Details

Объектом исследования выступает единая государственная система предупреждения и ликвидации чрезвычайных ситуаций. Предметом исследования является прогнозирование чрезвычайных ситуаций при поддержке принятия управленческих решений. Предметом исследования являются методы искусственного интеллекта в задачах прогнозирования чрезвычайных ситуаций и поддержки принятия управленческих решений. Цель работы — разработка методических рекомендаций по применению технологий искусственного интеллекта для прогнозирования чрезвычайных ситуаций при поддержке принятия управленческих решений в РСЧС. Методология работы включает системный анализ нормативно-правовой базы и организационной структуры РСЧС; сравнительный анализ архитектур моделей машинного обучения; вычислительный эксперимент на открытых гидрологических данных; обобщение результатов в форме методических рекомендаций и функциональной концепции системы поддержки принятия решений. Использованные информационные технологии: Google Colaboratory, Python (библиотеки NeuralForecast, StatsForecast, PyTorch Lightning), датасет CAMELS, Microsoft Excel, Microsoft Word. В результате работы выполнен сравнительный вычислительный эксперимент на пяти конфигурациях прогностических моделей (SARIMA, LSTM, PatchTST, TFT-1, TFT-4) применительно к задаче прогнозирования весеннего половодья. Установлено, что качество гидрологического прогноза определяется составом входных данных в большей мере, чем выбором архитектуры: только многофакторная конфигурация TFT-4, учитывающая осадки, температуру воздуха и запас воды в снежном покрове, преодолела порог пригодности гидрологических моделей (NSE = 0,52). Сформирована сводная таблица соответствия задач РСЧС классам инструментов ИИ, разработаны методические рекомендации по выбору моделей с учётом ресурсных и организационных ограничений ЦУКС территориальных органов МЧС России, обозначена функциональная концепция централизованной СППР с элементами ИИ. Область применения: автоматизированные информационно-управляющие системы РСЧС; ЦУКС территориальных органов МЧС России; учебный процесс по направлению «Техносферная безопасность». Полученные результаты создают методическую основу для дальнейшей разработки прогностических модулей в составе СППР РСЧС и определяют направления последующих исследований: формирование открытого гидрологического датасета на основе данных Росгидромета, обеспечение пространственной переносимости моделей через нормализацию стока по площади водосбора, оценка влияния погрешностей метеорологического прогноза на качество гидрологической модели в условиях, приближенных к оперативной работе.

The object of the research is the unified state system for prevention and response to emergency situations. The subject of the research is the forecasting of emergency situations in support of managerial decision-making. The aim of the thesis is to develop methodological recommendations on the application of artificial intelligence technologies for emergency forecasting and management decision support within the RSChS. The research methodology includes a systemic analysis of the regulatory framework and organisational structure of the RSChS; a comparative analysis of machine learning model architectures; a computational experiment on open hydrological data; and the synthesis of results in the form of methodological recommendations and a functional concept of a decision support system. Information technologies used: Google Colaboratory, Python (NeuralForecast, StatsForecast, PyTorch Lightning libraries), CAMELS dataset, Microsoft Excel, Microsoft Word. As a result of the work, a comparative computational experiment was performed on five configurations of forecasting models (SARIMA, LSTM, PatchTST, TFT-1, TFT-4) applied to the spring flood forecasting task. It was established that the quality of hydrological forecasting is determined by the composition of the input data to a greater extent than by the choice of architecture: only the multi-factor configuration TFT-4, taking into account precipitation, air temperature and snow water equivalent, exceeded the applicability threshold of hydrological models (NSE = 0.52). A summary correspondence table linking RSChS tasks to classes of AI tools has been compiled, methodological recommendations on model selection have been developed taking into account the resource and organisational constraints of regional crisis management centres, and a functional concept of a centralised AI-enabled decision support system has been outlined. Application area: automated information and management systems of the RSChS; regional crisis management centres; educational programmes in the field of technosphere safety. The results obtained provide a methodological basis for the further development of forecasting modules within the RSChS decision support system and define directions for future research: the creation of an open hydrological dataset based on Roshydromet data, ensuring spatial transferability of models through streamflow normalisation by catchment area, and assessment of the impact of meteorological forecast errors on the quality of the hydrological model under conditions close to operational practice.

• Реферат
• Abstract
• Перечень сокращений и обозначений
• Введение
• Глава 1. Теоретические основы применения искусственного интеллекта в РСЧС
  • 1.1. Понятие и задачи РСЧС
    • 1.1.1. Понятие и структура РСЧС
    • 1.1.2. Нормативно-правовая база функционирования РСЧС
    • 1.1.3. Проблемы принятия решений в РСЧС
    • 1.1.4. Роль систем поддержки принятия решений
  • 1.2. Искусственный интеллект: понятие и возможности
    • 1.2.1. Определение и основные направления искусственного интеллекта
    • 1.2.2. Типы задач, решаемых искусственным интеллектом
    • 1.2.3. Ограничения применения искусственного интеллекта
  • 1.3. Задачи РСЧС, где может применяться искусственный интеллект
    • 1.3.1. Мониторинг и обнаружение угроз
    • 1.3.2. Прогнозирование развития ЧС
    • 1.3.3. Поддержка управленческих решений
  • Выводы по 1 главе
• Глава 2. Обзор существующих решений и их применимость
  • 2.1. Обзор инструментов искусственного интеллекта
    • 2.1.1. Статистические модели: принцип работы и область применения
    • 2.1.2. Рекуррентные нейронные сети: архитектура и применение в гидрологии
    • 2.1.3. Трансформерные архитектуры: современный подход к анализу временных рядов
    • 2.1.4. Сравнение подходов: вычислительные требования, интерпретируемость, доступность
  • 2.2. Опыт применения искусственного интеллекта в управлении ЧС
    • 2.2.1. Решения для мониторинга и обнаружения угроз
    • 2.2.2. Решения для оптимизации управленческих решений
  • 2.3. Открытые данные и программные средства для реализации решений с использованием искусственного интеллекта в РСЧС
    • 2.3.1. Обзор открытых датасетов
    • 2.3.2. Open-source фреймворки и их применимость в условиях РСЧС
  • 2.4. Соответствие инструментов искусственного интеллекта задачам РСЧС
    • 2.4.1. Аналитическое сопоставление
    • 2.4.2. Критерии выбора инструментов
  • Выводы по 2 главе
• Глава 3. Практическое применение искусственного интеллекта в задачах РСЧС: экспериментальное сравнение и методические рекомендации
  • 3.1. Методология сравнительного эксперимента
    • 3.1.1. Постановка задачи и обоснование выбора сценария (прогнозирование паводков)
    • 3.1.2. Описание экспериментальных данных: датасет CAMELS, характеристики выборки
    • 3.1.3. Система оценочных метрик
  • 3.2. Реализация и настройка моделей
    • 3.2.1. Конфигурация модели Seasonal AutoRegressive Integrated Moving Average (SARIMA) для прогнозирования уровня реки
    • 3.2.2. Конфигурация модели Long Short-Term Memory (LSTM)
    • 3.2.3. Конфигурация модели Patch-based Time Series Transformer (PatchTST)
    • 3.2.4. Конфигурация модели Temporal Fusion Transformer (TFT)
    • 3.2.5. Условия проведения эксперимента и обеспечение воспроизводимости
  • 3.3. Результаты сравнительного эксперимента
    • 3.3.1. Сводная таблица метрик качества по трём моделям
    • 3.3.2. Анализ результатов: точность прогнозирования, вычислительная стоимость, интерпретируемость
    • 3.3.3. Ограничения эксперимента и возможные направления улучшения
  • 3.4. Методические рекомендации по применению инструментов искусственного интеллекта в РСЧС
    • 3.4.1. Критерии выбора класса модели в зависимости от условий применения
    • 3.4.2. Рекомендации по внедрению на региональном уровне центра управления в кризисных ситуациях
    • 3.4.3. Анализ рисков и ограничений при практическом применении
    • 3.4.4. Концепция централизованной системы поддержки принятия решений с элементами искусственного интеллекта для РСЧС
  • Выводы по 3 главе
• Заключение
• Список использованных источников