В статье рассматривается прогнозирование пожаров в Республике Абхазия с использованием современных методов интеллектуального анализа данных и машинного обучения. В начале статьи приводится анализ статистических данных о пожарах в Республике с 2013 года по 2022 год. На графиках представлены данные о частоте и распределении пожаров по времени и территории, материальный ущерб, наносимый пожарами в каждом из районов Республики. Представлены данные о количестве проводимых профилактических мероприятий и количестве гибели людей на пожарах. Анализ позволяет выявить ключевые паттерны и тенденции, которые послужат основой для разработки прогностической модели, позволяющей, в свою очередь, повысить эффективность управления в сфере пожарной безопасности. В следующей части статьи описываются исходные данные задачи о разработке нейронной сети на языке Python, выраженные в требованиях и ограничениях. Архитектура модели, включает входной слой, скрытые слои и выходной слой, отвечающий за прогнозирование количества пожаров и гибель людей в будущем. Для реализации нейронной сети использовались библиотеки Python, такие как xlrd, pandas, numpy, neurolab, Matplotlib и tensorflow. Рассматриваются этапы обучения модели, валидация и тестирование полученных результатов. В заключительной части статьи приводится сравнение полученных результатов разработанной нейронной сети с результатами сетей, доступных в интернете, таких как deepseek и ChatGPT. Показаны сильные и слабые стороны различных моделей, а также потенциальные методы улучшения прогностических способностей. В заключение указывается на важность дальнейших исследований в области интеграции различных источников данных и методов машинного обучения для повышения точности прогнозов и эффективности управления пожарной безопасностью
The article discusses the forecasting of fires in the Republic of Abkhazia using modern methods of data mining and machine learning. The article begins with an analysis of statistical data on fires in the Republic from 2013 to 2022. The graphs show data on the frequency and distribution of fires by time and territory, as well as material damage caused by fires in each of the regions of the Republic. Data on the number of preventive measures carried out and the number of deaths from fires are presented. The analysis makes it possible to identify key patterns and trends that will serve as the basis for the development of a predictive model, which, in turn, will improve the effectiveness of fire safety management. The next part of the article describes the initial data of the task of developing a neural network in Python, expressed in requirements and constraints. The architecture of the model includes an input layer, hidden layers, and an output layer responsible for predicting the number of fires and deaths in the future. Python libraries such as xlrd, pandas, numpy, neurolab, Matplotlib, and tensorflow were used to implement the neural network. The stages of model training, validation and testing of the obtained results are considered. The final part of the article provides a comparison of the results of the developed neural network with the results of networks available on the Internet, such as deepseek and ChatGPT. The strengths and weaknesses of various models are shown, as well as potential methods for improving predictive abilities. In conclusion, it is pointed out the importance of further research in the field of integrating various data sources and machine learning methods to improve the accuracy of forecasts and the effectiveness of fire safety management