НЕЙРОННЫЕ СЕТИ В РЕШЕНИИ ЭКОЛОГИЧЕСКИХ ПРОБЛЕМ РАЗВИТИЯ ТРАНСПОРТНЫХ УСЛУГ Текст научной статьи по специальности «Компьютерные и информационные науки»

Нейронные сети в решении экологических проблем развития транспортных услуг

Василенко Марина Александровна

кандидат экономических наук, доцент, доцент, кафедра «Экономическая и социальная теория», ФГБОУ ВО «Ростовский государственный медицинский университет» Министерства здравоохранения Российской Федерации, margo2026@yandex.ru, 8938-103-99-40

Кузина Елена Леонидовна

д.э.н., профессор, доцент кафедра Менеджмент качества ФГАОУ ВО «Российский университет транспорта», kyzina2008@yandex.ru

Тагильцева Юлия Аркадьевна

кандидат экономических наук, доцент, кафедра Таможенных операций и таможенного контроля Ростовский филиал государственного казенного образовательного учреждения высшего образования «Российская таможенная академия», 79185065822@ya.ru

Прокопова Анастасия Михайловна

аспирант кафедры Менеджмент качества ФГАОУ ВО «Российский университет транспорта», nas-prokopova@yandex.ru

Нейронные сети представляют собой мощную вычислительную технологию, которая способна эффективно обрабатывать огромный объем данных, а также позволяет использовать новые подходы к исследованию сложных многомерных явлений. Одним из явлений является со-цио-эколого-экономическая проблема, созданная транспортными предприятиями. В настоящее время данная проблема является актуальной и относится к числу наиболее значимых для общества. В статье представлена модель построения классификатора социо-эколого-экономических сетей по уровню экологической безопасности общества на транспортном предприятии. Система в состоянии определить степень угрозы транспортного предприятия, предложить способы решения назревшей проблемы. Авторами раскрыты преимущества применения нейронной сети в прогнозировании деятельности транспортных компаний. Рассмотрены показатели социо-эколого-экономической оценки функционирования транспортных предприятий относительно безопасного природопользования. Сформирована архитектура нейронной сети на транспортном предприятии. Ключевые слова: нейронные сети, транспорт, моделирование, эффективность, окружающая среда, безопасность, модель.

Введение.

Антропогенная активность оказывает негативное влияние на все аспекты жизни человека. В то же время растет и понимание, насколько сильно оно влияет на окружающий мир. В этой связи проводятся большие исследования, посвященные сокращению негативных эффектов транспортного влияния на окружающий мир. Принцип института охраны окружающей среды - это принцип сочетания экологических, экономико-социальных и социально-экономических интересов людей, общества, государства [5].

Эффективным современным инструментом в оценке и решении социо-эколого-экономических (СЭЭ) проблем, связанных с загрязнением окружающей среды транспортными предприятиями являются нейросети.

Исследования в области неройсетевого моделирования на предприятиях транспорта нашли отражение в трудах Галушкина А.И., Кузиной Е. Л., Ходковской Ю.В., Глинского В.В., Хе-ббаба Д.О., Охонина В.А., Матюха С.В., Лёзиной И.В., Барцева С.И., Николаевой Н. А. и др.

Вопросы использования нечетких нейронных сетей рассмотрены в трудах ученых: Бэстэнса Д.Э., Терехова В.А., В.М. Лазарева, А.П. Свиридова, К.А. Зайкова, М.С. Хван, А.С. Михайлова, Староверова Б.А. и др.

Применению нейросетевых моделей в экономике и экологии посвящены фундаментальные научные работы Байдина Д.Ю., Макуриной Т.В., Черепанова Ф.М., Ясницкого Л.Н., Ма-линина Н.А., Полищука А.Н., Богданова К.В., Думлера А.А., Кирсовой А.В. и др.

Цель исследования - выявление перспектив использования нейросетевых подходов для решения социально-эколого-экономических задач, поставленных перед транспортными компаниями.

Материалы и методы исследования.

Исследование базируется на методах эмпирического анализа, графической и табличной визуализации данных.

Результаты и их обсуждение.

Нейросетевая модель является одним из самых простых способов решения сложных задач [2].

Преимуществами применения нейронной сети в прогнозировании деятельности транспортных компаний выступают:

1) вариативность применения;

2) точность предсказания результатов безопасного природопользования в будущих периодах;

3) возможность применения как количественных, так и качественных показателей оценки социо-эколого-экономической эффективности [6].

Нейросетевые технологии при осуществлении мониторинга и прогнозирования влияния транспортных предприятий на состояние окружающей среды позволяют решить задачи, представленные на рисунке 1.

X X

о го А с.

X

го m

о

м о м

CJ

«ч о

О!

О Ш Ш X

<

ш

о

X X

Задачи

Наиболее точный прогноз загрязнений окружающей среды транспортными предприятиями

Прогноз возможной экологической катастрофы, распространения воздушного загрязнения, способы его предотвращения, минимизация неблагоприятных воздействий

Внедрение оптимальных методов управления состоянием окружающей средьт (организационно-технические природоохранные мероприятия)

Анализ и оценка нанесенного вреда окружающей среде, здоровью человека, выявление и надлежащее наказание виновных

Рис. 2. Модель построения классификатора СЭЭ сетей по уровню экологической безопасности транспортного предприятия

Для построения классификатора СЭЭ необходимо иметь высококачественные данные для той выборки, с которой придется работать в данной модели. Только в этом случае можно получить классификатор нужного качества [7, 8].

Показатели СЭЭ безопасности транспортных предприятий представлены в таблице 1.

Таблица 1

Показатели и факторы СЭЭ безопасности транспортных пред-

Рис. 1. Перечень задач, решаемых с использованием нейротехнологий

В настоящее время, в области экономики для решения прикладных задач используются нечеткие нейронные сети. Это связано с тем, что нейронные сети представляют собой реализацию систем нечетких логических выводов с использованием методов нейронных сетей [1] и связаны с возможностью моделировать, прогнозировать будущее состояние системы, выявляют влияние транспортных предприятий на загрязнение окружающей среды, а также оценивают и устанавливают взаимосвязи в системе. Нейронные сети потенциально отказоустойчивы [3] и являются самоадаптирующими моделями [11]. Нейронные же сети могут аппроксимировать любые непрерывные функции с любой требуемой точностью [9, 10], а также способны выявлять сложные зависимости между входными данными и выходными [12].

Применение нечетких нейросетей может быть использовано для построения модели СЭЭ сетей по уровню экологической безопасности транспортного предприятия (рис. 2).

Переменная Показатели

х1 Объем услуг транспортных предприятий в доле от ВРП

х2 Материало- и энергоемкость ВРП

х3 Наличие, степень износа природоохранных фондов

х4 Эмиссия загрязняющих веществ транспортных предприятий, поступающих в элементы окружающей среды

хЯ Изменение ассимиляционной способности экосистем

х6 Образование и потребление отходов производства транспортных предприятий, тыс. тонн

х7 Использование, производство и обезвреживание отходов транспортных предприятий, тыс. тонн

х8 Выбросы в атмосферный воздух загрязняющих веществ передвижными источниками, тонн/ км2

х9 Улавливание загрязняющих атмосферу веществ от стационарных источников, тонн/ км

х10 Улавливание загрязняющих атмосферу веществ от передвижных источников, тонн/ км

х11 Загрязнение сточных вод поверхностных водных объектов, тыс. куб. метров

х12 Сокращение транспортными организациями выбросов в атмосферу диоксида углерода (СО2 ), в %от общего числа

х13 Снижение транспортными предприятиями загрязнения окружающей среды, в % от общего числа

х14 Перевозки грузов транспортными предприятиями, млн т

х1Я Грузооборот, млн т-км

х16 Доля текущих затрат на охрану окружающей среды, в % от общего числа

Поскольку показатели имеют различную размерность, то в данном случае необходимо применить процедуру нормирования исходных данных, которые в дальнейшем лягут в основу определения эталонных представителей транспортных предприятий по уровню экологической безопасности (табл. 2).

Таблица 2

Кластер Тип Вид транспорта

1 Низкий (опасный) Автомобильный, водный, авиационный

2 Высокий (безопасный) Железнодорожный, трубопроводный

На основе эталонных представителей построим архитектуру нейронной сети транспортного предприятия (рис. 3).

Как видно из рисунка 3, нейронная сеть способна обобщать и выделять скрытые зависимости между входными и выходными данными, и основывается на получении достоверного статистического прогноза [13, 14]. Входные элементы подают значения переменных, затем отрабатываются нейроны слоев промежуточных и выходных [4].

Рис. 3. Архитектура нейронной сети транспортного предприятия

В рамках научных исследований для определения загрязнения окружающей среды транспортными предприятиями, в нейронную сеть подаются входные значения:

{[x1(t), x2(t), x3(t)]}, (1)

и сопоставляются получаемые на выходе нейронной сети значений y(t) с заданными эталонными значениями O(t) в контрольной выборке. Затем вычисляется корреляция (r) между ними:

2(0 (t)-oj (y(t)-yj

г =

(2)

j(0(t)-0)2j(y(t)-y)2

где O — среднее по всем эталонным значениям O(t) в выборке;

y — среднее по всем выходным значениям y(t) в выборке;

Q—размер выборки.

Нейросетевая модель прогнозирования уровня загрязнения атмосферного воздуха транспортными компаниями является достаточно результативной, поскольку полученные данные позволяют сделать вывод о том, что применение нейросе-тевых алгоритмов для прогнозирования на ближайшую перспективу вполне оправданно [15].

Заключение

Таким образом, построение нейронной сети позволяет прогнозировать принадлежность каждого вида транспорта к определенному кластеру. Оценка качества и экологической безопасности работы транспортных предприятий на основе использования нечеткой нейронной сети позволяет осуществлять их эффективную работу в рамках СЭЭ системы. Применение нейросетевых технологий на транспортных предприятиях используется для обработки информации и построения моделей, являясь перспективным направлением исследований.

Литература

1. Энгель Е. А., Ковалев И. В. Методы и алгоритмы обработки информации нечеткими нейросетями в системах интеллектуальной поддержки принятия решений // Сибирский аэрокосмический журнал. 2007. №4. URL: https://cyberleninka.ru/article/n/metody-i-algoritmy-obrabotki-informatsii-nechetkimi-neyrosetyami-v-sistemah-intellektualnoy-podderzhki-prinyatiya-resheniy (дата обращения: 23.03.2023).

2. Глинский В.В., Серга Л.К., Зайков К.А., Хван М.С. Нечеткие нейронные сети в оценке экологической безопасности. Вопросы статистики. 2015;(12):61-68. https://doi.org/10.34023/2313-6383-2015-0-12-61 -68

3. Хван М.С. Статистическая оценка экологической безопасности территорий РФ // Материалы 53-й Международной научной студенческой конференции МНСК-2015: Экономика / Новосиб. гос. ун-т. Новосибирск, 2015. С. 92-93.

4. Романова, А. Г., Тархов Д.А., Шемякина Т.А. О применении нейросетевых моделей в экологии // Современные информационные технологии и ИТ-образование. - 2013. - № 9. - С. 534-539

5. Кляченков А. А. Искусственный интеллект и его влияние на охрану окружающей среды // Актуальные исследования. 2021. №2 (29). С. 63-66. URL: https://apni.ru/article/1767-iskusstvennij-intellekt-i-ego-vliyanie

6. Рахаев В.А. Нейросетевое моделирование в прогнозировании пассажиропотоков транспортных компаний / В. А. Ра-хаев, Е. Л. Кузина, М. А. Василенко [и др.] // . - 2022. - № 10(136). - С. 64-73. - EDN HIXRSA.

7. Романова А.Г., Тархов Д.А., Шемякина Т.А. Нейросете-вое моделирование в обратных задачах экологического мониторинга // Материалы XVIII Международная конференция по вычислительной механике и современным прикладным программным системам (ВМСППС'2013), Алушта. - М.: Изд-во МАИ-ПРИНТ, 2013. - С. 228 - 231

8. Ясницкий Л.Н., Богданов К.В., Черепанов Ф.М. Технология нейросетевого моделирования и обзор работ пермской научной школы искусственного интеллекта // Фундаментальные исследования №1, 2013. С. 736-740

9. Guoqiang Zhang, B. Eddy Patuwo, Michael Y. Hu, Forecasting with artificial neural networks: the state of the art./ International Journal of Forecasting 14, 1998. pp. 35-62

10. Царегородцев В.Г., Взгляд на архитектуру и требования к нейроимитатору для решения современных индустриальных задач/ Материалы XI Всероссийского семинара "Ней-роинформатика и ее приложения" Красноярск, 2003. с. 171-175

11. Коробицын, Б А., Якшина, Н В Прогнозирование уровней загрязнения атмосферного воздуха с использованием искусственных нейронных сетей / Труды XI Международного экологического симпозиума «Урал атомный, Урал промышленный» Екатеринбург, 7-11 февраля 2005, с 270-272

12. Панченко, А. А. Нейросетевые модели прогнозирования уровня загрязнения атмосферного воздуха в промышленном городе / А. А. Панченко, П. А. Рахман, А. М. Сафаров // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. - 2018. - № 5. - С. 121-126.

13. Василенко М.А., Мельник П.В., Галкин В.А. Социо-эко-лого-экономические интересы в безопасном развитии транспортных компаний // Труды XIII международной научной конференции «Студенческий научный форум 2021» URL: https://scienceforum.ru/2021/article/2018026222

14. Рахаев В.А., Кузина Е.Л., Василенко М.А., Лиманчук Л.Н., Васильченко А.В. Нейросетевое моделирование в прогнозировании пассажиропотоков транспортных компаний // Научно-практический журнал «Наука и бизнес: пути развития» № 10 2022 г.с. 64-73

15. Бредихина Ф.М., Павленко Е.В. Пути решения экологических проблем в дорожном хозяйстве и на транспорте // Вестник научных конференций. № 4 - 2 (20). 2017. с. 18-20.

Neural networks in solving socio-ecological and economic problems by

transport enterprises Vasilenko M.A., Kuzina E.L., Tagiltseva Yu.A., Prokopova A.M.

Rostov State Medical University of the Ministry of Health of the Russian Federation,

Russian University of Transport, Moscow JEL classification: C01, C02, C1, C4, C5, C6, C8_

Neural networks are a powerful computing technology that is capable of efficiently processing a huge amount of data, and also allows using new approaches to the study of complex multidimensional phenomena. One of the phenomena is the socio-ecological and economic problem created by transport enterprises. Currently, this problem is relevant and is among the most significant for society. The article presents a model for constructing a classifier of socio-ecological and economic networks according to the level of environmental safety of society at a transport enterprise. The system is able to determine the degree of threat to the

О го А П.

transport enterprise, to suggest ways to solve the urgent problem. The authors have revealed the advantages of using a neural network in predicting the activities of transport companies. The indicators of socio-ecological and economic assessment of the functioning of transport enterprises with respect to safe environmental management are considered. The architecture of the neural network at the transport enterprise has been formed. Keywords: neural networks, transport, modeling, efficiency, environment, safety,

model. References

1. Engel E. A., Kovalev I. V. Methods and algorithms of information processing by

fuzzy neural networks in intelligent decision support systems. Siberian Aerospace Journal. 2007. No. 4. URL: https://cyberleninka.ru/article/nimetody-i-algoritmy-obrabotki-informatsii-nechetkimi-neyrosetyami-v-sistemah-intellektualnoy-podderzhki-prinyatiya-resheniy (accessed: 03/23/2023).

2. Glinsky V.V., Serga L.K., Zaikov K.A., Khvan M.S. Fuzzy neural networks in

environmental safety assessment. Questions of statistics. 2015;(12):61-68. https://doi.org/10.34023/2313-6383-2015-0-12-61-68

3. Khvan M.S. Statistical assessment of environmental safety of the territories of the

Russian Federation. Materials of the 53rd International Scientific Student Conference MNSK-2015: Economics / Novosibirsk State University. Novosibirsk, 2015. pp. 92-93.

4. Romanova, A. G., Tarkhov D.A., Shemyakina T.A. On the application of neural

network models in ecology. Modern information technologies and IT education. -2013. - No. 9. - pp. 534-539

5. Klyachenkov A. A. Artificial intelligence and its influence on environmental

protection. Actual research. 2021. No.2 (29). pp. 63-66. URL: https://apni.ru/article/1767-iskusstvennij-intellekt-i-ego-vliyanie

6. Rakhaev V.A. Neural network modeling in forecasting passenger flows of transport

companies / V. A. Rakhaev, E. L. Kuzina, M. A. Vasilenko [et al.]. - 2022. - № 10(136). - Pp. 64-73. - EDN HIXRSA.

7. Romanova A.G., Tarkhov D.A., Shemyakina T.A. Neural network modeling in

inverse problems of environmental monitoring. Materials of the XVIII International Conference on Computational Mechanics and Modern Applied Software Systems (VMSPPS'2013), Alushta. - M.: Publishing House MAI-PRINT, 2013. - pp. 228231

8. Yasnitskiy L.N., Bogdanov K.V., Cherepanov F.M. Neural network modeling

technology and a review of the Perm Scientific School of artificial Intelligence. Fundamental research No. 1, 2013. pp. 736-740

9. Guoqiang Zhang, B. Eddy Patuwo, Michael Y. Hu, Forecasting with artificial neural

networks: the state of the art. International Journal of Forecasting 14, 1998. pp. 35-62

10. Tsaregorodtsev V.G., A look at architecture and requirements for a neuroimitator

for solving modern industrial problems. Materials of the XI All-Russian seminar «Neuroinformatics and its applications» Krasnoyarsk, 2003. pp. 171-175

11. Korobitsyn, B. A., Yakshina, N. V. Forecasting atmospheric air pollution levels

using artificial neural networks. Proceedings of the XI International Ecological Symposium "Ural Atomic, Ural Industrial" Yekaterinburg, February 7-11, 2005, pp. 270-272

12. Panchenko, A. A. Neural network models for forecasting the level of atmospheric

air pollution in an industrial city / A. A. Panchenko, P. A. Rahman, A.M. Safarov. Modern science: actual problems of theory and practice. Series: Natural and Technical Sciences. - 2018. - No. 5. - pp. 121-126.

13. Vasilenko M.A., Melnik P.V., Galkin V.A. Socio-ecological and economic interests

in the safe development of transport companies. Proceedings of the XIII International Scientific Conference "Student Scientific Forum 2021" URL: https://scienceforum.ru/2021/article/2018026222

14. Rakhaev V.A., Kuzina E.L., Vasilenko M.A., Limanchuk L.N., Vasilchenko A.V.

Neural network modeling in forecasting passenger flows of transport companies. Scientific and practical journal "Science and business: ways of development" No. 10 2022 pp. 64-73

15. Bredikhina F.M., Pavlenko E.V. Ways of solving environmental problems in the

road sector and on transport. Bulletin of scientific conferences. № 4 - 2 (20). 2017. pp. 18-20.

CO CS

o

CS

o

HI

m

X

<

m

o

X X