Россия
Санкт-Петербургский университет ГПС МЧС России (кафедра пожарной, аварийно-спасательной техникии автомобильного хозяйства, соискатель)
Россия
Санкт-Петербургский политехнический университет Петра Великого (руководитель административного аппарата)
Россия
Статья посвящена критически важной задаче повышения эффективности систем мониторинга и реагирования на чрезвычайные ситуации за счет интеграции и интеллектуального анализа разнородных источников данных. Авторы систематизируют существующие государственные и ведомственные информационные системы МЧС России, выделяя проблему обработки больших массивов неструктурированной информации в условиях дефицита времени. Особое внимание уделяется социальным сетям как крупнейшему источнику оперативных данных, который, однако, характеризуется высоким уровнем информационного шума и низкой достоверностью. В работе обосновывается необходимость применения алгоритмов искусственного интеллекта и машинного обучения для автоматизации процессов верификации, классификации и прогнозирования. Предлагается комплекс принципов обработки первичной информации, включающий оценку достоверности источников, семантический анализ контента, классификацию чрезвычайных ситуаций и статистическое моделирование их развития. Ключевым результатом является методический подход, направленный на создание единой интеллектуальной платформы, способной обеспечить более оперативное и обоснованное принятие решений для служб экстренного реагирования, что в конечном итоге позволит минимизировать ущерб и спасти жизни.
прогнозирование чрезвычайных ситуаций, социальные сети, искусственный интеллект, мониторинг в реальном времени, анализ данных, информационная система МЧС России, обработка больших данных
1. Theoretical basis for designing integrated security systems of potentially hazardous facilities / A.V. Matveev [et al.] // International Journal of Applied Engineering Research. 2017. Т. 12. № 22. С. 12357–12361.
2. Салехан М., Ким Д.Дж. Прогнозирование эффективности онлайн-обзоров потребителей: подход к аналитике Big Data на основе анализа настроений // Поддержка Syst. 2016. С. 30–40.
3. Эльберг М.С. Имитационное моделирование. Красноярск: Сибирский федеральный ун-т, 2017. 128 с.
4. Счастливцев В.А., Билятдинов К.З. Математическая модель центра управления в кризисных ситуациях МЧС России на основе оценки эффективности функционирования и матриц состояния // Сибирский пожарно-спасательный вестник. 2025. № 2 (37). С. 72–79.
5. Счастливцев В.А., Билятдинов К.З. Методика и комплекс алгоритмов совершенствования управления структурными подразделениями центра управления в кризисных ситуациях МЧС России // Сибирский пожарно-спасательный вестник. 2025. № 4 (39). С. 32–41.
6. Николаев Д.В., Вострых А.В., Проценко Т.В. Оценка специализированных программ расчёта безопасности потенциально опасных объектов // Проблемы управления рисками в техносфере. 2020. № 2 (54). С. 11–17.
7. 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 университета Государственной противопожарной службы МЧС России». 2017. № 3. С. 129–135.
8. 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.
9. Метод оценки достоверности количественного анализа риска на объектах нефтегазовой отрасли / А.В. Матвеев [и др.] // Пожаровзрывобезопасность. 2018. Т. 27. № 1. С. 35–49.
10. Винсент П. Обнаружение и отслеживание лесных пожаров в реальном времени с использованием машинного обучения и спутниковых данных // Извлечение знаний и машинное обучение. 2020. Т. 2. № 3. С. 433–446.
11. Pang B. Collecting opinions and analyzing moods // Fundamentals and trends in the search for information. 2008. Vol. 2. № 1. P. 543–561
12. Методика анализа данных о чрезвычайных ситуациях в социальных сетях / А.В. Вострых [и др.] // Современные наукоемкие технологии. 2023. № 6. С. 81–88.
13. TaduResi A. Railway assets: a potential area for big data analysis // Procedia Computer Science. 2015. Vol. 53. P. 457–467.
14. Leontiev A.A. Fundamentals of psycholinguistics // SENSE. 1997. 287 s.
15. Sadegh M. Collecting Opinions and sentiment Analysis // International Journal of Computers and Technologies. 2012. S. 171–178.
16. Маришкина О.А., Счастливцев В.А. Модуль программно-аппаратного комплекса извлечения информации из социальных сетей, для систем поддержки принятия решений, интеллектуального поиска и анализа // Актуальные вопросы современной науки и образования: сб. статей XLII Междунар. науч.-практ. конф. Пенза, 2024. С. 42–44.
17. Вострых А.В., Шуракова Д.Г. Компоненты специальной информационной технологии построения оптимальных маршрутов // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2018): сб. статей VII Междунар. науч.-техн. и науч.-метод. конф.: в 4-х т.; под ред. С.В. Бачевского. 2018. С. 213–218.
18. 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.
19. Крахмальницкая А.А. Психологические аспекты управления сотрудниками в подразделениях МЧС России: вызовы и решения // Материалы Всерос. науч.-практ. конф., посвящ. Дню образования гражданской обороны Российской Федерации. Химки, 2025. С. 284–287.
20. Федорук В.С., Попов П.А., Федотов С.Б. Отчет о научно-практической работе «Основные пути повышения эффективности применения аварийно-спасательных служб при ликвидации чрезвычайных ситуаций» // Стратегия гражданской защиты: проблемы и исследования. 2013. Вып. № 1. Т. 3. С. 213–231.
21. Андреев А.В. Искусственный интеллект и его роль в обработке больших данных // Умная цифровая экономика. 2023. Т. 3. № 1. С. 65–69.
22. Кубанов И.Н., Счастливцев В.А., Пасынков И.В. Прототип программного продукта прогнозирования количества пожаров // Актуальные вопросы современной науки и образования: сб. статей XLII Междунар. науч.-практ. конф. Пенза, 2024. С. 39–41.
23. Карпов Ю. Имитационное моделирование систем. Введение в моделирование с AnyLogic 5. СПб.: БХВ Петербург. 2005. 400 с.
24. Фрэнкс Б. Революция в аналитике. Как в эпоху Big Data улучшить ваш бизнес с помощью операционной аналитики. М.: Техносфера. 2016. 430 с.
25. Онил К. Убийственные большие данные. Как математика превратилась в оружие массового поражения. М.: Издательство АСТ. 2017. 340 с.
26. Коршенко О.П. Безопасность жизнедеятельности в чрезвычайных ситуациях: учеб. пособие для вузов. Владивосток: Дальневосточный федеральный ун-т, 2014. 85 с.
27. Клаус А. Объединение данных для классификации и извлечения объектов. М.: Исследовательский центр виртуальной реальности и визуализации VRVis, 2015. 340 с.
28. Григорьев И. Anylogic за три дня. СПб.: СППУ, 2016. 202 с.
29. Куприяшкин А.Г. Основы моделирования систем. Норильск: НИИ, 2015. 135 с.
30. Барсегян А.А. Методы и модели анализа данных: OLAP и Data Mining. СПб.: БХВ-Петербург, 2004. 336 с.
