CC BY
12ДВУХУРОВНЕВАЯ КЛАСТЕРИЗАЦИЯ СУБОПТИМАЛЬНЫХ ЗОН ПРИКРЫТИЯ Г. КОСТРОМЫ ПОДРАЗДЕЛЕНИЯМИ МЧС РОССИИ ПРИ ВОЗНИКНОВЕНИИ ПРОИСШЕСТВИЙ
М.В. Буйневич, доктор технических наук, профессор; Д.Г. Шуракова.
Санкт-Петербургский университет ГПС МЧС России. А.В. Вострых.
Главное управление МЧС России по Новгородской области
Показывается актуальность задачи формирования зон прикрытия территорий подразделениями МЧС России при возникновении происшествий. В качестве инструментария ее решения предлагается использовать методы и алгоритмы прикладной математики совместно с геоинформационными технологиями. На примере г. Костромы произведена пошаговая двухуровневая кластеризация субоптимальных зон ее прикрытия. Уточнены границы зон ответственности подразделений МЧС России, проанализирована доступность социально значимых и потенциально опасных объектов для своевременной доставки сил и средств, выделены удаленные объекты.
Ключевые слова: зоны прикрытия, подразделения МЧС России, место дислокации, возникновение происшествий, двухуровневая кластеризация
TWO-LEVEL CLUSTERIZATION OF SUBOPTIMUM COVERAGE ZONES OF KOSTROMA CITY BY SUBDIVISIONS OF EMERCOM OF RUSSIA IN INCIDENT CASES
M.V. Buynevich; D.G. Shurakova.
Saint-Petersburg university of State fire service of EMERCOM of Russia. A.V. Vostrykh. Headquarters of EMERCOM of Russia in Novgorod region
The relevance of creation's task of suboptimum coverage zones of Kostroma city by subdivisions of EMERCOM of Russia in incident cases s shown. As a tool for solution, it is proposed to use methods and algorithms of applied mathematics together with geoinformation technologies. Step-by-step two-level clusterization of suboptimal zones of Kostroma city is done as an example. The boundaries of the zones of responsibility of the divisions of the Ministry of Emergencies of Russia have been clarified, the availability of socially significant and potentially dangerous objects for timely delivery of forces and means has been analyzed, remote objects have been identified.
Keywords: coverage zones, subdivisions of EMERCOM of Russia, dislocation place, incident cases, two-level clusterization
Современная городская инфраструктура стремительно меняется, расширяясь и модернизируясь, что влечёт за собой возрастание различного рода техногенных рисков и усложнение всей системы адекватного реагирования подразделений МЧС России на возникающие происшествия, особенно пожары [1]. Непрерывно происходящая трансформация, перепланировка, увеличение и усложнение селитебных и промышленных территорий с учетом влияния факторов урбанизированной среды требуют постоянной ревизии районов выездов подразделений МЧС России в целях повышения показателей оперативного реагирования.
И здесь ключевым показателем выступает максимально допустимое расстояние, как наибольшее расстояние по уличной сети дорог населенного пункта или производственного объекта от места дислокации подразделений МЧС России до места предполагаемого происшествия, при котором гарантируется достижение соответствующей цели выезда оперативного подразделения [2]. Основываясь на данном показателе, порядок привлечения сил и средств (СиС) подразделений МЧС России устанавливается расписанием выездов подразделений МЧС России для тушения пожаров и проведения аварийно-спасательных работ, а также планом привлечения СиС [3]. Для каждого подразделения расписанием выезда определяется территория (или район выезда), в границах которой предусмотрено первоочередное направление СиС этого подразделения [4]. По сути, районы выезда ассоциируются с соответствующими зонами прикрытия населенного пункта подразделениями МЧС России при возникновении происшествий.
Районы выезда традиционно определяются на основе индивидуальной и статистической информации о территориальных особенностях объекта прикрытия с учетом опыта сотрудников МЧС России и мнения привлекаемых экспертов и в контексте вышеуказанных факторов подвергаются периодической ревизии, на что тратятся определенные, иногда значительные, временные и людские ресурсы. Экономия этих ресурсов приводит к недостаточной актуальности зон прикрытия с прогнозируемыми последствиями. Современный темп жизнедеятельности предполагает внедрение технологии поддержки принятия подобного рода решений, с привлечением методов прикладной математики в совокупности с геоинформационными технологиями. Результатом работы такой технологии станут рекомендуемые зоны прикрытия, актуальные на текущий момент, и в которых подразделения МЧС России находятся на максимально допустимом расстоянии до социально значимых и потенциально опасных объектов. В качестве примера территории прикрытия возьмем г. Кострому. Решение относительно зон прикрытия ожидается нестрогое, субоптимальное, однако вполне приемлемое для решения оперативных задач подразделениями МЧС России.
С помощью кластеризации произведём формирование зон прикрытия территории г. Костромы подразделениями МЧС России. Так как кластеризация представляет собой задачу разбиения множества объектов на группы схожих объектов (кластеры), то внутри каждой группы должны оказаться «похожие» объекты, а объекты разных групп должны быть как можно более «отличны». В данном случае под «похожими» объектами понимаются социально значимые, потенциально опасные объекты и подразделения МЧС России, расстояние, между которыми минимально.
В целях проведения кластеризации в контексте решаемой задачи осуществим следующие операции:
1) упростим последующую обработку данных, для чего проведём разбиение множества выделенных объектов на группы схожих объектов, чтобы работать с каждой группой в отдельности (выделим группы, в которых доставка СиС отдельно взятого подразделения до социально значимых и потенциально опасных объектов будет минимальной);
2) сократим объём хранимых данных, оставив по одному представителю от каждого кластера, что эквивалентно созданию субоптимальных зон выезда подразделений МЧС России к месту происшествий;
3) выделим нетипичные объекты, которые не подходят ни к одному из кластеров, для чего проанализируем территориальное расположение всех социально значимых и потенциально опасных объектов по отношению к подразделениям МЧС России с целью определения пограничных объектов (объектов, расположенных на пересечениях отдельных кластеров) и объектов, не попавших в выборки (объектов, расположенных за границами всех кластеров или находящихся вне нормативных границ прибытия СиС подразделений).
Применение кластерного анализа проведём поэтапно по канонической схеме. Во-первых, сформируем выборку, то есть осуществим отбор объектов для кластеризации.
Во-вторых, определим множество переменных, по которым будут оцениваться объекты в выборке. В-третьих, вычислим значения меры сходства между объектами. В-четвертых, применим алгоритм кластерного анализа для создания групп сходных объектов (кластеров). И в-пятых, представим полученные результаты кластерного анализа в наглядном виде, пригодном для принятия решений.
Но предварительно определимся с методом кластеризации, для чего рассмотрим известные методы и реализующие их алгоритмы: графовые методы (алгоритм выделения связных компонент, алгоритм ФОРЭЛ и др.), иерархическую кластеризацию (так называемую таксономию) и статистические методы (в частности, алгоритм к-средних) -на предмет пригодности использования в качестве инструментария с учетом специфики решаемой задачи.
В результате проведённого сравнительного анализа авторами установлено, что все указанные методы и алгоритмы обладают как достоинствами, так и недостатками для решения поставленной задачи. Однако совместное использование алгоритма кластеризации БОЯБЬ (от англ. БОКша1 БЬешеп1;) или ФОРЭЛ (сокр. от ФОРмальный ЭЛемент), основанного на идее объединения в один кластер объектов в областях их наибольшего сгущения, и надстройки в виде «Кратчайшего незамкнутого пути» является более продвинутым в отличие от использования «Алгоритма выделения связных компонент» и отдельно используемого алгоритма «Кратчайшего незамкнутого пути» (КНП), которые имеют высокую чувствительность к шуму, трудоёмкость в управлении числом кластеров, а также большие временные затраты на проведение расчётов.
Используя алгоритм ФОРЭЛ и надстройку в виде КНП, можно получить тонкую, двухуровневую структуру кластеров: каждый кластер верхнего уровня распадается на более мелкие подкластеры нижнего уровня. Этот алгоритм имеет возможность описывать кластеры произвольной геометрической формы. Варьируя параметр радиуса Я, можно получать кластеризации различной степени детальности. Если кластеры близки по форме к шарам, можно сделать Я достаточно большим. Для описания кластеров более сложной формы можно уменьшать Я, получая за счёт этого представление о его микроструктуре.
Что касается алгоритма к-средних, который является упрощенным вариантом ЕМ-алгоритма, то он крайне чувствителен к выбору начальных приближений центров: случайная инициализация центров на первом шаге может привести к некачественной кластеризации. Также кластеризация может оказаться неадекватной и в том случае, если число кластеров будет изначально неверно угадано, поэтому необходимо провести кластеризацию при различных значениях к и выбрать то, при котором достигается резкое улучшение качества кластеризации по заданному функционалу. Кроме того, алгоритм к-средних медленно работает на больших объемах данных.
В иерархической кластеризации исключается возможность существования пересекающихся кластеров. Из этого следует, что ее методы не могут быть использованы для решения поставленной задачи, так как множество всех исследуемых объектов с учётом внешних факторов (дорожных развязок, исключённых маршрутов следования по причине пробок, различных железнодорожных переездов) образуют кластеры самых разнообразных форм и пересечений. Более того, реализующие их алгоритмы обладают высокой вычислительной сложностью.
Проанализировав преимущества и недостатки рассмотренных алгоритмов, для решения задачи выберем вариант, состоящий из двух алгоритмов (так называемая, двухуровневая кластеризация), а именно: ФОРЭЛ и КНП. Это позволит наглядно работать с кластерами произвольной формы, управляя их центрами и уровнем детализации.
Двухуровневую кластеризацию начнем с реализации алгоритма ФОРЭЛ. Предварительно для этого на карте г. Костромы инициализируем множество некластеризованных точек, общим количеством 83, из которых 73 точки - социально значимые объекты и потенциально опасные объекты (36 основных крупных школ и учреждений для детей с ограниченными возможностями, 8 из 28 потенциально опасных
объектов, 15 торговых центров из них 1 - «Мега Мир», 14 крупных больниц) и 10 точек -подразделения МЧС России (включая 2 планируемые). Результат инициализации представлен на рис. 1.
Рис. 1. Множество точечных социально значимых и потенциально опасных объектов, а также подразделений МЧС России на карте г. Костромы
Инициализированные точки как объекты выборки будем оценивать по отношению расположения объекта к одному из подразделений МЧС России, учитывая также принадлежность объекта к определённому административному району города (Центральному, Фабричному или Заволжскому) и его «одиночность» (значительную удалённость от центра города или сгустка объектов). В качестве меры сходства между объектами используем Евклидово расстояние.
До начала реализации кластеризации красными линиями выделим дороги, имеющие постоянные проблемы с заторами и пробками. В качестве первоначальных точек возьмём имеющиеся подразделения МЧС России и создадим вокруг них сферы радиуса Я, равного расстоянию, которое преодолевает пожарно-спасательный автомобиль за 5 мин [5]
(около 2 250 м, со скоростью 27 км/ч). Значение Я выбрано, основываясь на Федеральном законе от 22 июля 2008 г. № 123-ФЗ [6] и имеет дополнительный запас в размере 5 мин, так как в процессе реализации алгоритма кластеризации подразделение МЧС России может занимать не центральное место в кластере, что при большем Я привело бы к выходу за пределы максимально допустимого нормативного времени прибытия - 10 мин. В точках, оставшихся за пределами радиуса Я подразделений МЧС России (первоначальной выборки), возьмём случайные точки в местах сгущения объектов. В результате будут образованы К кластеры с центром в месте дислокации подразделений МЧС России хо радиуса Я и с центром местоположения одного из социально значимых или потенциально опасных объектов с таким же радиусом Я (рис. 2).
На следующем шаге найдем точки, расстояние до которых меньше радиуса, и вычислим координаты центра тяжести этих «внутренних» точек. Перенесем центр сферы в этот центр тяжести и снова найдем внутренние точки. Данную процедуру продолжим до тех пор, пока сфера не остановится, то есть пока на очередной итерации состав внутренних точек, а, следовательно, и их центр тяжести перестанет меняться. Точки, оказавшиеся внутри остановившейся сферы, объявим кластеризованными и исключим их из выборки. Для оставшихся точек повторим описанный выше алгоритм до тех пор, пока не произойдёт кластеризация всех точек. Результатом данной кластеризации является список точек-центроидов С (рис. 3).
Рис. 2. Первоначальное разграничение зон „ _ „
_ Рис. 3. 1очки-центроиды кластеров
кластеров с учетом проблем на дорогах
Для улучшения результата вычислений к множеству С применим надстройку - метод кластеризации КНП. Алгоритм КНП объединяет мелкие кластеры первого уровня в более крупные кластеры второго уровня, для чего строит на точках выборки ациклический связный граф, соединяя точки, исходя из минимального расстояния между ними (рис. 4). После того как граф построен, из него удаляются к самых длинных рёбер, где к - это параметр, который и определяет количество кластеров (рис. 5). Тем самым получаем двухуровневую кластеризацию, где количество кластеров первого уровня - 18, а второго уровня - 9.
Рис. 4. Применение алгоритма КНП Рис. 5. Результат работы алгоритма КНП
Таким образом, в результате работы метода кластеризации (алгоритма ФОРЭЛ и надстройки в виде алгоритма КНП) получена разделённая «на зоны ответственности» между подразделениями МЧС России территория г. Костромы. Тем самым уточнены границы прикрытия, исходя из влияния внешних факторов, таких как городская среда. Проанализирована доступность социально значимых и потенциально опасных объектов для СиС подразделений МЧС России в пределах нормативного времени прибытия, что позволяет сделать вывод о формировании субоптимальных зон прикрытия г. Костромы подразделениями МЧС России при возникновении происшествий. Также выделены «нетипичные объекты», то есть объекты, находящиеся на удалённом расстоянии от пожарно-спасательных подразделений, задача гарантированного прикрытия которых требует особого решения.
Описанная процедура решения задачи формирования актуальных субоптимальных зон прикрытия территории г. Костромы подразделениями МЧС России с использованием кластерного анализа позволяет на новом уровне использовать методы прикладной математики совместно с геоинформационными технологиями в интересах повышения эффективности деятельности МЧС России.
Литература
1. Об утверждении Основ государственной политики Российской Федерации в области пожарной безопасности на период до 2030 года: Указ Президента Рос. Федерации от 1 янв. 2018 г. № 2. Доступ из справ.-правовой системы «КонсультантПлюс».
2. СП 11.13130.2009. Места дислокации подразделений пожарной охраны. Порядок и методика определения ФГУ ВНИИПО МЧС России. Доступ из справ.-правовой системы «КонсультантПлюс».
3. Об утверждении Боевого устава подразделений пожарной охраны, определяющего порядок организации тушения пожаров и проведения аварийно-спасательных работ: Приказ МЧС России от 16 окт. 2017 г. № 444. Доступ из справ.-правовой системы «КонсультантПлюс».
4. Об утверждении Положения о пожарно-спасательных гарнизонах: Приказ МЧС России от 25 окт. 2017 г. № 467. Доступ из справ.-правовой системы «КонсультантПлюс».
5. СНиП 2.07.01-89*. Градостроительство. Планировка и застройка городских и сельских поселений (Приложение l). Доступ из справ. -правовой системы «КонсультантПлюс».
6. Технический регламент о требованиях пожарной безопасности: Федер. закон Рос. Федерации от 22 июля 2008 г. № 123-Ф3. Доступ из справ.-правовой системы «КонсультантПлюс».
References
1. Ob utverzhdenii Osnov gosudarstvennoj politiki Rossijskoj Federacii v oblasti pozharnoj bezopasnosti na period do 2030 goda: Ukaz Prezidenta Ros. Federacii ot 1 yanv. 2018 g. № 2. Dostup iz sprav.-pravovoj sistemy «Konsul'tantPlyus».
2. SP 11.13130.2009. Mesta dislokacii podrazdelenij pozharnoj ohrany. Poryadok i metodika opredeleniya FGU VNIIPO MCHS Rossii. Dostup iz sprav.-pravovoj sistemy «Konsul'tantPlyus».
3. Ob utverzhdenii Boevogo ustava podrazdelenij pozharnoj ohrany, opredelyayushchego poryadok organizacii tusheniya pozharov i provedeniya avarijno-spasatel'nyh rabot: Prikaz MCHS Rossii ot 16 okt. 2017 g. № 444. Dostup iz sprav.-pravovoj sistemy «Konsul'tantPlyus».
4. Ob utverzhdenii Polozheniya o pozharno-spasatel'nyh garnizonah: Prikaz MCHS Rossii ot 25 okt. 2017 g. № 467. Dostup iz sprav.-pravovoj sistemy «Konsul'tantPlyus».
5. SNiP 2.07.01-89*. Gradostroitel'stvo. Planirovka i zastrojka gorodskih i sel'skih poselenij (Prilozhenie 1). Dostup iz sprav.-pravovoj sistemy «Konsul'tantPlyus».
6. Tekhnicheskij reglament o trebovaniyah pozharnoj bezopasnosti: Feder. zakon Ros. Federacii ot 22 iyulya 2008 g. № 123-FZ. Dostup iz sprav.-pravovoj sistemy «Konsul'tantPlyus».
