УДК 614.849 Прочие вопросы, касающиеся пожарной охраны
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
ликвидация пожара, пожарно-тактические характеристики, метод главных компонент, градиентный бустинг
1. Шемелова О.В. Метод "Дерева решений" при решении задач теории вероятностей// Евразийское Научное Объединение. 2021. No 12-1 (82). С. 43-45. EDN: https://elibrary.ru/INSOCX
2. Мефтахетдинова Д.Р., Магеррамов З.Т. Анализ дерева решений и логистический регрессионный анализ как аналитические методы системы поддержки принятия решений// Sciences of Europe. 2023. No 112 (112). С. 69-73. EDN: https://elibrary.ru/DITMUV
3. Анастасиади Д. Е., Верещагин А.А., Пятаков М.А. Машинное обучение и его применение в различных областях, включая медицину, финансы и производство // Научный аспект. 2024. Т. 46. No4. С. 6166 -6174. EDN: https://elibrary.ru/EKASDD
4. Коновалов Г.Г. применение машинного обучения для оптимизации запросов в системах управления базами данных // Международный журнал гуманитарных и естественных наук. 2023. No 10-2 (85). - С. 58-61. EDN: https://elibrary.ru/NHOWYU
5. Салтанаева Е.А., Шакиров А.А., Гимаева А.Р. Сравнение традиционных методов машинного обучения и глубокого обучения// Научно-технический вестник Поволжья. 2023. No 12. С. 379-381. EDN: https://elibrary.ru/EQNUHN
6. Салимгареева Д.А. Метод главных компонент// NovaInfo.Ru. 2017. Т. 3. No 58. С. 5-9. EDN: https://elibrary.ru/XRETLZ
7. Фомина Е.Е. Применение категориального метода главных компонент в прикладных социологических исследованиях// Russian Economic Bulletin. 2022. Т. 5. No 1. С. 18-25. EDN: https://elibrary.ru/DCAJQS
8. Картер Д. Искусственный интеллект. Машинное обучение / Д. Картер. - Москва: "Автор" 2024. 268 с.
9. Борисова Л.Р. Анализ продолжительности жизни в регионах Российской Федерации по методам машинного обучения и регрессионному анализу// Современная математика и концепции инновационного математического образования. 2021. Т. 8. No 1. С. 224-230. EDN: https://elibrary.ru/GKLHZL
