CC BY
13УДК 51-77:614.8
МЕТОДИКА ИНТЕЛЛЕКТУАЛЬНОГО ПРОГНОЗИРОВАНИЯ ЭФФЕКТИВНОСТИ УПРАВЛЕНИЯ ЭВАКУАЦИЕЙ ЛЮДЕЙ ИЗ ОБЩЕСТВЕННЫХ ЗДАНИЙ
Е.А. Коткова;
А.В. Матвеев, кандидат технических наук, доцент. Санкт-Петербургский университет ГПС МЧС России
Грамотное планирование путей эвакуации в зданиях с массовым пребыванием людей имеет важнейшее значение в решении задачи обеспечения безопасности. Главным недостатком использования традиционных методов моделирования эвакуации является то, что они хорошо работают на этапе планирования. При моделировании удается рассмотреть весьма ограниченное количество сценариев с жесткими требованиями к входным параметрам моделей. Однако в реальности развитие ситуации может идти совсем не по рассмотренным ранее сценариям, что будет требовать принятия ситуативных решений в режиме реального времени.
В статье предлагается объединение имитационных моделей эвакуации с методами машинного обучения при решении задачи оценки эффективности управления эвакуацией людей при пожарах в общественных зданиях. Алгоритмы машинного обучения за очень короткое время обеспечат возможность принятия в сложной обстановке адекватного решения по регулированию потоков людей с учетом актуальной информации о реальном расположении людей и источников опасности.
Предложена методика интеллектуального прогнозирования эффективности управления эвакуацией людей из общественных зданий. Результаты исследований показывают, что предлагаемый подход работает в 8-10 раз быстрее, чем существующее традиционные алгоритмы поиска оптимального решения при эвакуации, что имеет очень важное значение в условиях ограниченного времени при критической ситуации.
Ключевые слова: эвакуация, имитационное моделирование, машинное обучение, метрики качества моделей, эффективность
METHODOLOGY FOR INTELLECTUAL FORECASTING OF THE EFFICIENCY OF MANAGING PEOPLE EVACUATION OF FROM PUBLIC BUILDINGS
E.A. Kotkova; A.V. Matveev.
Saint-Petersburg university of State fire service of EMERCOM of Russia
Competent planning of evacuation routes in buildings with mass presence of people is importance in solving the problem of ensuring security. The main disadvantage of using traditional evacuation modeling techniques is that they work well during the planning. When modeling, it is possible to consider a very limited number of scenarios with strict requirements for the input parameters of the models. However, in reality, the development of the situation may not proceed according to the previously considered scenarios, which will require making situational decisions in real time.
The article proposes combining evacuation simulation models with machine learning methods in solving the problem of assessing the effectiveness of evacuation management in case of fires in public buildings. Machine learning algorithms in a very short time will provide the ability
107
to make an adequate decision in a difficult environment to regulate the flow of people, taking into account relevant information about the real location of people and sources of danger.
The method of intelligent forecasting of the management efficiency of evacuation of people from public buildings is proposed. Research results show that the proposed approach works 8-10 times faster than the existing traditional algorithms for finding the optimal solution for evacuation, which is very important in a time-limited critical situation.
Keywords: evacuation, simulation modeling, machine learning, model quality metrics, efficiency
Введение
Задача обеспечения безопасной и своевременной эвакуации людей при пожарах и чрезвычайных ситуациях (ЧС) была и остается важнейшей проблемой как на этапах проектирования, так и на этапах эксплуатации зданий с массовым пребыванием людей, в том числе общественных зданий. Анализ пожара в торговом центре «Зимняя вишня» в г. Кемерово, произошедшего в марте 2018 г. и унесшего жизни 64 человек, подтверждает крайнюю важность решения проблемы принятия адекватных решений при управлении эвакуацией [1]. Грамотное ситуативное управление эвакуационными потоками, своевременное информирование и инструктирование эвакуирующихся потенциально может снизить количество погибших и пострадавших при пожарах или ЧС в общественных зданиях. С другой стороны, например, во время землетрясения и цунами в Японии в 2011 г. удалось избежать большого количества погибших и травмированных благодаря хорошо организованному планированию действий в ЧС и обеспечения своевременной эвакуации людей в безопасную зону [2]. Данные примеры наглядно демонстрируют, что грамотное планирование путей эвакуации в зданиях с массовым пребыванием людей имеет важнейшее значение в решении задачи обеспечения безопасности.
При обосновании планируемых решений в сложных системах используют методы моделирования, которые получили широкое применение и при планировании путей эвакуации на этапе проектирования зданий. К настоящему времени накоплен достаточно большой класс реализованных моделей и специальных программных средств, позволяющих проводить анализ процесса эвакуации людей при пожарах, оценивать время эвакуации и пожарные риски [3-10]. Исследования данных моделей с использованием программных средств позволяют проводить оценивание эффективности возможных альтернативных решений, а также научно обосновывать рекомендации по управлению в условиях аварийных ситуаций. Помимо традиционных и давно зарекомендовавших себя подходов, реализующих аналитические или имитационные модели эвакуации, в последние годы стали появляться результаты исследований, использующих BIM-технологии [11], VR-технологии и AR-технологии [12].
Главным недостатком использования традиционных методов моделирования является то, что они хорошо работают на этапе планирования, при моделировании удается рассмотреть весьма ограниченное количество сценариев с жесткими требованиями к входным параметрам моделей. Однако в реальности развитие ситуации может идти совсем не по рассмотренным ранее сценариям [13], что будет требовать принятия ситуативных решений в режиме реального времени.
При этом процесс моделирования эвакуации осложняется еще и многими факторами, которые оказывают значительное влияние на адекватность моделей и не учет которых может приводить к ошибкам в результатах расчетов. В первую очередь точные геометрические данные моделируемых зданий, параметры состояний окружающей среды должны быть учтены в используемой модели эвакуации. И результаты моделирования в большой степени основываются на входных параметрах в моделях эвакуации, делая эти результаты чувствительными к незначительным изменениям значений входных параметров. Это означает, что точная аварийная зона или источник пожара, количество людей в каждой зоне здания должны быть точно поданы на вход используемой модели, чтобы точно провести
108
расчет необходимого времени эвакуации и уровня риска и принимать адекватные решения по управлению эвакуацией.
Таким образом, используемые традиционные модели едва ли способны решать задачу управления эвакуацией в реальном времени в условиях динамически меняющейся ситуации. Решение задачи определения оптимального эвакуационного пути основывается на построении графов полных планов эвакуации и алгоритмах работы с ними, что требует некоторого времени, измеряемого в минутах или даже часах. Данные подходы не могут удовлетворить требование быстрого реагирования в условиях пожара или ЧС, когда каждая временная задержка может оказаться фатальной. Как показывают исследования, задержка на 1 мин в предоставлении решения по эвакуации может привести к дополнительным 5-10 мин на эвакуацию, поскольку окружающая среда в здании быстро меняется в аварийной ситуации [14].
Еще одним существенным ограничением применения традиционных подходов, реализующих аналитическое и имитационное моделирование, является сложность имитирования человеческого поведения, которое характеризуется высокой степенью неопределенности при принятии решений людьми в условиях стрессовой ситуации. И для повышения адекватности моделирования эвакуации используемые модели должны учитывать степень опасности и состояние людей, однако используемые в практике и рекомендуемые к применению модели эвакуации в настоящее время данные факторы не учитывают. Это также значительно снижает их практическую значимость для управления эвакуацией в режиме реального времени.
Для решения перечисленных проблем весьма перспективным видится возможность интеграции традиционных моделей эвакуации с методами машинного обучения, в частности, нейронными сетями. При решении задачи определения времени эвакуации и обоснования оптимального эвакуационного пути из общественного здания можно ожидать, что алгоритмы машинного обучения за очень короткое время (менее 1 мин) обеспечат возможность принятия в сложной обстановке адекватного решения по регулированию потоков людей, находящихся внутри здания, с учетом информации о пространственной топологии здания, реальном расположении людей и источников опасности.
С учетом того, что проблема планирования путей эвакуации является достаточно сложной, влияние могут оказывать факторы, которые достаточно сложно выразить простыми формулами, ожидается, что она будет значительно лучше решена алгоритмами машинного обучения и, к примеру, хорошо обученная нейронная сеть сможет предоставить решения буквально за секунды. Модели машинного обучения (ML-модели) могут изучать и оценивать наилучшие направления для эвакуации, в принципе, при любом возможном состоянии окружающей среды и сценарии ЧС. Сложностью использования ML-моделей является то, что требуется достаточный набор данных для их обучения. И именно здесь могут существенную помощь оказать традиционные подходы моделирования эвакуации, в частности, имитационное моделирование, позволяющее заранее рассмотреть огромное количество сценариев. Информация, извлеченная из имитационных моделей (ИМ), может сформировать тот самый массив данных, с помощью которого можно обучить ML-модель (в частности нейронную сеть), которая в дальнейшем оптимизирует процесс выработки управленческих решений по эвакуации людей из общественных зданий.
Имитационное моделирование У8 машинное обучение
Возможность оценки реального уровня безопасности в случаях пожаров и ЧС в зданиях с массовым пребыванием людей напрямую связана с необходимостью создания моделей реальных систем, изучение которых дает возможности определения условий и принятия управленческих решений для экстренного реагирования и минимизации возможных последствий, в том числе за счет оперативной эвакуации людей.
109
Существуют различные подходы к прогнозированию времени эвакуации и оценке риска при пожарах. Использование методов имитационного моделирования в настоящее время является одним из самых популярных и приоритетных при оценке рисков в сложных системах или процессах. В данной статье рассматривается возможность применения методов имитационного моделирования [15, 16] и машинного обучения [17] при решении задачи эвакуации.
Как имитационное моделирование, так и машинное обучение позволяют создавать модели реального мира. Проведение экспериментов с реальными системами зачастую слишком сложно и требует больших временных затрат, а порой и вовсе невозможно. В связи с этим целесообразно применение моделей, которые помогают выявить некоторые закономерности того или иного процесса, а также проводить эксперименты без риска.
Имитационное моделирование представляет собой инструмент для прогнозирования, позволяющий провести оценку принимаемых решений до их непосредственной реализации. По сравнению с другими инструментами, имитационное моделирование позволяет обрабатывать временные и причинно-следственные зависимости. Кроме того, имитационное моделирование позволяет прогнозировать в условиях неопределенности, а также данный вид моделирования является достаточно наглядным, позволяя визуализировать результаты моделирования (рис. 1).
Постоянные параметры
План здания
Схема маршрутов эвакуации
Скорость перемещения агентов
Входные данные
Параметры сценариев
Количество людей и их координаты
Стадия пожара
Время распространения ОФП
Имитационное моделирование
Имитационная модель эвакуации
Эксперименты
)
3
нкЭ
Выходные данные
Время эвакуации
Количество эвакуируемых
Количество пострадавших
Рис. 1. Схема имитационного моделирования эвакуации (ОФП - опасные факторы пожара)
Для решения задачи оценки эффективности управления эвакуацией при пожарах или ЧС в общественных зданиях в качестве входных данных для имитационной модели могут использоваться:
- планы зданий с сформированными путями эвакуации;
- максимальная вместимость людей в здании;
- фактическое количество людей в здании с местами их размещения;
- скорость перемещения людей в здании;
- стадия пожара;
- время распространения ОФП и др.
На выходе модели могут быть получены результаты оценки:
- времени эвакуации людей из здания;
110
- количества эвакуированных за заданный период времени;
- количества пострадавших и др.
Для оценки возможности использования как ИМ, так и ML-моделей необходимо рассмотреть фундаментальные различия между данными подходами (рис. 2).
Фундаментальные отличия имитационного моделирования и машинного обучения
Машинное обучение Данные
С0
Рис. 2. Фундаментальные различия между методами имитационного моделирования
и машинного обучения
ИМ основывается на предсказательной способности причинно-следственных связей, встроенных в модель. Основные этапы построения ИМ состоят в том, чтобы сначала определить основные и существенные компоненты системы, которые должны быть интегрированы в модель, взаимосвязь между ними, а затем изучить, как будет в результате вести себя система в реальности. Для достижения этой цели исследователь должен достаточно точно представлять себе всю предметную область, для которой строится модель. Это позволит ему точно определить, какие компоненты должны быть включены в модель, а какие нет, раскрыть все взаимосвязи и закономерности, присущие реальной системе, а значит обеспечить адекватность моделирования. Данные результаты позволят обосновать требования к экзогенным параметрам модели, являющиеся входными в модели эвакуации, на основе которых будут определять эндогенные переменные, для исследования которых и создается модель (время эвакуации, количество эвакуирующихся, количество погибших и др.). Очень часто значения входных параметров имеют случайные вариации и, таким образом, представляются в модели с использованием каких-то распределений вероятностей. В результате требуется многократная прогонка имитационной модели, для каждой конкретной реализации входных параметров, накопления и обработки статистики результатов моделирования.
Возможности машинного обучения в этом смысле существенно отличаются и проявляются в детальном изучении сохраненной в прошлом информации. При построении ML-модели исследователь выявляет закономерности и корреляции в данных (рис. 2). В большинстве случаев для выявления этих закономерностей не требуется детально изучать процесс функционирования реальной системы, отсутствует необходимость декомпозировать процесс эвакуации на отдельные элементы и составляющие, а также описывать их взаимосвязь.
Машинное обучение основано на алгоритмах, способных выявлять закономерности из анализа множества данных, которые в дальнейшем можно использовать, в том числе и для прогнозирования [18]. То есть сущность машинного обучения состоит не в прямом
Имитационное моделирование
111
решении тех или иных задач, а в обучении за счет применения решений на множестве сходных задач (либо на прецедентах, либо на формализованных знаниях экспертов).
Когда речь идет о машинном обучении, в большинстве случаев подразумевается обучение с учителем. Это, безусловно, не означает, что обучение без учителя нельзя использовать вместе с имитационным моделированием. Однако именно обучение с учителем имеет больше потенциальных возможностей для получения синергетического эффекта от одновременного его использования с имитационным моделированием и гораздо лучше подходит для анализа многочисленных сценариев.
В обучении с учителем исходные данные, характеризующие каждый из отдельных сценариев, вносятся в алгоритм в виде набора множества параметров вместе с результатами. Цель состоит в том, чтобы выявить закономерности из сформированного набора данных. Обучение с учителем позволяет решать задачи:
- регрессии, которая используется для прогнозирования некоторых количественных значений (время эвакуации, количество эвакуирующихся или количество пострадавших);
- классификации, которая используется для прогнозирования категориальных значений (принятия конкретных управленческих решений).
Независимо от используемого метода обучения возможно включить обученную модель в процесс моделирования, чтобы использовать ее как функцию, которая сможет прогнозировать числовые показатели или класс, к которому принадлежит входящий набор данных.
Таким образом, каждый из двух рассматриваемых подходов характеризуется определенными преимуществами для оценки риска при пожарах в зданиях с массовым пребыванием людей (табл. ).
Таблица. Преимущества применения методов машинного обучения и имитационного моделирования для решения задачи оценки риска
Машинное обучение Имитационное моделирование
^ отсутствует необходимость раскрывать неявные правила и зависимости управленческих решений и возможных состояний исследуемого объекта (все они содержатся в данных); ^ быстрые и надежные прогностические модели (могут использоваться для прогнозирования будущих результатов на основе ретроспективных данных); ^ возможность оперативно обосновать принятие решений для достижения требуемого результата; ^ возможность обрабатывать информацию о состоянии объекта в реальном времени и корректировать управленческие решения ^ рассмотрение динамики объекта, учет стохастических факторов и возможность оценки результатов в любой момент функционирования исследуемого объекта; ^ изучение правил и причинно-следственных связей, которые определяют процесс функционирования объекта, анализ влияния принимаемых решений на результат; ^ изучение новых сценариев, которые ранее не рассматривались и не учитываются во множестве ретроспективных данных; ^ возможность оценить эффективность применения различных управленческих решений на каждом этапе процесса функционирования реального объекта и выбрать наиболее оптимальное; ^ возможность визуализации влияния управленческих решений перед их практической реализацией
Имитационное моделирование & машинное обучение
Выделив уникальные возможности применения каждого из двух рассматриваемых подходов, весьма логичным видится рассмотрение перспектив интеграции методов машинного обучения в процесс моделирования процесса эвакуации людей и оценивания пожарных рисков. Использование достоинств каждого из исследуемых методов может
112
дать возможность добиться определенного синергетического эффекта и получить дополнительные преимущества от объединения имитационного моделирования и машинного обучения.
Можно выделить пять вариантов объединения и совместного использования данных подходов: некоторые из них дадут дополнительные возможности для разработчиков моделей, а некоторые для аналитиков данных (рис. 3). Сущность первых четырех вариантов в целом близка друг к другу, во всех них включаем машинное обучение в процесс имитационного моделирования в зависимости от конкретного варианта использования. А пятый отличается от остальных тем, что он не предполагает включение машинного обучения в сам процесс имитационного моделирования, вместо этого выходные данные ИМ могут быть использованы в качестве обучающих данных для ML-модели.
Вариант 5 \
Использование выходных данных ИМ в качестве обучающих данных для ML-модели
Рис. 3. Варианты одновременного использования МЬ-моделей и ИМ
Начнем рассмотрение со случаев, когда в ИМ эвакуации могут использоваться подходы машинного обучения для обоснования входных данных.
Вариант 1: Использование методов машинного обучения для определения значений входных параметров ИМ.
Самым очевидным на первый взгляд является способ использования машинного обучения при идентификации входных параметров, используемых далее в ИМ эвакуации.
Например, использование систем искусственного интеллекта, реализующих методы машинного обучения, для мониторинга количества людей в здании и определения мест их локации [19-21]. Время задержки начала процесса эвакуации от момента срабатывания пожарной сигнализации может быть определено на основе решения задачи регрессии с использованием методов машинного обучения. Также возможно использование решения
113
задачи классификации при применении машинного обучения для идентификации агентов, поведение которых отличается от остальных, находящихся в здании. Данные агенты, к примеру, могут входить в состояние стресса и паники, изменяя при этом свое поведение, что должно быть в ИМ.
В целом результаты, полученные в ML-моделях, могут формировать значения входных параметров ИМ.
Вариант 2: Использование методов машинного обучения для аппроксимации переменных в имитируемой системе.
Зачастую при отсутствии возможности однозначно определить причинно-следственные связи, которые формируют поведение реальной системы, некоторые параметры или характеристики реальной системы должны быть аппроксимированы. В таких случаях необходимо, например, задавать распределения вероятностей соответствующих параметров. Причем в некоторых случаях такие входные данные могут рассматриваться как одномерные случайные величины, а в ряде случаев входные параметры могут задаваться случайным вектором с многомерными распределениями вероятностей. При наличии больших объемов исторических данных по значениям этих параметров возможно построение таких зависимостей и использование их в ИМ.
Данный вариант использования методов машинного обучения в ИМ во многом похож на предыдущий вариант. Основным достоинством его применения в данном случае является возможность повысить точность ИМ.
Среди основных недостатков использования методов имитационного моделирования можно выделить их недостаточно высокую точность, проблему корреляции переменных, которая может привести к обманчивым заключениям. Данные подходы в целом не предназначены для моделирования физических систем с высокими требованиями к точности результатов моделирования. Кроме того, очень часто бывает сложно оценить с высокой точностью события или параметры со сравнительно низкой вероятностью их появления. Но если они имеют существенное влияние для логики функционирования исследуемой системы, то должны быть обязательно включены в модель. В этом случае значения таких параметров можно аппроксимировать с использованием методов машинного обучения, которые зачастую дают более точные результаты [22, 23].
Вариант 3: Тестирование влияния интеллектуального решения на общую эффективность системы перед его реализацией.
Управленческие решения, предложенные рекомендательными системами с использованием методов машинного обучения, могут быть протестированы с помощью ИМ, которые позволяют оценить их эффективность, а также тестировать альтернативные варианты и сценарии, проводя сравнительный анализ, и наблюдать, как изменяются при этом результаты моделирования.
Вариант 4: Визуализация эффективности принятия управленческих решений, построенных с использованием методов машинного обучения.
При принятии управленческих решений, которые находятся с использованием машинного обучения, аналитику не всегда легко представить результаты своих ML-решений человеку, не погруженному достаточно глубоко в науку о данных, например лицу, принимающему решения. В этих случаях с успехом могут быть применены инструменты ИМ, в которых реализованы возможности наглядного представления динамики протекания процессов или функционирования исследуемых сложных объектов или систем.
Вариант 5: Использование выходных данных ИМ в качестве обучающих данных для ML-модели.
В решении задачи оценки эффективности управления эвакуацией предложено использовать принципиально иной подход. Сами по себе ИМ могут быть использованы в качестве виртуальной безрисковой среды для оценки последствий в каждой сложившейся ситуации, а также результата эффективности принятия альтернативных вариантов управленческих решений. Однако количество возможных сценариев в процессе эвакуации
114
людей из здания в случае пожара или ЧС может быть настолько велико, что предусмотреть все из них фактически невозможно. В этих условиях предлагается выходные данные ИМ использовать в качестве обучающих данных для ML-модели, то есть будет решаться задача обучения прецедентам. Есть две основные причины для реализации данного подхода:
1. ИМ является отличным средством для генерации необходимого количества размеченных данных, так как ИМ позволяют с наибольшей адекватностью отразить функционирование реальных систем. Множество новых сценариев могут быть с успехом реализованы с использованием ИМ. Полученные новые размеченные входные данные совместно с результатами моделирования могут быть использованы для увеличения наборов данных, позволяя при этом протестировать различные алгоритмы машинного обучения для обоснования возможности их применения в реальных системах.
2. Преимущество использования такого подхода состоит в том, что построенная ML-модель будет аппроксимировать выходные данные ИМ, которая сама по себе является более сложной и ресурсоемкой. С использованием ML-модели можно значительно быстрее получать результаты оценки времени эвакуации и прогнозируемое количество пострадавших, что быстрее позволит принимать адекватные управленческие решения. При данном подходе будет отсутствовать необходимость моделировать и анализировать различные сценарии, соответствующие различным управленческим решениям. ML-модель сможет сама рекомендовать оптимальное решение при реализации ее взаимодействия с системой оповещения и управления эвакуацией.
В этом и будут состоять основные преимущества объединения прогностических возможностей имитационного моделирования и машинного обучения.
Методика прогнозирования эффективности управления эвакуацией при использовании
моделей машинного обучения
Таким образом, методику прогнозирования результатов эвакуации людей в условиях сложившейся обстановки с использованием ML-моделей ИМ схематично можно представить в виде схемы на рис. 4.
Рис. 4. Структурная схема методики прогнозирования эффективности управления эвакуацией людей с использованием моделей машинного обучения
Реализация данной методики может быть представлена следующей последовательностью этапов:
115
Этап 1. Формирование множества сценариев эвакуации S.
Входные данные для каждого сценария, реализуемого в ИМ, образуют множество признаков й1, йп. Вектор (^(¿), й2(ё), ... , образует признаковое описание
эксперимента ¿е^.
Совокупность признаковых описаний всех сценариев эвакуации из обучающей выборки образует матрицу признаков сценариев:
Этап 2. Проведение экспериментов с ИМ.
При использовании разработанной ранее ИМ эвакуации проводятся эксперименты по реализации каждого из сформированных сценариев эвакуации ¿е^ и формирование множества результатов Ж (например расчетное время эвакуации, количество пострадавших или эвакуирующихся за заданное время).
Этап 3. Разделение всего набора данных на обучающую выборку (70 %) и тестовую выборку (30 %).
Из всего множества сценариев эвакуации £ выбирается подмножество 5т = ( , Б2, . ■ ■ , 5т) а 5 , которое в совокупности с подмножеством ответов Шт = ( 1/1^2 , . . . , И/т) будут формировать набор данных для обучения.
Этап 4. Обучение моделей.
По обучающей выборке * С^^), сС 2(5)'. ■ -,сСп(5), 1 строятся модели
В настоящем исследовании были использованы ML-модели, решающие задачу регрессии при оценивании количественных результатов эвакуации: линейная регрессия (Linear Regression Model, LRM), полиномиальная регрессия (Polynomial Regression Model, PRM), регрессия опорных векторов (Support Vector Regression, SVR), регрессия дерева решений (Decision Tree Regression, DTR), нейросеть (Neural Network, NN).
Этап 5. Оценка погрешностей моделей.
Модель M для новых сценариев = 2'- ■ ■ ' sp) 5 выдает результаты
Производится оценка качества разработанных на предыдущем этапе моделей Q(М( Wгде Q - функционал качества ML-модели.
В виде функционала качества моделей могут использоваться стандартные метрики для задач регрессии: MAE (средняя абсолютная ошибка), MSE (среднеквадратическая ошибка), RMSE (корень из среднеквадратической ошибки), MAPE (средняя процентная ошибка).
Этап 6. Выбор наиболее точной модели для прогнозирования результатов эвакуации.
Критерием выбора модели для прогнозирования результатов эвакуации является минимизация функционала качества модели:
кхп
М = д(5т):
M(5P):
116
ß(Sn = arg mi nM e Mz Q( M(
где M^ - множество ML-моделей.
Этап 7. Прогнозирование результатов эвакуации людей при использовании выбранной ML-модели.
В условиях сложившейся ситуации в случае пожара в здании и результатов мониторинга количества людей, находящихся в здании в определенный момент времени, проводится расчет результата эвакуации (время эвакуации, количество пострадавших или эвакуирующихся за заданное время) на основе выбранной ML-модели.
Выводы
Существующие в настоящее время подходы к управлению эвакуацией имеют существенный недостаток, заключающийся в том, что управленческие решения формируются заблаговременно и в неполной мере позволяют решать задачу в режиме реального времени в динамически меняющихся условиях обстановки.
Исследование двух рассматриваемых подходов к моделированию и прогнозированию эффективности управления эвакуацией при пожарах или ЧС в зданиях с массовым пребыванием людей позволяет выявить некоторые фундаментальные различия между данными подходами. Имитационное моделирование имеет свои прогностические возможности в первую очередь из-за наличия причинно-следственных связей, встроенных в модель. Построение ИМ состоит в том, чтобы сначала идентифицировать параметры компонентов системы, а затем обеспечить структурное подобие модели реальной системе. При построении модели машинного обучения исследователь фокусирует внимание на выявлении закономерностей и корреляций в имеющихся данных. В большинстве случаев для выявления этих закономерностей не требуется детальное описание функционирования реальных систем.
Таким образом, проведенные исследования позволили выявить, что как имитационное моделирование, так машинное обучение обладают некоторыми уникальными качествами и перспективными возможностями. В решении задачи оценки эффективности управления эвакуацией при пожарах в зданиях с массовым пребыванием людей видится логичное решение в объединении данных подходов, используя возможности применения как имитационного моделирования, так и машинного обучения, позволяющее получить определенный синергетический эффект от их одновременного использования.
Разработана методика прогнозирования эффективности управления эвакуацией людей с одновременным использованием данных подходов. С помощью ИМ исследуется множество сценариев в зависимости от различных вариантов складывающейся обстановки при эвакуации. Размеченные входные данные совместно с результатами имитационного моделирования используются для увеличения наборов данных, которые далее используются в алгоритмах машинного обучения и построения ML-моделей. ML-модели могут применяться в реальных системах для прогнозирования результатов эвакуации в режиме реального времени.
Предлагаемый инструментарий позволит далее решать задачу оптимального планирования путей эвакуации в условиях сложившейся обстановки, что имеет большое значение для безопасной и эффективной эвакуации людей из общественных зданий. Современные методы компьютерного моделирования позволяют проанализировать различные сценарии эвакуации, но при этом лишь ограниченное их количество.
Результаты исследований показывают, что предлагаемый подход работает в 8-10 раз быстрее, чем существующие традиционные алгоритмы поиска оптимального решения при эвакуации, что имеет очень важное значение в условиях ограниченного времени при пожаре или ЧС.
117
Литература
1. Домаков В.В., Матвеев А.В., Матвеев В.В. Правовые предпосылки национальной трагедии в торгово-развлекательном центре «Зимняя вишня» г. Кемерово // Национальная безопасность и стратегическое планирование. 2018. № 1 (21). С. 48-63.
2. Agent-based simulation of the 2011 great east japan earthquake/tsunami evacuation: An integrated model of tsunami inundation and evacuation / E. Mas [et al.] // Journal of Natural Disaster Science. 2012. Vol. 34. № 1. P. 41-57.
3. Самошин Д.А. Современные программные комплексы для моделирования процесса эвакуации людей // Пожарная безопасность в строительстве. 2011. № 1 С. 62-65.
4. Теплова В.В., Сизов А.С., Миргалеев А.Т. Математическое моделирование процесса эвакуации людей из помещения при пожаре на основании теории террайнов // Телекоммуникации. 2011. № 3. С. 43-48.
5. Matveev A.V. The model of the process of emergency evacuation from the building while using the self-rescue equipment in case of the fire // ARPN Journal of Engineering and Applied Sciences. 2018. Vol. 13. № 15. P. 4535-4542.
6. Кочегаров А.В., Горюнов А.С. Моделирование процесса эвакуации людей при помощи различных методов // Современные технологии обеспечения гражданской обороны и ликвидации последствий чрезвычайных ситуаций. 2018. № 1 (9). С. 229-234.
7. Николенко С.Д., Сазонова С.А. Автоматизация расчетов по интегральной математической модели времени эвакуации людей при пожаре // Моделирование систем и процессов. 2017. Т. 10. № 1. С. 43-49. DOI 10.12737/article_5926f7b19c9691.74336556.
8. Холщевников В.В., Парфененко А.П. Сопоставление различных моделей движения людских потоков и результатов программно-вычислительных комплексов // Пожаровзрывобезопасность. 2015. Т. 24. № 5. С. 68-75.
9. Мультиагентная модель процесса эвакуации людей из помещений при возникновении чрезвычайных ситуаций / А.А. Самарцев [и др.] // Управление большими системами: сб. трудов. 2018. № 72. С. 217-244.
10. Колодкин В.М., Чирков Б.В., Ваштиев В.К. Модель движения людских потоков для управления эвакуацией при пожаре в здании // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки. 2015. Т. 25. № 3. С. 430-438.
11. Кирик Е.С., Попел Е.В. BIM-модель здания и пожарная безопасность // BIM-моделирование в задачах строительства и архитектуры: материалы III Междунар. науч.-практ. конф. СПб.: С.-Петерб. гос. архитек.-строит. ун-т, 2020. С. 223-229. DOI 10.23968/BIMAC.2020.029.
12. Евсюков А.А., Морозов Р.В. Виртуальный 3D-тренажер эвакуации людей при пожарах // Информатизация и связь. 2013. № 2. С. 49-51.
13. Пожар за закрытыми дверями: что привело к массовым жертвам в Кемерово. URL: https://www.rbc.ru/society/26/03/2018/5ab8a9089a794726b2f4ea93 (дата обращения: 12.09.2021).
14. A BIM centered indoor localization algorithm to support building fire emergency response operations / N. Li [et al.] // Automation in Construction. 2014. Vol. 42. P. 78-89.
15. Стольникова Л.Г., Матвеев А.В. Имитационная модель эвакуации людей из здания в случае пожара // Теоретические и прикладные вопросы комплексной безопасности: материалы I Междунар. науч.-практ. конф. СПб.: Петровская академия наук и искусств, 2018. С. 81-86.
16. Кирилов А.Э., Трефилов В.А. Разработка метода оценки безопасности персонала компрессорного цеха при эвакуации с использованием методов имитационного моделирования // Газовая промышленность. 2017. № 6 (753). С. 106-111.
17. Zhao X., Yan X., Yu A., Van Hentenryck P. Prediction and behavioral analysis of travel mode choice: a comparison of machine learning and logit models // Travel Behav. Soc. 2020. № 20. P. 22-35.
118
18. Матвеев А.В., Богданова Е.М. Классификация методов прогнозирования чрезвычайных ситуаций // Национальная безопасность и стратегическое планирование. 2018. № 4 (24). С. 61-70.
19. Castano B., Rodriguez-Moreno M. A ZigBee and RFID hybrid system for people monitoring and helping inside large buildings // In 2010 IEEE Symposium on Industrial Electronics and Applications (ISIEA). 2010. October. Pp. 16-21. IEEE.
20. Panchalingam R., Chan K.C. A state-of-the-art review on artificial intelligence for Smart Buildings // Intelligent Buildings International. 2021. Vol. 13. №. 4. P. 203-226.
21. Искусственный интеллект и видеоаналитика в мультирубежных периметрах защиты. URL: https://www.secuteck.ru/articles/iskusstvennyj-intellekt-i-videoanalitika-v-multirubezhnyh-perimetrah-zashchity (дата обращения: 12.09.2021).
22. Матвеев М.Г., Сирота Е.А. Исследование решения задачи параметрической идентификации моделей распределенных динамических процессов // Вестник Воронежского государственного университета. Сер. : Системный анализ и информационные технологии. 2021. № 2. С. 32-40. DOI: 10.17308/sait.202L2/3503.
23. Ярыгин A.A. Иерархия вероятностных моделей машинного обучения // Высокопроизводительные вычислительные системы и технологии. 2018. Т. 2. № 2. С. 130-137.
References
1. Domakov V.V., Matveev A.V., Matveev V.V. Pravovye predposylki nacional'noj tragedii v torgovo-razvlekatel'nom centre «Zimnyaya vishnya» g. Kemerovo // Nacional'naya bezopasnost' i strategicheskoe planirovanie. 2018. № 1 (21). S. 48-63.
2. Agent-based simulation of the 2011 great east japan earthquake/tsunami evacuation: An integrated model of tsunami inundation and evacuation / E. Mas [et al.] // Journal of Natural Disaster Science. 2012. Vol. 34. №. 1. P. 41-57.
3. Samoshin D.A. Sovremennye programmnye kompleksy dlya modelirovaniya processa evakuacii lyudej // Pozharnaya bezopasnost' v stroitel'stve. 2011. № 1. S. 62-65.
4. Teplova V.V., Sizov A.S., Mirgaleev A.T. Matematicheskoe modelirovanie processa evakuacii lyudej iz pomeshcheniya pri pozhare na osnovanii teorii terrajnov // Telekommunikacii. 2011. № 3. S. 43-48.
5. Matveev A.V. The model of the process of emergency evacuation from the building while using the self-rescue equipment in case of the fire // ARPN Journal of Engineering and Applied Sciences. 2018. Vol. 13. № 15. P. 4535-4542.
6. Kochegarov A.V., Goryunov A.S. Modelirovanie processa evakuacii lyudej pri pomoshchi razlichnyh metodov // Sovremennye tekhnologii obespecheniya grazhdanskoj oborony i likvidacii posledstvij chrezvychajnyh situacij. 2018. № 1 (9). S. 229-234.
7. Nikolenko S.D., Sazonova S.A. Avtomatizaciya raschetov po integral'noj matematicheskoj modeli vremeni evakuacii lyudej pri pozhare // Modelirovanie sistem
i processov. 2017. T. 10. № 1. S. 43-49. DOI 10.12737/article_5926f7b19c9691.74336556.
8. Holshchevnikov V.V., Parfenenko A.P. Sopostavlenie razlichnyh modelej dvizheniya lyudskih potokov i rezul'tatov programmno-vychislitel'nyh kompleksov // Pozharovzryvobezopasnost'. 2015. T. 24. № 5. S. 68-75.
9. Mul'tiagentnaya model' processa evakuacii lyudej iz pomeshchenij pri vozniknovenii chrezvychajnyh situacij / A.A. Samarcev [i dr.] // Upravlenie bol'shimi sistemami: sb. trudov. 2018. № 72. S. 217-244.
10. Kolodkin V.M., Chirkov B.V., Vashtiev V.K. Model' dvizheniya lyudskih potokov dlya upravleniya evakuaciej pri pozhare v zdanii // Vestnik Udmurtskogo universiteta. Matematika. Mekhanika. Komp'yuternye nauki. 2015. T. 25. № 3. S. 430-438.
11. Kirik E.S., Popel E.V. BIM-model' zdaniya i pozharnaya bezopasnost' // BIM-modelirovanie v zadachah stroitel'stva i arhitektury: materialy III Mezhdunar. nauch.-prakt. konf. SPb.: S.-Peterb. gos. arhitek.-stroit. un-t, 2020. S. 223-229. DOI 10.23968/BIMAC.2020.029.
119
12. Evsyukov A.A., Morozov R.V. Virtual'nyj 3D-trenazher evakuacii lyudej pri pozharah // Informatizaciya i svyaz'. 2013. № 2. S. 49-51.
13. Pozhar za zakrytymi dveryami: chto privelo k massovym zhertvam v Kemerovo. URL: https://www.rbc.ru/society/26/03/2018/5ab8a9089a794726b2f4ea93 (data obrashcheniya: 12.09.2021).
14. A BIM centered indoor localization algorithm to support building fire emergency response operations / N. Li [et al.] // Automation in Construction. 2014. Vol. 42. P. 78-89.
15. Stol'nikova L.G., Matveev A.V. Imitacionnaya model' evakuacii lyudej iz zdaniya v sluchae pozhara // Teoreticheskie i prikladnye voprosy kompleksnoj bezopasnosti: materialy I Mezhdunar. nauch.-prakt. konf. SPb.: Petrovskaya akademiya nauk i iskusstv, 2018. S. 81-86.
16. Kirilov A.E., Trefilov V.A. Razrabotka metoda ocenki bezopasnosti personala kompressornogo cekha pri evakuacii s ispol'zovaniem metodov imitacionnogo // Gazovaya promyshlennost'. 2017. № 6 (753). S. 106-111.
17. Zhao X., Yan X., Yu A., Van Hentenryck P. Prediction and behavioral analysis of travel mode choice: a comparison of machine learning and logit models // Travel Behav. Soc. 2020. № 20. P. 22-35.
18. Matveev A.V., Bogdanova E.M. Klassifikaciya metodov prognozirovaniya chrezvychajnyh situacij // Nacional'naya bezopasnost' i strategicheskoe planirovanie. 2018. № 4 (24). S. 61-70.
19. Castano B., Rodriguez-Moreno M. A ZigBee and RFID hybrid system for people monitoring and helping inside large buildings // In 2010 IEEE Symposium on Industrial Electronics and Applications (ISIEA). 2010. October. Pp. 16-21. IEEE.
20. Panchalingam R., Chan K.C. A state-of-the-art review on artificial intelligence for Smart Buildings // Intelligent Buildings International. 2021. Vol. 13. №. 4. P. 203-226.
21. Iskusstvennyj intellekt i videoanalitika v mul'tirubezhnyh perimetrah zashchity. URL: https://www.secuteck.ru/articles/iskusstvennyj-intellekt-i-videoanalitika-v-multirubezhnyh-perimetrah-zashchity (data obrashcheniya: 12.09.2021).
22. Matveev M.G., Sirota E.A. Issledovanie resheniya zadachi parametricheskoj identifikacii modelej raspredelennyh dinamicheskih processov // Vestnik Voronezhskogo gosudarstvennogo universiteta. Ser.: Sistemnyj analiz i informacionnye tekhnologii. 2021. № 2. S. 32-40. DOI: 10.17308/sait.202L2/3503.
23. Yarygin A.A. Ierarhiya veroyatnostnyh modelej mashinnogo obucheniya // Vysokoproizvoditel'nye vychislitel'nye sistemy i tekhnologii. 2018. T. 2. № 2. S. 130-137.
120
