CC BY
24
УДК 681.3:51 А.А. ТОРОЕВ
МОБИЛЬНЫЙ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКИЙ ЦЕНТР УПРАВЛЕНИЯ КРИЗИСНЫМИ СИТУАЦИЯМИ В ЛАВИНООПАСНЫХ РАЙОНАХ КИРГИЗИИ
Предлагаются методы и инструментальные средства разработки системы мобильных информационно-аналитических центров управления кризисными ситуациями для системного анализа и прогнозирования схода снежных лавин.
1. Введение
Снежные лавины - одно из стихийных природных явлений, способных вызвать гибель людей и причинить значительные разрушения. Лавины настигают свои жертвы в зданиях и на автомобильных дорогах.
Основные задачи противолавинных мероприятий - это защита от отдельных лавинных очагов, угрожающих конкретным хозяйственным объектам, и предупреждение попадания в лавины людей, передвигающихся по хозяйственно-неосвоенным территориям, где угрозу может представлять любой горный склон. Чрезвычайно актуален прогноз лавинной опасности, который включает в себя указание места и времени схода лавин.
Министерством по чрезвычайным ситуациям Киргизской республики (МЧС КР) в соответствии с Планом проведения работ по техническому перевооружению МЧС КР, начиная с 2006 года, планируется создать четыре мобильных информационно-аналитических центра управления кризисными ситуациями (ИАЦУКС), оснащенных четырьмя автомобилями, средствами ведения видеоконференций непосредственно с мест проведения работ МЧС. Все центры и мобильные средства будут объединены через корпоративную сеть МЧС КР с высокой пропускной способностью, обеспечивающей нормальное функционирование системы.
Целью исследования является разработка инструментальных средств проектирования ИАЦУКС с повторным использованием накопленных ранее проектных решений, повышения качества и надежности прогноза схода снежных лавин, выявления знаний о предметной области, достаточных для принятия решений в чрезвычайных ситуациях и для предотвращения опасности схода снежных лавин.
Для достижения поставленной цели необходимо решить следующие задачи:
- исследовать проблему системного моделирования и прогнозирования схода снежных лавин;
- представить базу знаний для принятия решений в чрезвычайных ситуациях;
- построить правила вывода для базы знаний о ситуациях, которые возникают при чрезвычайных ситуациях;
- построить прогноз схода снежных лавин;
- исследовать проблему моделирования ИАЦУКС и описания проектных решений в соответствии с задачами, на решение которых ориентированы ИАЦУКС;
- провести исследование основных современных средств моделирования и инструментальных средств автоматизации проектных работ в целях оптимального синтеза ИАЦУКС и выявления степени применения повторного использования аналогичных проектных решений;
- разработать инструментальные средства для построения описаний проектных решений в целях последующего их использования и занесения в базу знаний проектных решений;
- разработать математические средства для сравнения описаний проектных решений в целях автоматизации процесса поиска полученных ранее проектных решений для конкретной задачи управления в системе чрезвычайных ситуаций;
- разработать методические рекомендации по применению средств поиска решений, пригодных для повторного использования в проектировании ИАЦУКС.
Объектом исследования являются процессы моделирования и создания инструментальных средств мобильных информационно-аналитических центров управления кризисными ситуациями, извлечения знаний из данных и построения базы знаний для принятия решений в ИАЦУКС по предотвращению возникновения чрезвычайных ситуаций путем организационно - строительных мероприятий, а в случае их возникновения - устранения последствий.
Предметом исследования являются средства создания ситуационных баз знаний для предметной области и инструментальных средств разработки ИАЦУКС.
Методы исследования. Основным методом исследования является системный анализ предметной области для ИАЦУКС. В основу выявления понятий, составляющих проблемные ситуации, положены принципы естественной классификации. В процессе формирования моделей ситуаций используются комбинации различных методов Data Mining ассоциаций, выявления последовательности, классификации, кластеризации, прогнозирования, при этом выявляются типы закономерностей из данных о лавинной опасности. Используется систематизация структуры данных о лавинной обстановке.
Перспективным является создание точечных измерителей физико-механических параметров снежного покрова и методики их объединения в информационную систему мониторинга лавиноопасных районов. На завершающем этапе внедрения ИАЦУКС предусматривается использование сбрасываемых с летательных аппаратов зондов для съема данных, начиная от момента проникновения зонда в снежный покров и заканчивая (в течение длительного периода) съемом данных о текущем состоянии снежного покрова. Кроме этого, в ИАЦУКС предусматривается привязка расположения зондов к геоинформационной модели лавиноопасного района, для которого осуществляется мониторинг. Данные, получаемые зондами, передаются в ИАЦУКС по радиоканалу. Процесс измерения зондами строится на принципах акустической локации. В такой системе контроля ИАЦУКС важным является то, что задолго до образования лавиноопасного участка в акустическом диапазоне можно будет получить объективную картину для долговременного прогноза.
2. Разработка ИАЦУКС
Проектирование ИАЦУКС с минимальными стоимостными и временными затратами, с учетом возрастающих требований надежности защиты от лавин возможно лишь с комплекса взаимосвязанных CASE-средств, именуемых в отечественной терминологии инструментальными средствами. Для получения законченных проектных решений ИАЦУКС инструментальные средства должны представлять собой программно-методический комплекс, являющийся совокупностью программного, методического и информационного обеспечения проектных работ.
В проектировании ИАЦУКС для борьбы с лавинной опасностью можно использовать опыт проектирования подобных информационно-аналитических систем. В результате накопленного опыта разработки нескольких подобных информационно-аналитических систем происходит накопление множества аналогичных проектных решений для различных фрагментов проекта ИАЦУКС. Для обеспечения эффективности проектирования ИАЦУКС для борьбы с лавинной опасностью повторное использование должно стать неотъемлемой частью процесса проектирования и быть составной частью инструментальных средств разработки.
Кроме того, в проектировании ИАЦУКС для борьбы с лавинной опасностью важным является решение проблем, связанных с идентификацией рассматриваемой предметной области при возникновении чрезвычайных ситуаций. Принятое в гляциологии определение «прогноз схода лавин» (прогноз лавинной опасности) подразумевает предсказание периода лавинной опасности, времени и масштабов схода лавин.
Традиционные подходы в способах и методах получения и использования информации, существующие в сложившейся инструктивно-нормативной базе по чрезвычайным ситуациям, связанным с лавинной опасностью, в настоящее время уже не соответствуют современным требованиям и недостаточно ориентированы на качественные показатели. Разработка инструментальных средств проектирования ИАЦУКС с использованием базы знаний о лавинном климате является одной из самых актуальных задач, решаемых в этой работе.
Основным методом исследования является системный анализ предметной области для ИАЦУКС. В основу выявления понятий, составляющих проблемные ситуации, положены принципы естественной классификации. В процессе формирования моделей ситуаций использовались комбинации различных методов Data Mining ассоциаций, выявления последовательности, классификации, кластеризации, прогнозирования, при этом были выявлены типы закономерностей из данных о лавинной опасности. Использована систематизация структуры данных о лавинной обстановке.
Прогноз лавинной опасности может иметь альтернативный и вероятностный характер.
Вероятность схода лавин может оцениваться в процентах, что применяется крайне редко из-за неудобства трактовки прогноза пользователем, и по определенной шкале. Концепция Европейской шкалы лавинной опасности была разработана в 1985 г. В 1993 г. после широкого обсуждения шкала была принята для использования на практике службами лавинного прогноза ряда западноевропейских стран. Прогнозы, разрабатываемые в соответствии с европейской шкалой лавинной опасности, всегда, даже при низкой степени лавинной опасности, предусматривают возможность обрушения искусственных лавин.
При наличии разнообразных методов окончательное определение формулировки прогноза лавинной опасности остается за специалистом. На моделировании процесса принятия решения экспертом основаны получившие в последнее десятилетие распространение в практике прогноза лавинной опасности автоматизированные экспертные системы.
Работа экспертных систем осуществляется в соответствии с правилами, сформулированными специалистами, при этом используется балльная система оценки влияния факторов. Экспертные системы применяются часто в комбинации с другими методами (используются статистические и детерминированные модели). Параллельное и последовательное использование различных методов позволяет получать оптимальные результаты прогноза лавинной опасности.
Здесь для анализа формализованных и неформализованных данных предметной области целесообразно использовать в качестве основного компонента ИАЦУКС экспертную систему (ЭС). Экспертная система работает в двух режимах: приобретения знаний и решения задач (также режимом консультации или режимом использования ЭС).
Эффективно построенная база знаний позволит получать скрытые структуры и закономерности знаний, т.е. решается задача интеллектуальной обработки информации.
Одной из современных технологий поиска закономерностей является интеллектуальный анализ данных (Data Mining). Data Mining объединяет множество методов и подходов (нейронные сети, статистические методы, нечеткую логику, методы обобщения по примерам) к организации процесса извлечения знаний из потока данных. Ключевым достоинством интеллектуальной обработки данных (Data Mining) является возможность автоматического порождения гипотез о взаимосвязи между различными параметрами или компонентами данных. Выделяют пять стандартных типов закономерностей, которые позволяют выявлять методы Data Mining: ассоциация, последовательность, классификация, кластеризация и прогнозирование.
Знания, полученные с помощью правил вывода, позволяют построить качественный прогноз, необходимый для эффективного принятия решения.
Ассоциативные правила позволяют находить закономерности между связанными событиями.
Пусть имеется БД, состоящая из транзакций предикторов для лавин различных генетических типов. Каждая транзакция - это набор предикторов, влияние которых необходимо исследовать.
Пусть I = {ij,i 2 ...in } - множество (набор) предикторов, называемых элементами. Пусть D - множество транзакций, где каждая транзакция T - это набор элементов из I, T с I.
Каждая транзакция представляет собой бинарный вектор, где t[k]=1, если ik элемент присутствует в транзакции, иначе t[k]=0.
Транзакция T содержит X, некоторый набор элементов из I, если X с T .
Ассоциативным правилом называется импликация X ^ Y, где X с I, Y с I и X П Y = 0 , и где ни один из элементов, входящих в набор Y, не является предком ни одного элемента, входящего в X. Правило X ^ Y имеет поддержку s (support), если s% транзакций содержат XUY, supp(XUY) = supp(X ^ Y). Достоверность правила показывает,
какова вероятность того, что из X следует Y. Правило X ^ Y справедливо с достоверностью (confidence) c, если c% транзакций из D, содержащих X, также содержат Y, conf (X ^ Y) = supp (X U Y) /supp (X).
Другими словами, целью анализа является установление следующих зависимостей: если в транзакции встретился некоторый набор элементов X, то на основании этого можно сделать вывод, что другой набор элементов Y также должен появиться в этой транзакции. Установление таких зависимостей дает нам возможность находить очень простые и интуитивно понятные правила.
Алгоритмы поиска ассоциативных правил предназначены для нахождения всех правил X ^ Y, причем поддержка и достоверность этих правил должны быть выше некоторых наперед определенных порогов, называемых соответственно минимальной поддержкой (minsupport) и минимальной достоверностью (minconfidence).
Механизм составления и работы современной экспертной системы прогноза наглядно иллюстрируется на примере созданных в Швейцарском институте снеголавинных исследований моделей DAVOS и MODUL.
Обе модели используют типовое программное обеспечение для индуктивного автоматического принятия решений COGENSYS™.
Разница между моделями заключается в том, что DAVOS использует только измеренные значения (до 13 параметров), а MODUL оценивает 30 параметров, последовательно (пошагово) рассчитываемых программой в 11 подзадачах. В их число входит интерпретация Rutschblock-теста.
Оправдываемость прогнозов и предупрежденность явлений для последних модификаций модели DAVOS превысили 60%. Оправдываемость модели MODUL достигла 75%.
База данных экспертной прогнозной системы NivoLog содержит численную информацию относительно погоды, снежного покрова, топографии склонов, географических особенностей и наблюденных лавин. Эта информация структурирована согласно реляционной модели данных. В дополнение к численной информации, NivoLog может обрабатывать изображения типа карт, фотографий или ортофото. Сочетание экспертной системы и метода ближайшего соседа позволяет производить оценку показателя устойчивости снежного покрова и определять соответствующую ему степень лавинной опасности.
Большую известность получил разработанный французскими специалистами пакет моделей SAFRAN-CROCUS-MEPRA [1-3]. В пакет вводятся только данные ежедневных метеорологических наблюдений. При этом основным предположением является пространственная однородность массива данных, что определяет рабочий масштаб действия пакета.
Кластерный анализ играет важную роль на этапе определения состояния снежного покрова, способствуя облегчению и упрощению вычислительных процедур, обеспечению большей компактности получаемых результатов при одновременном сохранении необходимой точности. Применение кластерного анализа дает возможность разбить всю исходную совокупность предикторов на группы по соответствующим критериям, облегчая тем самым выбор наиболее репрезентативных показателей.
При разработке ИАЦУКС первоначально было отобрано 15 предикторов лавинной опасности. Для определения конкретных зависимостей был использован аппарат корреляционно-регрессионного анализа. Анализ связи производился на основе матрицы парных коэффициентов корреляции.
Проводить такой анализ непосредственно на сравнительно громоздкой матрице коэффициентов корреляции весьма затруднительно. С помощью кластерного анализа всю совокупность предикторов можно разбить на группы таким образом, чтобы элементы каждого
кластера сильно коррелировали между собой, а представители разных групп характеризовались слабой коррелированностью.
Для решения этой задачи был применен один из иерархических алгоритмов кластерного анализа. На каждом шаге число кластеров уменьшается на один за счет оптимального в определенном смысле объединения двух групп. Критерием объединения является изменение функции. В качестве функции были использованы значения сумм квадратов отклонений, вычисляемые по следующим формулам:
П 2 1 П 2 Е] =ЕГу --(Егij) , ] = 1,2,...,т , (1)
1=1 п i=l
где j - номер кластера; п - число элементов в кластере; г^ - коэффициент парной корреляции.
Таким образом, процессу группировки должно соответствовать последовательное минимальное возрастание значений критерия Е .
На первом этапе первоначальный массив данных представляется в виде множества, состоящего из кластеров, которые включают в себя по одному элементу. Процесс группировки начинается с объединения такой пары кластеров, которая приводит к минимальному возрастанию суммы квадратов отклонений. Это требует оценки значений сумм квадратов
отклонений для каждого из возможных ——— объединенных кластеров. На следующем
2
„ (п - 1)(п - 2)
этапе рассматриваются значения сумм квадратов отклонений --—-- кластеров и
2
т.д. Этот процесс будет остановлен на некотором шаге. Для этого нужно следить за величиной суммы квадратов отклонений. Рассматривая последовательность возрастающих величин, можно уловить скачок (один или несколько), который можно интерпретировать как характеристику числа групп, «объективно» существующих в исследуемой совокупности.
Любой инженерный проект, решающий новые задачи путем повторного использования существующих решений, имеет большие возможности по сокращению затрат ресурсов на синтез новых проектных решений.
В настоящее время существует множество подходов к описанию и поиску проектных решений для дальнейшего использования. Однако наибольшее распространение получили четыре метода: численная классификация, значения атрибутов, характерные свойства, текстовые описания. Наиболее широко распространенные подходы - это классификация проектных решений по некоторым установленным принципам и снабжение сохраненных решений текстовым описанием.
Метеорологическая обстановка, лавинный климат, внешние факторы (перемещение человека и его деятельность) и рассматриваемая ИАЦУКС могут быть смоделированы различными способами. Уникальность разрабатываемой ИАЦУКС требует для описания ее структуры, функционирования и особенностей управления ею специальных семантических и прагматических формальных моделей, отражающих снеголавинный климат. Это требует специальных языковых средств для описания таких моделей.Основная проблема при извлечении знаний аналитиками (инженерами по знаниям) у экспертов и очевидцев снеголавинной обстановки связана с тем, что участники процесса оперируют разными понятиями и им необходим общий язык.
Интеллектуально-вербальная коммуникация между людьми основана на связи объекта, понятия и слова. В данном случае физический или абстрактный объект из окружающей среды является некоторым понятием и выражается определенным словом или термином, зачастую имеющим у разных людей различное понимание.
Представляя определенную объективную реальность о снеголавинной обстановке в своем субъектвном сознании, человек находит соответствующее ему понятие, к которому затем подбирает подходящее слово и озвучивает его. Восприятие текста происходит в обратном направлении. Получив через один из органов коммуникации некоторое слово,
человек связывает его с определенным понятием в зависимости от контекста, своего опыта и других факторов. После формирования в сознании определенного понятия формируется представление об объекте (например, лавине), о котором идет речь.
Проблемы в интеллектуально-вербальной коммуникации возникают при использовании неверных слов [4]. Это происходит в случае наличия различных ассоциаций между понятием и словом. Один участник коммуникативного процесса выражает понятие одним словом, с которым у другой стороны ассоциируется другое понятие.
Основная проблема с идентификацией понятий и ситуаций, которая присутствует в контексте рассматриваемой проблемы - это то, что сравниваемые объекты могут быть разнородными и к ним неприменимы меры сходства, являющиеся метриками.Каждой из расположенных в базе знаний ситуаций должно ставиться в соответствие множество проектных решений. С помощью методов поиска и сравнения ситуаций находится множество ближайших ситуаций к данной ситуации. Затем проектировщик может взять одно из готовых проектных решений и использовать его в проблемной области, для которой производится проектирование технического объекта и программного обеспечения для него.
Синтез проектных решений с помощью разрабатываемых методов должен осуществляться с меньшими временными затратами по сравнению с другими существующими подходами. Разработанное решение должно представлять собой законченные методы для выявления и описания ситуаций, в которых находится проектировщик при проведении моделирования, впоследствии с помощью которого можно получить готовое или начальное проектное решение в задачах структурного синтеза проектных решений.
Выводы
В СП «ВТ СA » на основании проведенных исследований предметной области и методов создания инструментальных средств разработки принят к внедрению ИAЦУКС, как один из вариантов ситуационных центров [5], который должен обеспечивать оценку лавинной опасности, контроля ситуаций и прогнозирования последствий чрезвычайных ситуаций, использование моделей различных угроз и особенностей управления процессами в мобильных условиях базирования. В ИAЦУКС предполагается использовать перспективный метод контроля лавинной опасности с помощью постоянного, многоточечного зондирования снежного покрова в аккустическом диапазоне.
Научная новизна заключается в использовании новых моделей и разработке инструментальных средств создания мобильных информационно-аналитических центров управления кризисными ситуациями. Впервые предложено использовать мобильные ИAЦУКС с многоточечным контролем состояния снежного покрова в акустическом диапазоне.Разра-ботка и изготовление такой системы включены в план работ СП «ВТ СA » на 2006-2007 годы.
Практическая значимость состоит в том, что для системного анализа и прогноза лавинной опасности необходимо использовать новые нструментальные средства и технические решения для управления ситуациями в кризисной обстановке.
Список литературы: 1. Brun E., Martin E., Simon V., Gendre C., Coleou C. An energy and mass model of snow cover suitable for operational and avalanche forecasting. J. Glaciol., 35 (121). 1989. Р. 333-342. 2. Durand Y., Brun E., MerindolL., Guyomarc 'h, Lesaffre B., Martin E. A meteorological estimation of relevant parameters for snow models. Ann. Glaciol.,18. 1993. Р. 65-71. 3. Glazovskaya T. Global distribution of snow avalanches and possible change of avalanche activity in the Northern Hemisphere due to the climatic change. Annals of Glaciology. Cambridge, UK, 1998. Vol. 26. Р. 337-342. 4. КуземинА.Я., СорочанМ.В., ТороевА.А. Использование языковых средств на ранних стадиях проектирования программного обеспечения // Искусственный интеллект. 2004. .№3. С. 328-336. 5. Slipchenko M., Kuzemin A., Sorochan M., TorojevA. Situation Centers in Modern State // Proc. of the Sec. Intern. Conf. i.TECH 2004, Varna, Bulgaria. 2004. P.96-98.
Поступила в редколлегию 15.03.2006 Тороев Асамбек Абакирович, соискатель ХНУРЭ, генеральный директор совместного киргизско-российского предприятия «Вычислительная техника и средства автоматизации». A^^ : Киргизская Республика, 720082, Бишкек - 82, ул. Шабодан баатыра, 4A, тел./факс (996-312) 53-00-31, e-mail: vtnsa@rambler.ru .
