CC BY
28УДК 614.838.1 DOI 10.25257/FE.2021.3.75-81
КАДИЕВ Шамиль Кудрудинович Академия ГПС МЧС России, Москва, Россия E-mail\ kadiev_s@inbox.ru
ХАБИБУЛИН Ренат Шамильевич Кандидат технических наук Академия ГПС МЧС России, Москва, Россия E-mail\ kh-r@yandex.ru
АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ АНТИКРИЗИСНОГО УПРАВЛЕНИЯ ПРИ ПОЛУЧЕНИИ СИГНАЛАОЧРЕЗВЫЧАЙНОЙ СИТУАЦИИ
В статье проведён анализ предметной области антикризисного управления при получении сигнала о чрезвычайной ситуации в центре управления в кризисных ситуациях (ЦУКС). Сформированы основные этапы построения онтологии рассматриваемой предметной области, декомпозированы и идентифицированы экземпляры онтологической модели, определён набор свойств-связей компонентов, представлена блок-схема модели.
Ключевые слова: чрезвычайная ситуация, онтологическая модель, семантическая модель, функциональное моделирование, антикризисное управление.
Своевременное реагирование и ликвидация чрезвычайной ситуации (ЧС) является актуальной задачей в рамках совершенствования управления в структуре МЧС России. Высокая потребность в быстром создании и развитии цифровых продуктов, управлении цифровыми услугами требуют переосмысления подходов к организационно-функциональным структурам органов государственного управления. Стремительное развитие института искусственного интеллекта неизбежно ведёт к процессам цифровой трансформации, в том числе в сфере реагирования на ЧС. Для разработки полезных продуктов совершенствования исследуемой области целесообразно формализовать процесс реагирования на ЧС.
С 2016 по 2020 гг. на территории Российской Федерации произошло 1 334 ЧС [1] (рис. 1). Несмотря на то, что анализ данных не показывает явный рост, необходимы меры по снижению количества ЧС, в том числе в области принятия управленческих решений по ликвидации ЧС с использованием цифровых технологий.
Ликвидация ЧС, включая этапы реагирования и определения сил и средств, является сложной управленческой задачей, проблемы которой состоят в выборе из множества возможных решений, оптимизации количества поступающей информации, необходимости оперативного реагирования. К ним добавляются задачи сбора, накопления и использования знаний опытных руководителей. Эффективность указанных процессов возможно повысить путём разработки и внедрения новых информационных технологий, включая элементы искусственного интеллекта.
Решению этих задач посвящено значительное количество отечественных и зарубежных публикаций, в том числе [2-7]. Представим краткий обзор этих исследований.
В работе [2] излагается комплексный подход, предполагающий разработку отдельных онтологий, объединений этих онтологий в систему с дальнейшим их использованием в качестве ядра систем поддержки принятия решений. Автором также изложен подход к разработке онтологической модели знаний о тактике тушения лесных пожаров. Следуют выводы, что для повышения эффективности принятия решения в условиях ЧС, а также сохранения интеллектуального капитала специалистов, перспективным будет использование онтологического подхода для создания систем с искусственным интеллектом.
В публикации [3] решаются вопросы адаптивного распределения информации при реагировании на ЧС. Распределение информации методом, предложенным автором, сокращает время реагирования, вместе с тем упрощается документооборот между реагирующими подразделениями.
Автор работы [4] исследует методологию построения систем поддержки принятия решений (СППР) при ЧС с использованием онтологии предметной области. Для решения задачи разработки СППР при ликвидации ЧС определена структура данных, причинно-следственные связи (ПСС), описывающие каузальные зависимости между событиями, процессами и атрибутами, характеризующими оперативную обстановку на пожаре или ЧС.
В статье [5] предложена методология разработки онтологической модели в предметной области ликвидации последствий ЧС природного характера. Автором проведён анализ работ и составлена классификация онтологий. Процесс разработки онтологии разделён на 4 этапа: спецификация, концептуализация, формализация и практическая реализация.
В исследовании [6] определены требования к созданию баз знаний для систем поддержки принятия
© Кадиев Ш. К., Хабибулин Р. Ш., 2021
75
900
800
788
700
613
600
556
500
400
300
200
100
0
299
717
331 326
2016
2017
2018 Год
а (а)
2019
2020
140 000 120 000 100 000 80 000 60 000 40 000 20 000 0
130 589
38 582
2016
36 402
5 342
2017
17 983
14 567
14 707
6 257
2018 Год
2019
2 627 2020
б (Ь)
Рисунок 1. Данные по ЧС на территории РФ за период с 2016 по 2020 гг.: а-количествоЧС ипогибшихнаних ; б -пострадавшие^ испасённые I Figure 1. Data on disasters in Russia forthe period 2016-2020: a - data on the number of disasters and fatalities : b - data on the affectedB and rescued people
решений, предложена онтологическая модель, основным отличием которой является возможность описания широкого спектра объектов. С помощью теоретико-множественного описания объектов представленной онтологической модели рассмотрены наиболее актуальные для антикризисного управления задачи поиска знаний для принятия решения.
В работе [7] представлен обзор существующих инструментариев построения онтологий знаний, а также подход к построению онтологий деятельности предприятий, использующих знания различных областей для ситуационного управления предприятиями в реальном времени. В обзоре автор приводит методы и средства построения онтологий, языки представления,
программные средства для работы с онтологиями, проблемы интеграции знаний.
Анализ публикаций приводит к выводу о недостатке исследований в области совершенствования системы реагирования на ЧС путём формализации этапов получения сигнала о ЧС, классификации ЧС для определения необходимых сил и средств для их ликвидации. При этом разработка онтологических моделей является одним из эффективных инструментов для анализа указанных процессов [8].
Для построения семантики предметной области существует значительное число инструмен-тариев и языков представления онтологий. Помимо
различных инструментариев выделяют три наиболее распространённых метода построения онтологии.
1. Фреймовый метод. Фрейм - объект или явление, обладающее таким свойством, что удаление его части приведёт к потере свойств, определяющих суть объекта или явления. Сам фрейм служит для представления знания и обозначения структуры знаний.
2. Метод продукционных правил. Этот метод применяется в системах поддержки принятия решений в сложной информационной среде, основное правило представления знаний описывается как структура «Если-То».
3. Семантические сети. Форма концептуализации знаний, при которой сети состоят из узлов, выражающих понятия, и связей, которые описывают взаимоотношения между этими узлами.
Основные характеристики и преимущества наиболее известных программных продуктов для составления онтологии представлены в таблице.
Исходя из проведённого анализа программных средств можно сделать вывод, что на данный момент программное обеспечение Protege является наиболее эффективной инструментальной средой составления онтологий предметной области.
Программы для составления онтологии Programmes for ontology building
Название Разработчик Архитектура Удобство интерфейса Обеспечение графическими средствами редактирования Поддержка в написании
Ontollngua KSL (Knowledge Systems Laboratory) Стенфордского университета Клиент-серверная архитектура + - -
Protégé Стенфордский университет Трёхуровневая структура (хранение онтологий, модуля приложений, баз данных) + + +
OntoEdit AIFB (Institute of Applied Informatics and Formal Description Methods) Университета Karlsruhe Трёхуровневая структура (хранение онтологий, модуля приложений, баз данных) - - +
OilEd Манчестерский университет Трёхуровневая структура (хранение онтологий, модуля приложений, баз данных) - - +
WebOnto - Клиент-серверная архитектура + + +
KADS22 - Клиент-серверная архитектура - - +
Для рассматриваемой предметной области «Деятельность ЦУКС при получении сигнала о ЧС» была определена последовательность построения онтологической модели, которая состоит из пяти этапов:
1) декомпозиция (выделение сущностей, участвующих в модели);
2) идентификация (создание индивидуальных сущностей);
3) классификация (создание классов сущностей, включение сущностей в классы);
4) описание свойств (определение способов выражения сведений о характеристиках и отношениях сущностей);
5) значения, связи (присвоения значение свойствам, создание связей).
Для разработки онтологии предметной области, с точки зрения её декомпозиции, создана функциональная модель процесса получения сигнала о ЧС по стандарту IDEF0 [9] (рис. 2).
Из функциональной модели выделены экземпляры (объекты модели), которым присвоены уникальные идентификаторы:
1) начальник ЦУКС - А1;
2) автоматизированное рабочее место (АРМ) «Старший оперативный дежурный» - А2;
3) АРМ «Начальник дежурной службы» - А3;
4) АРМ «Специалист по применению сил и средств» - А4;
5) АРМ «Специалист по мониторингу и прогнозированию» - А5;
6) информационная система «Система-112» - В1;
7) автоматизированная система обеспечения диспетчерским управлением (АСОДУ) «АРМ Диспетчер» - В2;
8) автоматизированная информационно-управляющая система «АИУС РСЧС» - В3;
9) ИС мониторинга - В4;
10) обработка сообщения о ЧС - С1;
11) отправка сил и средств к месту вызова - С2;
12) взаимодействие по линии РСЧС - С3;
13) контроль за проведением аварийно-спасательных и других неотложных работ - С4;
14) отработка документов по реагированию на ЧС - С5;
15) анализ реагирования на ЧС - С6.
В рамках третьего этапа составления модели определены классы:
- класс А - специалист оперативно-дежурной службы;
- класс В - информационные системы;
- класс С - этапы реагирования на ЧС.
Должностные инструкции специалиста Должностные инструкции
Рисунок 2. Функциональная модель деятельности ЦУКС при получении сигнала о ЧС Figure 2. Functional model of Crisis Management Center performance on receiving a signal about an emergency
Начальник ЦУКС Использует Автоматизированная информационно-управляющая Для выполнения функции Анализ реагирования на ЧС
sie1 , Информационная система «Система-112»
Для выполнения44*» Взаимодействие по линии РСЧС
АРМ «Старший оперативный дежурный»
Автоматизированная информационно-управляющая система «РСЧС» Информационная система «Система-112» функции^^^* Анализ реагирования на ЧС
сР / Отправка сил и средств к месту вызова
АРМ «Начальник дежурной смены» Автоматизированная система обеспечения диспетчерским управлением «АРМ Диспетчер» Автоматизированная информационно-управляющая система «РСЧС» Взаимодействие по линии РСЧС
Для выполнения / функции
Отработка документов по реагированию на ЧС
Информационная система «Система-112» Отработка сообщения о ЧС
АРМ «Специалист по применению сил и средств» / W/ Автоматизированная система обеспечения диспетчерским управлением «АРМ Диспетчер» Отправка сил и средств к месту вызова
Для выполнения / функции Взаимодействие по линии РСЧС
\
Автоматизированная информационно-управляющая система «РСЧС» Отработка документов по реагированию на ЧС
Для выполнения
АРМ «Специалист по мониторингу и прогнозированию» Использует ИС Мониторинга функции _ Анализ реагирования на ЧС
Рисунок 3. Графическое представление онтологической модели «Деятельность ЦУКС при получении сигнала о ЧС» Figure 3. Graphical representation ofthe ontologlcal model «Crisis Management Center performance on receiving a signal aboutan emergency»
Формируется классификация для объектов в виде кортежа:
1) экземпляры А1-5 относятся к классу А, < А1,
A2, Aз, A4, а5 > 6 А;
2) экземпляры В1-4, < В1, В2, В3, В4 > 6 В;
3) экземпляры С1-6 < С1, С2, С3, С4, С5, С6 > 6 С.
Определяется набор свойств, связей и ограничений, которые необходимы для описания взаимодействия экземпляров (названия свойств-связей выделены):
- А1 относится к классу А, использует В3 для выполнения функции С6;
- А2 относится к классу А, использует В1, В3, для выполнения функции С3, С6;
- А3 относится к классу А, использует В1, В2, В3, для выполнения функций С2, С3, С5;
- А4 относится к классу А, использует В1, В2, В3, для выполнения функций С1, С2, С3, С5;
- А5 относится к классу А, использует В4, для выполнения функций С6.
- «использует» относится к классу А, а его значениями являются объекты класса В;
- «для выполнения функций» относится к классу В, а его значениями являются объекты класса С.
На рисунке 3 показано графическое представление разрабатываемой онтологической модели. Онтологическая модель предметной области поможет определиться с параметрами, необходимыми для классификации ЧС. В настоящее время существует классификация ЧС, утверждённая Постановлением Правительства Российской Федерации от 21 мая 2007 г. № 304 «О классификации
чрезвычайных ситуаций природного и техногенного характера», однако практического значения для реагирующих подразделений она не несёт. Разработка модели классификации ЧС техногенного характера с помощью методов машинного обучения [10] является предметом дальнейшего исследования. Анализ публикаций [11-14] показал, что применение методов машинного обучения позволит разработать модель классификации ЧС.
ВЫВОДЫ
Анализ работ, посвященных совершенствованию деятельности антикризисного управления, осветил проблематику процедуры формализации моделирования процессов реагирования при получении сигнала о ЧС. Использование онтологической модели позволит повторить ключевые аспекты предметной деятельности, применяя стандартные элементы модели (объекты, отношения, связи, ограничения и др.).
В работе показаны этапы подготовки к составлению модели: от декомпозиции (выделения сущностей) до присвоения значения свойствам, созданию связей. В рамках разработки онтологической модели присвоены идентификационные номера каждому из экземпляров модели, определены характеристики и ограничения для каждого из экземпляра. В ходе дальнейшей работы планируется на основе разработанной онтологии сформулировать и реализовать модель классификации ЧС для совершенствования антикризисного управления при реагировании на ЧС техногенного характера.
ЛИТЕРАТУРА
1. Государственный доклад о состоянии защиты населения и территорий РФ от чрезвычайных ситуаций природного и техногенного характера в 2019 году. М.: МЧС России; ВНИИ ГОЧС (ФЦ), 2020. 259 с.
2. Лоцкина Я. Г. Онтологический подход к разработке интеллектуального ядра системы поддержки принятия решений в условиях чрезвычайной ситуации // Вестник НТУ «XIII». 2014. № 61(1103). C. 113-124.
3. Netten N., Bruinsma G., van Someren M., de Hoog R. Task-Adaptive Information Distribution for Dynamic Collaborative Emergency Response // International Journal of Intelligent Control and Systems. 2006. Vol. 11. No. 3. Pp. 238-247.
4. Абрамов А. П., Мешалкин Е. А., Олейников В. Т. Автоматизация планирования боевых действий при чрезвычайной ситуации на основе онтологии предметной области // Комплексная безопасность России -исследования, управления, опыт: сборник материалов. М.: НИЦ ВНИИ ГОЧС (ФЦ), 2004. С. 59-63.
5. Ляшенко Е. Н. Онтологическая модель представления знаний в интеллектуальной системе управления процессами ликвидации последствий чрезвычайных ситуаций природного характера // Вестник ХНТУ. 2017. № 2(61). С. 218-227.
6. Еременко Т. К., Пилипенко Ю. Г. Онтологическая модель ситуаций для баз знаний систем поддержки принятия решения // Математические системы и машины. 2010. № 3. С. 69-75.
7. Скобелев П. О. Онтологии деятельности для ситуационного управления предприятиями в реальном времени // Онтологии проектирования. 2012. № 1(3). С. 6-38.
8. Gruber T. Toward Principles for the Design of Ontologies Used for Knowledge Sharing / T. Gruber // IJHCS. 1994. Vol. 43. No. 5/6. Pp. 907-928.
9. Р 50.1.028-2001 Информационные технологии поддержки жизненного цикла продукции. Методология функционального моделирования [Электронный ресурс] // Рекомендации по стандартизации. Режим доступа: https://docs.cntd.ru/ document/1200028629 (дата обращения 01.09.2021).
10. Кадиев Ш. К., Хабибулин Р. Ш. Применение методов машинного обучения для классификации чрезвычайных ситуаций природного и техногенного характера // Материалы XXI-й международной конференции «Информатика: проблемы, методы, технологии». Воронеж.: Воронежский государственный университет, 2021. С. 1402-1407.
11. Корноушенко Е. К. Алгоритм классификации путём парного сравнения признаков // Автоматика и телемеханика. 2017. № 11. С. 151-166.
12. Орлов А. И. Математические методы теории классификации // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ). 2014. № 95 (01). C. 1-37.
13. Паутов К. Г., Попов Ф. А. Информационная система анализа и тематической классификации веб-страниц на основе методов машинного обучения // Современные проблемы науки и образования. 2012. № 6. С. 66.
14. Кравцова Н. Е., Преображенский А. П. О решении задач классификации в методах машинного обучения // Вестник Воронежского института высоких технологий. 2018. № 3 (26). C. 116-118.
Материал поступил в редакцию 23 июля 2021 года.
Shamil KADIEV
State Fire Academy of EMERCOM of Russia, Moscow, Russia E-mail\ kadiev_s@inbox.ru
Renat KHABIBULLIN
PhD in Engineering
State Fire Academy of EMERCOM of Russia, Moscow, Russia E-mail\ kh-r@yandex.ru
ANALYSIS OF THE SUBJECT AREA OF CRISIS MANAGEMENT ON RECEIVING A SIGNAL ABOUT AN EMERGENCY
ABSTRACT
Purpose. The article analyzes crisis management subject area on receiving a signal about an emergency in crisis management center (CMC). Statistical data on emergencies for the period 2016-2020 have been provided.
A review and analysis of Russian and foreign research works in the field of development and application of information technology during disaster response stage have been carried out. Based on the results of the analysis, the task to formalize a disaster response stage by crisis management, develop the model of emergency classification using machine learning methods has been set.
The functional model of the subject area "Crisis Management Center performance on receiving a signal about an emergency" has been presented. The main stages of ontology creation of the considered subject area have been formed, instances of the ontological model have been decomposed and identified, a set of properties-relations of the components has been defined, a flow chart of the model has been presented.
Methods. To formalize the disaster response process by crisis management the authors of the article have used the method of functional simulation.
In order to compile the semantics of the subject area three main methods of ontology building have
been defined: frame method, production rule method, semantic networks.
Findings. To formalize the process of making management decisions by crisis managers the functional model according to the IDEF0 standard has been developed. The composition order of ontological model "Crisis Management Center performance on receiving a signal about an emergency" has been determined, the main components and properties-relations have been identified.
Research application field. The obtained results will make it possible to formalize the considered process of making decisions by crisis managers, identify patterns and define areas requiring development in disaster response management support system.
Conclusions. In the course of further work, it is planned to compile an emergency database, develop the emergency classification model in order to improve emergency management when responding to man-made disasters.
Key words: emergency, ontological model, semantic model, functional simulation, crisis management.
REFERENCES
1. State report on the state of protection of the population and territories of the Russian Federation from natural and man-made emergencies in 2019. Moscow, EMERCOM of Russia, All-Russian Research Institute for Civil Defense and Emergency Situations of EMERCOM of Russia (Federal Center for Science and High Technologies). 2020. 259 p. (in Russ.).
2. Lotskina Ya.G. Ontological approach to the development of the intellectual core of the decision support system in an emergency situation. Vestnik Natsionalnogo tekhnicheskogo universiteta "Kharkovskii politekhnicheskii institute" (Bulletin of the National Technical University "Kharkiv Polytechnic Institute"). 2014, no. 61(1103), pp. 113-124 (in Russ.).
3. Netten N., Bruinsma G., van Someren M., de Hoog R. Task-Adaptive Information Distribution for Dynamic Collaborative Emergency Response. International Journal of Intelligent Control and Systems. 2006, vol. 11, no. 3, pp. 238-247.
4. Abramov A.P., Meshalkin E.A., Oleynikov V.T. Automation of planning of combat operations in an emergency situation on the basis of the ontology of the subject area. In: Kompleksnaia bezopasnost
Rossii -issledovaniia, upravleniia, opyt: sbornikmaterialov [Complex security of Russia-research, management, experience: a collection of materials]. Moscow, All-Russian Research Institute for Civil Defense and Emergency Situations of EMERCOM of Russia (Federal Center for Science and High Technologies). 2004, pp. 59-63 (in Russ.).
5. Liashenko O.N. Knowledge representation ontological model in intellectual control system for eliminating consequences of natural emergencies. Vestnik Khersonskogo Natsionalnogo Tekhnicheskogo Universiteta (Bulletin of the Kherson National Technical University). 2017, no. 2(61), pp. 218-227 (in Russ.).
6. Eremenko T.K., Pilipenko Yu.G. An ontological model for knowledge bases of systems of support of decision-making. Matematicheskie mashiny i sistemy (Mathematical Machines and Systems). 2010, no. 3, pp. 69-75 (in Russ.).
7. Skobelev P.O. Ontology of actions for situation-driven real time management of enterprises. Ontologiia Proektirovaniia (Design Ontologies), 2012, no. 1(3), pp. 26-48 (in Russ.).
8. Gruber T. Toward Principles for the Design of Ontologies Used for Knowledge Sharing. IJHCS. 1994, vol. 43, no. 5/6, pp. 907-928.
80
©KadievSh., Khabibullin R., 2021
9. P 50.1.028-2001 Information technologies for product life cycle support. Methodology of functional modeling. Recommendations for standardization. Available at: https://docs.cntd. ru/document/1200028629 (accessed September 1, 2021) (in Russ.).
10. Kadiev Sh.K., Khabibulin R.Sh. Application of machine learning methods for classification of natural and man-made emergencies. In: Materialy XXI-i mezhdunarodnoi konferentsii "Informatika: problemy, metody, tekhnologii" [Materials of the XXIth International Conference "Informatics: problems, methods, technologies"]. Voronezh, Voronezh State University. 2021, pp. 1402-1407 (in Russ.).
11. Kornoushenko E.K. Classification algorithm by paired comparison of features. Avtomatika i Telemekhanika (Automation and Telemechanics). 2017, no. 11, pp. 151-166 (in Russ.).
12. Orlov A.I. Mathematical methods of classification theory. Politematicheskii Setevoi Elektronnyi Nauchnyi Zhurnal Kubanskogo Gosudarstvennogo Agrarnogo Universiteta (Polythematic Network Electronic Scientific Journal of the Kuban State Agrarian University). 2014, no. 95 (01), pp. 23-45 (in Russ.).
13. Pautov K.G., Popov F.A. An information system of webpage classification based on machine learning methods. Sovremennye Problemy Nauki i Obrazovaniia (Modern Problems of Science and Education). 2012, no. 6, p. 66 (in Russ.).
14. Kravtsova N.E., Preobrazhensky A.P. About the decision of problems of classification methods in machine learning. Vestnik Voronezhskogo instituta vysokikh tekhnologii (Bulletin of the Voronezh Institute of High Technologies). 2018, no. 3 (26), pp. 116-118 (in Russ.).
