Россия
Россия
Россия
Россия
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.
машинное обучение, моделирование, прогнозирование, оценка качества принятия решений
1. 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.
2. Матвеев А.В., Богданова Е.М. Классификация методов прогнозирования чрезвычайных ситуаций // Национальная безопасность и стратегическое планирование. 2018. № 4 (24). С. 61–70. EDN YTPZYL.
3. Сапожников А.А. Искусственный интеллект на службе МЧС России // Гражданская защита. 2023. № 5 (573). С. 28–29.
4. 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:https://doi.org/10.61260/2307-7476-2023-3-22-28. EDN VMMDNC.
5. 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:https://doi.org/10.3390/make4020020.
6. Клюева И.А. Современные возможности и примеры внедрения машинного обучения // Оригинальные исследования. 2021. Т. 11. № 7. С. 12–32. EDN HBQRYC.
7. 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:https://doi.org/10.1016/j.ijdrr.2021.102412.
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:https://doi.org/10.1186/s40537-020-00369-8.
9. 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:https://doi.org/10.1016/j.techfore.2021.120658.
10. 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:https://doi.org/10.14569/IJACSA.2020.0111190.
11. 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:https://doi.org/10.37468/2307-1400-2024-2-66-74. EDN EFWHYT.
