УДК 658.314.7:330.115 В.В. Цыганов
ГРНТИ 73.01.11 Институт проблем управления им. В.А.Трапезникова РАН
КОГНИТИВНОЕ ПРОГНОЗИРОВАНИЕ КОМПЛЕКСНОЙ ИНФРАСТРУКТУРЫ КРУПНОМАСШТАБНОГО РЕГИОНА
Рассмотрен когнитивный подход к прогнозированию развития транспортной, энергетической и информационно-телекоммуникационной инфраструктуры Сибири, Дальнего Востока и Арктической зоны России.
Ключевые слова: крупномасшабный регион, инфраструктура, управление развитием, прогнозирование.
V.V. Tsyganov
V.A. Trapeznikov Institute of Control Sciences of RAS
COGNITIVE FORECASTING OF THE COMPLEX INFRASTRUCTURE OF THE LARGE-SCALE REGION
A cognitive approach to forecasting the development of transport, energy and information and telecommunications infrastructure in Siberia, the Far East and the Arctic zone of Russia is considered. Key words: large-scale region, infrastructure, development management, forecasting.
Комплексное освоение Сибири, Дальнего Востока и Арктической зоны России (кратко - Макрорегиона) основано на развитии комплекса транспортной, энергетической и информационно-телекоммуникационной инфраструктуры (кратко - комплексной инфраструктуры, или КИ) [1]. Состояние и 3 этапа развития КИ до 2050 года рассмотрены в монографии [2]. Анализ показал, что традиционные подходы к информационно-аналитической поддержке управления КИ Макрорегиона основаны на отраслевом принципе, когда головные ведомственные организации, управляя работой подчиненных иерархий, не учитывают текущих состояний и тенденций эволюции смежных подсистем КИ [3]. Это приводит к межотраслевой несовместимости форм и способов управления, что особенно критично при современных требованиях к общегосударственной цифрови-зации процессов управления.
Анализ практики решений в области развития КИ на базе традиционных методов показал также низкий уровень системной интеграции при прогнозировании процессов разного тематического и отраслевого характера. Отсутствуют модели комплексного прогнозирования КИ, учитывающие межотраслевые взаимодействия [4]. Высок уровень гетерогенности информационных структур, отсутствуют технологии интеграции информационных технологий прогнозирования и планирования в единую общегосударственную систему [5].
Таким образом, необходима разработка научно-практических основ и методов межотраслевого прогнозирования развития КИ, в том числе:
- научно-понятийной основы и концепции межотраслевого прогнозирования КИ;
формализованного описания и математического моделирования КИ и взаимодействия её подсистем;
- методов межотраслевого прогнозирования с использованием новых информационных технологий.
Традиционно используемые методы прогнозирования крупномасштабных систем, находящиеся в русле таких научных направлений, как семантическое моделирование, структурный анализ (SADT) и объектно-ориентированная методология, не обеспечивают решения проблем межотраслевого прогнозирования КИ. Основная причина - жесткая их привязка к другим предметным областям, а также преимущественная направленность на инфологическую стадию информационно-аналитической деятельности. Для формализованного описания, моделирования и прогнозирования взаимодействующих подсистем КИ требуются формальные иерархические модели, отражающие общесистемный, логический, пространственный, цифровой и физический аспекты межотраслевых и внутриотраслевых процессов развития КИ. Необходимо комплексное использование и систем-
ная интеграция научных методов и информационных технологий, таких как математический аппарат теории графов, интеллектуальный и пространственный анализ данных в многомерных хранилищах, геоинформационные технологии и системы (ГИС) и др. Например, при межотраслевом прогнозировании КИ полезна интеграция технологий OLAP, DataMining, ГИС [6].
Многие трудности прогнозирования развития КИ Макрорегиона обусловлены:
- многоаспектностью и взаимозависимостью экономических, социальных, политических, технологических и экологических процессов, в силу чего их нужно исследовать их в совокупности;
- недостатком количественной информации не только о будущей динамике, но и о текущем состоянии КИ (что вынуждает использовать качественную информацию);
- нестационарностью процессов эволюции КИ, неизвестностью даже характера изменения их показателей в будущем.
Подобные системы принято называть слабоструктурированными. В их исследованиях зачастую неприменимы традиционные эконометрические и социометрические подходы. Разумной альтернативой в таких ситуациях является переход к когнитивному моделированию и прогнозированию процессов эволюции КИ.
Методология когнитивного моделирования, для анализа и принятия решений в слабоструктурированных ситуациях, впервые была предложена Аксельродом [7]. Она основана на моделировании субъективных представлений экспертов о ситуации и включает: методологию её структуризации; модель представления знаний эксперта, в виде знакового орграфа (когнитивной карты, или КК) (F, W), где F - множество факторов ситуации, W - множество причинно-следственных связей между факторами ситуации; методы анализа ситуации.
В когнитивную модель закладывают иерархию знаний экспертов по исследуемой проблеме - от общих понятий и законов до простых правил. Это способствовало дальнейшему развитию когнитивного подхода в направлении совершенствования аппарата анализа и моделирования ситуации. Были предложены модели прогноза эволюции ситуации [8,9]. Разрабатывались также методы решения обратной задачи, позволяющие выработать управления для перевода ситуации из текущего в целевое состояние [10,11]. Такая методология когнитивного моделирования использовалась для принятия стратегических решений в нечеткой обстановке [12].
Однако разработанные методология структуризации ситуации и модели представления знаний эксперта не позволяли анализировать сложные ситуации. Создание больших их моделей, включающих десятки или сотни факторов, требует разработки иной модели представления знаний о ситуации, методологии структуризации плохо определенных сложных ситуаций, методов объяснения и интерпретации результатов моделирования и поддержки генерации решений.
Прогресс в решении этой проблемы был достигнут в контексте исследований в области искусственного интеллекта. Именно, для создания интеллектуальных систем, в инженерии знаний были разработаны поля знаний [13]. Основываясь на этих исследованиях, была разработана модель представления знаний в слабоструктурированной ситуации, в которой поле знаний определяется тройкой (X Y, М), где X - входные данные задач, решаемых интеллектуальной системой; Y - выходные данные - результат решения задач; М - операционная модель, на основании которой происходит преобразование X в Y [14]. Операционная модель М=(К^,К^) включает понятийную систему Kd, отражающую структуру понятий, используемых для описания ситуации, а также функциональную систему Kf, моделирующую законы и закономерности, определяющие эволюцию ситуации. Такая модель представления знаний используется для расширения традиционной когнитивной модели в виде знакового орграфа.
Соответственно, интеллектуальная методология структуризации сложной ситуации предполагает её описание в двух аспектах: структурном и функциональном. Для описания ситуации в структурном аспекте используется структурно-функциональная декомпозиция, позволяющая выделить составные части наблюдаемой ситуации, в виде
иерархии «Часть-Целое» (D, 0), где D = {di, i = 1,n } - множество, состоящее из n элементов di, i = 1,n, 0 - отношение Целого (D) и его составных частей (элементов di) на множестве D [14].
Например, элементами КИ (как Целого), являются её составные части (элементы di, i = 1,3 ) - транспортная (d/), энергетическая (di) и информационно-телекоммуникационная (d3) инфраструктура. В свою очередь, дальнейшая структурно-функциональная декомпозиция, например, транспортной инфраструктуры (dj), приводит к появлению таких элементов, как инфраструктура железнодорожного (du), автомобильного (di2), авиационного (di3), морского (di4), водного (dj5) транспорта и т.д.
Для описания ситуации в функциональном аспекте, нужно определить характеристики всех элементов Fi={fij, j = 1,m }, i = 1,n. Например, транспортную инфраструктуру (элемент dj) характеризуют пропускная способность (fil), провозная способность (f1i) и др. Далее на множестве характеристик Fi каждого элемента di экспертным путем определяется КК (Fi,Wi), где Fi - множество вершин, W - матрица смежности орграфа,
отражающего функциональную структуру элемента ситуации di, i = 1,n. КК (F^W) отражает представления экспертов о законах функционирования элемента di.
КК отдельных элементов КИ (Fi,Wi), i = 1,n, объединяются в общую КККИ (F,W), где F=UFi - множество характеристик, описывающих КИ в целом, a W - матрица
смежности, включающая матрицы смежности Wi отдельных элементов di, i = 1,n, и описывающая их взаимодействие. КККИ (F, W) описывается в функциональной системе поля знаний Kf, а результаты структурно-функциональной декомпозиции (D,0)- в понятийной системе Kd.
Для описания КККИ в функциональной структуре поля знаний разрабатываются шкалы характеристик, методы извлечения знаний экспертов для настройки весов характеристик, методы решения прямой и обратной задачи и др. Например, для разработки шкал используется метод, предложенный Торгерсоном [15]. Он основан на задании опорных точек - максимального и минимального значения характеристики fij , а также
средней точки отрезка между ними, с их интерпретацией в предметной области, j = 1,m
, i = 1,n. В результате формируется линейно упорядоченное множество Zj={zjk} лингвистических значений Zjk j-й характеристики i-го элемента, где k - номер лингвистического значения. Обычно оно отображается на единичный отрезок числовой оси [0,1]. Для каждого лингвистического значения Zjkn Zj на числовой оси определена точка Xjkn [0,1] и ее окрестности [xjk-e, Xjk+e,] имеющие ту же лингвистическую интерпретацию Zjk. Таким образом, для каждой характеристики каждого элемента КИ определяется числовая шкала Xj, каждая точка которой Zjk □Xj имеет лингвистическую интерпретацию Zjk □ Zj.
Для уменьшения ошибок при определении весов, используются известные методы извлечения знаний эксперта о силе влияния характеристик. Методы косвенного определения силы влияния - прямого оценивания (четкое и нечеткое), парного сравнения и задания функциональной зависимости [14]. Это методы используют ответы экспертов на вопрос: «К какому изменению характеристики-следствия может привести заданное изменение характеристики-причины?». Эксперты могут также определять свои предпочтения, используя ранговую шкалу Т.Саати [16].
Для качественно заданных ситуаций (в которых значения переменных и элементы матрицы смежности - это лингвистические значения) разработаны алгоритмы прогно-
зирования эволюции, основанные на операциях умножения и максимизации (max-product) [8,9] Алгоритмы, позволяющие получить множество решений обратной задачи, разработаны в [10,11].
В соответствии с вышеописанной методологией, для формализованного описания взаимодействующих подсистем КИ и моделирования разных точек зрения экспертов на прогнозы их эволюции, была разработана многоуровневая когнитивная модель, отражающая общесистемный, логический, пространственный и физический аспекты межотраслевых и внутриотраслевых процессов развития КИ. Это позволило формализовать и учесть разные мнения экспертов, специфику критериев и целей прогнозирования.
Когнитивный анализ предусматривал последовательную структуризацию информации о происходящих в КИ процессах. Такая структуризация начинается с построения КККИ. В ней представлена совокупность переменных (факторов), в терминах которых описываются процессы эволюции КИ, и отражены факты непосредственного влияния факторов друг на друга. Структура КК зависит от полноты информации относительно факторов КИ и их влияния друг на друга.
Заметим, что КККИ дает общее представление о взаимодействии процессов эволюции КИ, но не отражает их динамику. Далее, КККИ обеспечивает самый общий уровень структуризации информации. Переход на более низкий уровень требует более детального описания влияния факторов друг на друга (таких, как железнодорожный, автомобильный, авиационный, морской и водный транспорт). На этом уровне детализируются взаимосвязи факторов КККИ, вплоть до составления уравнений, связывающих результирующее значение каждого фактора со значениями воздействующих на него факторов. Составление таких уравнений требует детального описания картины воздействий на каждый фактор, в том числе её изменения со временем, и т.п. В них могут использоваться как количественные, так и качественные переменные. Последним ставятся в соответствие совокупности лингвистических переменных, отображающих разные состояния соответствующих качественных переменных. При этом каждой лингвистической переменной соответствует числовой эквивалент (обычно на шкале [0,1] [15]).
«Увязка» в одном уравнении количественных и качественных переменных производится путем подбора их коэффициентов так, чтобы сохранялась содержательная картина взаимодействия факторов, относящихся к данному уравнению. В принципе, при изменении факторов-аргументов, согласно моделируемому описанию, результирующая динамика фактора-функции, полученной согласно данному уравнению, не должна противоречить исходному описанию. Смысл понятий «противоречит - не противоречит» (как критерий «адекватности» данного уравнения описанию ситуации) определяет пользователь. Ведь, при наличии в уравнении качественных переменных, нельзя требовать полного совпадения динамики результирующего фактора с его поведением в исходном описании ситуации. Часто достаточно ограничиться требованием, чтобы в динамике модели каждого фактора сохранялись те или иные характерные особенности реального процесса в условиях, для которых были определены уравнения модели (т.е. чтобы модель правдоподобно отражала реальные события).
Описанная выше методология была практически апробирована при прогнозировании развития КИ Макрорегиона [1-5,17]. Её работоспособность определяется полнотой информации о системе и степенью правдоподобия используемых когнитивных моделей. Перспективы прогнозирования КИ с использованием когнитивного моделирования связаны с генерацией сценариев эволюции КИ, в зависимости от управлений и начального состояния системы [18].
Литература
1. Комплексное освоение территории Российской Федерации на основе транспортных пространственно-логистических коридоров. Актуальные проблемы реализации мегапроекта «Единая Евразия: ТЕПР - ИЕТС» / Под ред. В В. Козлова, А.А. Макоско. - М.: Наука, 2019. 463 с.
2. Инфраструктура Сибири, Дальнего Востока и Арктики. Состояние и 3 этапа развития до 2050 года / Под ред. А.А. Макоско. - М.: ИПТ РАН, 2019. 465 с.
3. Цыганов В.В. Инфраструктурная политика Мегапроекта «Единая Евразия: ТЕПР -ИЕТС» // ИТНОУ. 2019. № 2 (12). С. 58-62.
4. Цыганов В.В. Основы управления развитием инфраструктуры Сибири, Дальнего Востока и Арктики // ИТНОУ. 2019. № 4 (14). С. 49-53.
5. Цыганов В.В. Планирование развития инфраструктуры Сибири, Дальнего Востока и Арктической зоны России / Труды 12-й межд. конф. «Управление развитием крупномасштабных систем». - М.: ИПУ РАН, 2019. С. 163-166.
6. Бершадский А. М., Бождай А. С. Концепция прогнозирования комплексной инфраструктуры территории. Пенза: ПГУ, 2010. 216 с.
7. Axelrod R. The Structure of Decision: Cognitive Maps of Political Elites. Princeton: University Press, 1976.
8. Kosko B. Fuzzy cognitive maps // Int. Journ. Man-Machine Studies, 1986. №24. P. 65-75.
9. Роберте Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам. - М.: Наука, 1986. 496 с.
10. Pappis C.P., Sugeno M. Fuzzy relational equations and the inverse problem // Fuzzy Sets and Systems. 1985. № 15. P.79-90.
11. Pedrycz W. Fuzzy models and relational equations // Math. Modeling. 1987. 9. Р. 427-434.
12. Сипов В.Б. Принятие стратегических решений в нечеткой обстановке. - М.: Инпрорес, 1995. 228 с.
13. Гаврилова Т.А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. - С-Пб: Питер, 2000. 369 с.
14. Кулинич А.А. Методология когнитивного моделирования сложных плохо определенных ситуаций / Труды II межд. конф. по проблемам управления. - М.: ИПУ РАН, 2003. Т. 2. С.219-226.
15. Torgerson W.S. Theory and Methods of Scaling. New York: Macmillan, 1958.
16. Саати Т. Принятие решений. Метод анализа иерархий. - М.: Радио и связь,1993. 320с.
17. Гурлев И.В., Цыганов В.В. Когнитивное прогнозирование информационно-телекоммуникационной инфраструктуры крупномасштабного региона // ИТНОУ. 2020 № 1. С. 3-7.
18. Савушкин С.А., Цыганов В.В. Сценарии развития транспортного комплекса макрорегиона // ИТНОУ. 2020. № 1. С. 13-17.
Сведения об авторе
Владимир Викторович Цыганов
д-р техн. наук, проф., гл. науч. сотр. Институт проблем управления им. В.А.Трапезникова РАН
Москва, Россия Эл. почта: v188958@akado.ru
Information about author
Vladimir Victorovich Tsyganov
Doctor of Science (Tech.), Prof., chief researcher V.A. Trapeznikov Institute of Control Sciences of RAS
Moscow, Russia E-mail: v188958@akado.ru