholinguistics. SENSE. 1997. 287 p.
25. Sadegh M. Collecting Opinions and sentiment Analysis // In: International Journal of Computers and Technologies. 2012. P. 171–178.
