CC BY
15участников секционных заседаний XXI Всероссийского симпозиума. Москва, 10-11 ноября 2020 г. - С. 98-101. - https://doi.org/10.34706/978-5-8211-0783-1-s1-27.
11. Виноградов А.Н., Куршев Е.П., Применение технологии создания интеллектуальных динамических систем в задачах стратегического планирования // Системный анализ в проектировании и управлении. В 3 ч. Ч. 3 : сборник научных трудов XXIV Международной научной и учебно-практической конференции, 13-14 октября 2020 г. / Под общ. ред. Г.В. Гореловой, А.В. Логиновой. - СПб. : ПОЛИТЕХ-ПРЕСС, 2020. - С. 152-158. - doi:10.18720/SPBPU/2/id20-208.
12. Виноградов А.Н., Miracle. Свидетельство о регистрации программы для ЭВМ 2021681788, от 27.12.2021 .
13. Куршев, Е. П. Краткий исторический обзор разработок иции ИПС РАН // История науки и техники. - 2009. - № 5. - С. 66-72. - EDN KPNYQL.
14. Технологии построения и архитектуры интеллектуальных систем // Интеллектуальные технологии и системы : учебное пособие. - М.: Российский университет дружбы народов (РУДН), 2021. - С. 26-72. - EDN VGMUZC.
УДК 330.1
doi:10.18720/SPBPU/2/id23-52
Горелова Галина Викторовна 1,
научный руководитель ИУЭС ЮФУ, д-р техн. наук, профессор;
л
Мельник Эдуард Всеволодович ,
зав. лаб. ИТ и ПУ, ЮНЦ РАН, гл. науч. сотр., д-р техн. наук;
■5
Орда-Жигулина Марина Владимировна ,
сотрудник лаборатории ИТ и ПУ, ЮНЦ РАН, ст. науч. сотр., канд. техн. наук; Капустян Сергей Григорьевич 4, сотрудник лаборатории ИТ и ПУ, ЮНЦ РАН, гл. науч. сотр., д-р техн. наук
ПРИМЕНЕНИЕ КОГНИТИВНОГО АНАЛИЗА ПРИ ПОСТРОЕНИИ ИМИТАЦИОННОЙ МОДЕЛИ СИСТЕМЫ МОНИТОРИНГА И ПРОГНОЗИРОВАНИЯ ПОВЕДЕНИЯ
ГИДРОЭКОСИСТЕМЫ
1 Россия, Таганрог, Институт управления в экономических, социальных и экологических системах Южного федерального университета,
gorelova-37@mail.ru; 2' 3' 4 Россия, Таганрог, ИТ и ПУ, Южный научный центр РАН, 2 evm17@mail.ru, 3 jigulina@mail.ru, 4 kap59@mail.ru
Аннотация. В данной работе описан подход к построению имитационной модели системы мониторинга и прогнозирования поведения гидроэкосистемы. Была построена иерархическая когнитивная схема гидроэкосистемы юга России (дельта Дона и Таганрогский залив). Данная схема была поставлена в соответствие когнитивной схеме, которая отражает вычислительную структуру системы мониторинга и диагностики. Было проведено моделирование сценариев развития ситуаций, которые влияют на выбор правильных методов построения распределенных вычислительных систем для решения подобных задач. Также были
рассмотрены принципы совместной работы прототипа модуля когнитивного анализа и мультироботехнического комплекса на базе прототипа модели распределенного хранилища данных, реализованного с помощью технологии распределенного реестра. Интеграция разработанных компонентов ориентирована на мониторинг и прогнозирование поведения гидроэкосистемы за счет использования аппарата когнитивного анализа.
Ключевые слова: гидроэкосистема, опасные явления, система мониторинга, когнитивное моделирование, когнитивный модуль, система поддержки принятия решений, робототехнический комплекс.
Galina V. Gorelova \
Scientific Supervisor of the Institute of Ecology and Economics,
Doctor of Technical Sciences, Professor;
Eduard V. Melnik ,
Head of IT and PU Laboratory, SSC RAS; Chief Science Officer,
Doctor of Technical Sciences; Marina V. Orda-Zhigulina 3, Member of the IT and MP Laboratory, SSC RAS, Senior Researcher, PhD;
Sergey G. Kapustyan 4, Member of the IT and MP Laboratory, SSC RAS, Chief Science Officer, Doctor of Technical Sciences
APPLICATION OF COGNITIVE ANALYSIS IN THE CONSTRUCTION OF A SIMULATION MODEL OF A SYSTEM FOR MONITORING AND PREDICTING THE BEHAVIOR OF A HYDROECOSYSTEM
1 IMES SFEDU, Taganrog, Russia, gorelova-37@mail.ru;
2 3 4 IT and MP, SSC RAS, Taganrog, Russia,
2 3 4
evm17@mail.ru, jigulina@mail.ru, kap59@mail.ru
Abstract. This paper describes an approach to building a simulation model of a system for monitoring and predicting the behavior of a hydroecosystem. A hierarchical cognitive scheme of the hydroecosystem of the south of Russia (the Don Delta and the Taganrog Bay) was constructed. This scheme was put in accordance with the cognitive scheme, which reflects the computational structure of the monitoring and diagnostics system. Modeling of scenarios for the development of situations that affect the choice of the correct methods for constructing distributed computing systems for solving such problems was carried out. The principles of joint work of a prototype of a cognitive analysis module and a multirobotechnical complex based on a prototype of a distributed data warehouse model implemented using distributed registry technology were also considered. The integration of the developed components is focused on monitoring and predicting the behavior of the hydroecosystem through the use of cognitive analysis apparatus.
Keywords: hydroecosystem, dangerous phenomena, monitoring system, cognitive modeling, cognitive module, decision support system, robotic complex.
Введение
В настоящее время при мониторинге и диагностике поведения гидроэкосистем применяются новые интеллектуальные датчики, происходит цифровизация традиционных методов исследований, что приводит к увеличению объема требующей обработки информации в режиме реального времени. Такая информация может поступать как от интеллектуальных датчиков различных типов, которые закреплены на отдельных роботах-участниках мультиробототехнического комплекса (например, на отдельных беспилотных летательных аппаратах БПЛА), так и от локальных систем мониторинга и диагностики, от экспертов или из масс-медиа. При этом растут не только объем и скорость новой, требующей обработки, информации, но и сами исходные данные обладают разнородностью и многообразием. В частности, существует предел информации, который человек может осознать и обработать за определенный промежуток времени (адаптивный уровень восприятия эксперта). Все это приводит к изменениям традиционных методов работы централизованных систем мониторинга и диагностики и требует не только автоматизации и процессов обработки и анализа данных от датчиков, но и интеллектуализации информационных и организационных процессов, разработки и внедрения новых методов и технологий поддержки принятия решений на базе искусственного интеллекта [1], а также создания новых принципов построения систем.
Для решения вышеперечисленных научно-технических задач авторами были разработаны, а затем интегрированы между собой прототипы модуля когнитивного анализа, мультиробототехнического комплекса и модуля распределенного хранилища данных [2]. Эти прототипы компонентов были объединены в рамках подсистемы поддержки принятия решений, которая является одной из подсистем при мониторинге и прогнозировании для различных областей применения. Такая интеграция компонентов системы была осуществлена на основе разработанного комплекса методов интеллектуальной обработки данных для систем мониторинга и диагностики для различных областей деятельности; а также ранее предложенной авторами [2-6] методологии построения высоконадежных реконфигурируемых систем на базе технологий «цифровой экономики» для обработки информации, обеспечении доступа, хранения и передачи данных на базе распределенного реестра, метода комплексиро-вания информации, метода робастно устойчивого управления движением группы мобильных роботов при решении задач мониторинга мультиро-бототехническими комплексами методологии.
При интеграции различных компонентов системы мониторинга была обеспечена возможность объединения в рамках одной системы различных участников без их иерархической подчиненности и возмож-
ность автоматизированной оценки вероятности наступления опасных процессов или явлений из различных областей человеческой деятельности, например, вероятность наступления опасных природных процессов и явлений.
Система мониторинга состоит из мультиробототехнического комплекса, подсистемы сбора и хранения информации, подсистема поддержки принятия решений, распределенного хранилища данных и различных программных компонентов, которые формируют коммуникационную и информационно-вычислительную среду.
В состав подсистемы поддержки принятия решений входят следующие модули: модуль когнитивного анализа, распределенное хранилище данных и мультиробототехнический комплекс.
Структура подсистемы является распределённой и ее вид определяется структурой решаемой задачи. В данном случае решаемая задача -это разработка структуры системы мониторинга и диагностики, которая применяется при работе с моделью изучения гидроэкосистемы юга России, в которую входит Таганрогский залив, дельты Дона и Азовского моря. Структура вычислительной системы должна соответствовать имитационной (когнитивной) модели системы в виде общей когнитивной схемы, которая будет показана ниже.
1. Принцип работы модуля когнитивного анализа как базового элемента системы мониторинга и прогнозирования состояния гидроэкосистемы
Одним из важных элементов подсистемы поддержки принятия решений является модель модуля когнитивного анализа, который включает в себя программное обеспечение для построения когнитивных карт и их анализа.
Модуль когнитивного анализа интегрировался с модулем распределенного хранилища данных, реализованного на базе распределенного реестра [3-6]. В процессе интеграции быть разработан программный модуль преобразования данных мониторинга в формат когнитивной карты служит для автоматизированного сбора данных от различных источников и является составной частью модуля когнитивного анализа.
Кроме того, разрабатываемая система является универсальной, поэтому каждый новый участник системы вне зависимости от области своей профессиональной деятельности может быть интегрирован в систему. Он сможет проводить свои научные исследования в своей области научных знаний и выявлять неочевидные закономерности за счет интеллектуального анализа данных. Таким образом, будет иметься очень широкий спектр научных исследований в различных сферах и будут видны новые пути разрешения критических ситуаций.
С онтологической точки зрения, при проведении интеграции модуля когнитивного анализа и модуля распределенного хранилища данных и для проведения экспериментальных исследований была выбрана модель изучения гидроэкосистемы юга России, в которую входит Таганрогский залив, дельты Дона и Азовского моря и была разработана имитационная (когнитивная) модель системы в виде общей когнитивной схемы, которая показана на рисунке 1.
Экспериментальными исследованиями работоспособности разработанной когнитивной модели в данном случае являлась проверка работоспособности программного обеспечения, реализованного для построения когнитивных карт различных уровней и графиков анализа импульсных процессов. Также экспериментальной проверкой работоспособности разработанной имитационной модели являлись сами когнитивные карты, построенные на базе исходных данных о состоянии различных параметров гидроэкосистемы юга России (части Понто-Каспийского региона).
Рис. 1. Когнитивная схема системы мониторинга и диагностики в виде когнитивной схемы на примере изучения гидроэкосистемы для экспериментальных исследований
Для разработанной имитационной модели были разработаны когнитивные карты, для которых был осуществлён анализ их структурных свойств, свойств устойчивости и др., осуществлено сценарное моделиро-
вание. Разработка когнитивной модели, когнитивных карт на их основе и их последующий анализ выполнялись с помощью разработанной программной системы когнитивного моделирования сложных систем.
2. Имитационная модель мониторинга и прогнозирования состояния гидроэкосистемы
В основу разработанной имитационной модели системы мониторинга и прогнозирования опасных процессов и обеспечения безопасности населения и береговой инфраструктуры была положена методология когнитивного моделирования сложных систем и соответствующая информационная когнитивная технология [4-6].
Для выявления взаимосвязей между измеряемыми параметрами гидроэкосистемы (мутность, соленость, скорость ветра и уровень воды) и для одновременной оценки изменения всех этих параметров за заданный временной период был построен ориентированный граф VI.. .VII.
Рис. 1. Ориентированный граф в программной системе CMСS для метеопоста 1007 ЮНЦ РАН для анализа данных за 6 месяцев с периодом усреднения данных за
1 месяц с 01.07.2022 по 31.07.2022
Названия вершин графа соответствуют измеряемым на метеопосте 1007 параметрам. Значения вершин были заданы в баллах от 1 до 10. Вес вершин от 1 до 10 должен определять профильный эксперт, который отвечает как за сами измерения, так и за обработку и анализ результатов наблюдений.
Для метеопоста 1007 ЮНЦ РАН была построена матрица смежности V1...V11 с помощью программной системы CMCS (Cognitive Modeling Complex Systems). Матрица смежности связывает все параметры, которые измеряет метеопост 1007. Направление и «сила» (вес) связей между вершинами графа соответствуют найденным закономерностям за заданный временной интервал наблюдений (например медиане, моде, среднему значению) и записываются в соответствующую ячейку матрицы смежности. Был выбран нормальных закон распределения для всех наблюдаемых на метеопосте параметров. Поэтому матрица смежности является корреляционной матрицей.
Таблица 1
Нормированные значения данных в матрице смежности для вершин V1..V11 для данных метеопоста 1007 за период 01.07.2022-30.07.2022. Соответствуют «весу» и направлению связей ориентированного графа, показывающего взаимосвязь между параметрами метеопоста 1007
In/Out V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11
V1 1 1 1 1
V2 -5 -4 5 -6 1 -1 1
V3 1 -3 4 -3 1
V4 -4 7 -1 -1 2 -1 -1
V5 -8 -2 2
V6 1
V7 4 -1 1 1
V8 -3 -3 -3
V9 -4 -4
V10
V11
Для полученного графа и матрице смежности для параметров метеопоста 1007 был построен график «импульсного процесса». То есть графически показано прогнозируемое изменение параметров и их влияние друг на друга на временном промежутке в 6 месяцев. Данный временной промежуток был выбран исходя из того, что матрица смежности строилась для данных за один месяц с 1 по 30 июля 2022 года. Также можно строить матрицу для разных временных промежутков, например для промежутка в 1 день, и потом смотреть, как параметры взаимно вли-
яют друг на друга и на глубинные структурные изменения в гидроэкосистеме за временной период, например, 2-10 дней.
В результате анализа за период наблюдений с 01.07.2022 по 31.07.2022 такие параметры как «мутность FTU», «проводимость дно» мкСм/см, «температура дно» С, «проводимость поверхности» мкСм/см, «температура поверхности» С, «температура» С, «уровень воды с датчика» м, «уровень воды откорректированный по высоте» м имели «аномальные» значения. Параметры «скорость ветра» м/с и «направление ветра градусы» находились в «обычных» значениях.
На рисунке 3 показан прогноз изменения параметров «мутность», «температура», «уровень воды» и «глубинные структурные изменения в гидроэкосистеме». Период наблюдений для метеопоста 1007 был выбран с 01.07.2022 по 31.07.2022 (один месяц).
Рис. 3. График импульсного процесса для параметров метеопоста 1007 за прогнозный
период с 01.07.2022 по 31.12.2022
Для построения прогнозных значений изменений параметров был выбран временной интервал равный 6-ти периодам наблюдений с 01.07.2022 по 31.12.2022 (6 месяцев).
Для проверки построенной графической модели связи между различными параметрами для метеопоста 1007 в результате анализа результатов измерений было установлено, что измеряемые параметры «мутность FTU», «проводимость дно», «температура дно», «проводимость
поверхности», «температура поверхности», «температура», «уровень воды с датчика», «уровень воды откорректированный по высоте» переходили в «аномальный» интервал своих значений за период наблюдений с 01.07.2022 по 31.07.2022, а именно 29.07.2022.
Параметры «скорость ветра» и «направление ветра градусы» находились в «обычном» интервале своих значений за период наблюдений с 01.07.2022 по 31.07.2022. Также на рисунке 3 показано взаимное воздействие параметров друг на друга за период прогнозирования (6 периодов наблюдений с 31.07.2022 по 31.12.2022). Но, несмотря на изменения параметров и их взаимное влияние друг на друга, в периоде 6 месяцев гидроэкосистема находится в равновесии. Так как за период прогнозирования с 31.07.2022 по 31.12.2022 с 1 по 4-й месяц изменения параметра «глубинные структурные изменения в гидроэкосистеме» нарастают, с 4 по 6 месяц убывают. Предпосылок для возникновения опасного природного явления нет.
Необходимо обратить внимание, что значения ячеек в матрице смежности будут определяться выбранным типом аппроксимации или усреднения данных и за различные временные интервалы наблюдений эти значения будут различными. Следовательно, не только вес вершин, но направление и вес связей в ориентированном графе тоже будут различными и будут сильно зависеть как от интервалов наблюдений, так и от выбранного интервала прогнозирования (4-10 интервалов наблюдений).
То есть, для того, чтобы построить математическую имитационную модель в виде ориентированного графа, определять количество замкнутых циклов в таком графе и графически оценивать взаимное влияние параметров гидроэкосистемы друг на друга, необходимо точно знать по какому закону распределено значение каждого измеряемого параметра в каждый период наблюдений (нормальный или равномерный закон распределения, например) и какая усредненная величина этого параметра за период наблюдений будет наиболее информативной (медиана, среднее значения, моды и т. д.) для построения матрицы смежности. Также необходимо с помощью профильных экспертов-ученых определять интервал усреднения измеренных величин (несколько минут, часов, сутки или месяц) и только потом можно строить ориентированный граф и предсказывать взаимное влияние измеренных усреднённых параметров друг на друга на нескольких временных периодах на которых было проведено усреднение измеренной параметров гироэкосистемы.
Также профильные эксперты на следующем этап исследования должны проверять график импульсного процесса на заданном интервале
прогнозирования, то есть, происходит ли цикличный рост или падение солености в выбранном временном интервале, например. Скорее всего, предложенная модель прогнозирования должна хорошо работать только на коротких временных интервалах, где еще не играет существенной роли сезонная цикличность изменения параметров (этот вопрос необходимо задать профильным экспертам).
Для параметров, которые измеряет метеопост 1007 были получены следующие результаты:
- Построен ориентированный граф, показывающий связь между измеряемыми параметрами. Вес вершин должны определять профильные эксперты.
- Построена матрица смежности, на основании которой был определен вес и направление связей между вершинами графа. То есть было определено, как различные параметры влияют друг на друга.
- Построены графики импульсного процесса для периода прогнозирования 6 месяцев с 01.07.2022 по 31.12.2022. Показано взаимное влияние всех измеренных параметров метеопоста 1007 друг на друга и на параметр «глубинные изменения в гидроэкосистеме». Для периода наблюдений с 01.07.2022 по 31.07.2022 и периода прогнозирования с 01.07.2022 по 31.12.2022 получилось, что глубинные структурные изменения нарастают, но потом компенсируются взаимным влиянием параметров друг на друга.
Заключение
Был описан подход к построению имитационной модели системы мониторинга и прогнозирования поведения гидроэкосистемы юга России (дельта Дона и Таганрогский залив). Была осуществлена разработка имитационной модели в прототип модели системы мониторинга и прогнозирования для различных областей на базе технологии распределенного реестра. Были проведены экспериментальные исследования работоспособности и эффективности разработанных методов и алгоритмов.
Была построена иерархическая когнитивная схема гидроэкосистемы юга России (дельта Дона и Таганрогский залив). Данная схема была поставлена в соответствие когнитивной схеме, которая отражает вычислительную структуру системы мониторинга и диагностики. Было проведено моделирование сценариев развития ситуаций, которые влияют на выбор правильных методов построения распределенных вычислительных систем, частью которых является мультиробототехнический комплекс.
Были рассмотрены принципы организации совместной работы прототипа модуля когнитивного анализа и мультироботехнического комплекса на базе прототипа модели распределенного хранилища данных, реализованного с помощью технологии распределенного реестра. Интеграция разработанных компонентов ориентирована на мониторинг и прогнозирование поведения гидроэкосистемы за счет использования аппарата когнитивного анализа.
На базе разработанной имитационной модели была предложена структура вычислительной среды, которая может служить основой для создания систем мониторинга и прогнозирования гидроэкосистем и выработки управленческих решений.
Благодарности
Исследование выполнено при поддержке ГЗ №122020100270-3.
Список литературы
1. Карелин В. П. Интеллектуальные технологии и системы искусственного интеллекта для поддержки принятия решений //Вестник Таганрогского института управления и экономики. - 2011. - №. 2.]
2. Melnik E.V., Orda-Zhigulina M.V., Orda-Zhigulina D.V. Distributed Library Model Based on Distributed Ledger Technology for Monitoring and Diagnostics System // Lecture Notes in Networks and Systems. - 2021. - Vol. 230. - P. 501-509. DOI: 10.1007/978-3-030-77442-4_43.
3. Kapustyan S.G., Orda-Zhigulina D.V., Orda-Zhigulina M.V., Prakapovich R.A., Sychev U.A. Model of Multi-robotic Complex at the Base of Distributed Registry for Monitoring and Diagnostics System // Lecture Notes in Networks and Systems. - 2021. - Vol. 228. - P. 659-669. - DOI: 10.1007/978-3-030-77448-6_64.
4. Kapustyan S.G., Orda-Zhigulina M.V., Orda-Zhigulina D.V. Control of the Group of Mobile Robots Without Pre-planned Route for Monitoring and Diagnostic Purposes // Lecture Notes in Networks and Systems. - 2021 - Vol. 232. - P. 945-953. - DOI: 10.1007/978-3-030-90318-3_75.
5. Gorelova G., Melnik E., Safronenkova I. The Problem Statement of Cognitive Modeling in Social Robotic Systems // Lecture Notes in Computer Science (включая Lecture Notes in Artificial Intelligence). - 2021. - Vol. 12998. - P. 62-75. DOI: 10.1007/978-3-030-87725-5_6.
6. Мунтян Е.Р., Мельник Э.В. Исследование структурных характеристик распределенных вычислительных систем на основе графов с множественными разнотипными связями // Известия ЮФУ. Технические науки. -2021. - № 3.- С. 186-198 DOI: 10.18522/2311-3103-2021-3-186-198.
