ПРОГНОЗИРОВАНИЕ ПОСЛЕДСТВИЙ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ С ПРИМЕНЕНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Во всем мире ежегодно увеличивается число чрезвычайных ситуаций (ЧС) природного и техногенного характера. С целью предупреждения и снижения рисков возникновения ЧС необходимо осуществлять оперативный сбор, обработку и анализ информации о потенциальных источниках ЧС, а также прогнозирование возможного возникновения ЧС и их последствий на основе оперативной и прогностической информации.

Задача прогнозирования ЧС – определение и изучение возможных сценариев развития ЧС, что необходимо для принятия управленческих решений в условиях их возникновения. Каждый сценарий развития ЧС зависит от определенных внешних условий. Существует множество подходов прогнозирования ЧС, в том числе эвристический и математический. При использовании данных методов невозможно прогнозирование качественных изменений состояний исследуемого объекта.

В настоящее время наболее перспективным методом прогнозирования последствий ЧС являются нейросетевые модели. Данные модели дают возможность решать задачи описания изменения состояний объекта в различных условиях: нормальных (штатных), ограничений по ресурсам и в условиях неопределенности. Многослойный перцептрон чаще всего используется для построения нейросетевых моделей. Его обучение производится оптимизационными методами по обучающей выборке, основанных на известных состояниях объекта.

Данный метод позволяет получать прогноз изменения состояния объекта в реальном режиме времени, то есть практически мгновенно. Для эффективного управления в условиях ЧС данный фактор имеет ключевое значение.

Подготовка и анализ первичных данных для формирования обучающей выборки является первым этапом построения нейросети для моделирования ЧС. Обучающая выборка состоит из набора значений входных и выходных переменных, которые характеризуют состояние объекта. При большом объеме информации необходимо правильно выбрать наборы входных и выходных переменных. Входных переменных должно быть достаточно для оценки ситуации, описания динамики изменения состояния объекта и, как следствие, принятия управляющего решения. Среди входных и выходных переменных достаточно выбрать только те, которые оказывают существенное влияние на изменения выходных переменных. При формировании обучающей выборки числовые данные нормируются на диапазон изменения 0≤ Х̅≤1 по формуле:

                                                                                         (1)

Нечисловые данные конвертируются в числовую форму вида (0;1) либо переменные типа: Ответ=(Да; Нет).

Число наблюдений, которые необходимы для определения обучающей выборки, устанавливается опытным путем.

Второй этап построения нейронной сети – выбор её архитектуры, такой как: многослойный перцептрон, сети адаптивного резонанса, сети Кохонена, встречного распространения, рециркуляционные и др.

Одна из возможных архитектур нейросети для прогнозирования состояния объекта представлена на рис 1. В роли входных параметров применяются значения параметра в предыдущие моменты времени [t–n;t], входным (прогнозируемым) параметром является значение параметра Х в момент времени t+1.

Рисунок 1. Архитектура нейросети для прогнозирования параметров объекта в условиях чрезвычайной ситуации.

Третьим этап построения нейросетевой модели является определение структуры нейросети. В перцептроне нейроны упорядочены в слои, при этом элементы каждого такого слоя связанны лишь с нейронами предыдущего слоя.

В случае трехслойного перцептрона минимальное количество нейронов в единственном скрытом слое сети находится по формуле:

 ,                                                                        (2)

где L – число нейронов во входном слое, M – параметр, определяющий размер обучающей выборки. После того как структура нейронной сети определена, необходимо найти значения всех весовых коэффициентов, которые позволят минимизировать ошибку прогноза, выдаваемого нейронной сетью. Это возможно сделать с помощью процедуры её обучения.

На четвертом этапе построения нейросетевой модели ЧС происходит ее обучение. Для нейросети, которая направлена на решение задач прогнозирования параметров и последствий ЧС, наиболее часто применяется алгоритм контролируемого обучения, то есть обучение с учителем. В данном алгоритме веса нейросети изменяются на основе обучающих выборок, содержащих значения входных и выходных (прогнозируемых) параметров.

На пятом, заключительном этапе, проводится тестирование нейросетевой модели ЧС. Для решения этой задачи выстраивается тестовая выборка, которая не применялась в обучении сети. В тестовой выборке должны быть известны значения выходных параметров, которые будут сравниваться со значениями, просчитанными нейронной сетью. Если среднеквадратическое отклонение известных значений будет меньше заданного уровня, то построенную модель можно применять для решения задач прогнозирования параметров и последствий ЧС.