Работа посвящена повышению эффективности оперативного реагирования подразделений пожарной охраны на чрезвычайные ситуации путем оптимизации процесса определения необходимых ресурсов. Авторами поставлена задача формализации данного процесса как задачи регрессии в машинном обучении, где по характеристикам объекта (пожарно-тактическим и специфическим признакам инцидента) необходимо спрогнозировать количественные параметры сил и средств: количество звеньев ГДЗС, ГДЗ, личного состава, подразделений и пожарных автомобилей.Для решения задачи предложен модифицированный двухэтапный алгоритм на основе градиентного бустинга. На первом этапе для снижения размерности факторного пространства и учета 12 разнородных пожарно-тактических характеристик объекта вводится интегральный показатель, веса для которого рассчитываются с использованием метода главных компонент. На втором этапе реализуется алгоритм градиентного бустинга, где в качестве слабых предсказателей используются решающие деревья заданной глубины, обеспечивающей учет всех признаков. Модель обучена и протестирована на выборке из 1507 сценариев. Качество прогноза оценено по средней абсолютной ошибке (MAE). Наилучшие результаты достигнуты для предсказания количества пожарных автомобилей и ГДЗ (ошибка 3-14% от среднего значения), для других ресурсов ошибка составила 20-30%. Разработанный подход позволяет автоматизировать и ускорить принятие решений при ликвидации пожаров, что в перспективе снизит временные и материальные потери
This paper aims to improve the efficiency of fire departments' emergency response by optimizing the process of determining the required resources. The authors set the objective of formalizing this process as a regression problem in machine learning. Using facility characteristics (fire-tactical and incident-specific features), they must predict the quantitative parameters of forces and resources, including the number of firefighting and fire protection units, personnel, units, and fire trucks. For solvation of this problem the authors proposed a modified two-stage algorithm based on gradient boosting. In the first stage, an integral indicator introduced to reduce the dimensionality of the factor space and account for 12 heterogeneous fire-tactical characteristics of the facility. The weights for this indicator were calculated using the principal component analysis. In the second stage, a gradient boosting algorithm was implemented, using decision trees of a specified depth, ensuring that all features are taken into account, as weak predictors. The model was trained and tested on a sample of 1,507 scenarios. The forecast quality was assessed using the mean absolute error (MAE). The best results were achieved for predicting the number of fire trucks and GSP (errors of 3-14% of the average value); for other resources, the error was 20-30%. The developed approach enables automation and acceleration of decision-making during fire suppression, which will ultimately reduce time and material losses