| Русский Русский | English English |
   
Главная Текущий номер
01 | 03 | 2021
10.14489/vkit.2021.02.pp.039-045

DOI: 10.14489/vkit.2021.02.pp.039-045

Пальчевский Е. В., Христодуло О. И., Павлов С. В., Соколова А. В.
АНАЛИЗ РЕТРОСПЕКТИВНЫХ ДАННЫХ С ПРИМЕНЕНИЕМ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРОГНОЗИРОВАНИЯ УГРОЗ В СЛОЖНЫХ РАСПРЕДЕЛЕННЫХ СИСТЕМАХ
(c. 39-45)

Аннотация. Предложен метод прогнозирования угроз, основанный на интеллектуальном анализе исторических данных в сложных распределенных системах. Обосновывается актуальность выбранной темы исследования с точки зрения рассмотрения паводка как физического процесса подъема воды, уровень которого измеряется на стационарных гидрологических постах. В рамках сформулированной математической задачи реализована искусственная нейронная сеть на основе свободно-распространяемой программной библиотеки TensorFlow. Проведен анализ эффективности этой сети, по результатам которого средневзвешенное квадратичное отклонение спрогнозированного значения уровня воды от фактического при прогнозировании за одни сутки на стационарных гидрологических постах составило 0,032. Таким образом, нейронная сеть дает прогноз паводковой ситуации с приемлемой точностью, что позволяет специальным службам вовремя проводить мероприятия по парированию данной угрозы.

Ключевые слова:  прогнозирование паводковой ситуации; анализ ретроспективных данных; интеллектуальный анализ данных; нейронные сети.

 

Palchevsky E. V., Khristodulo O. I., Pavlov S. V., Sokolova A. V.
ANALYSIS OF HISTORICAL DATA USING ARTIFICIAL INTELLIGENCE TECHNOLOGIES FOR PREDICTING THREATS IN COMPLEX DISTRIBUTED SYSTEMS
(pp. 39-45)

Abstract. A threat prediction method based on the mining of historical data in complex distributed systems is proposed. The relevance of the selected research topic is substantiated from the point of view of considering floods as a physical process of water rise, the level of which is measured at stationary hydrological posts. The mathematical formulation of the problem is formulated, within the framework of which an artificial neural network is implemented based on the free software library “TensorFlow”. An analysis of the effectiveness of the implemented artificial neural network was carried out, according to the results of which the weighted mean square-law deviation of the predicted water level value from the actual one when forecasting for one day at stationary hydrological posts was 0.032. Thus, the neural network allows predicting the flood situation with acceptable accuracy, which gives time for special services to carry out measures to counter this threat.

Keywords: Forecasting a flood situation; Analysis of retrospective data; Data mining; Neural networks.

Рус

Е. В. Пальчевский, О. И. Христодуло, С. В. Павлов, А. В. Соколова (Уфимский государственный авиационный технический университет, Уфа, Республика Башкортостан) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Eng

E. V. Palchevsky, O. I. Khristodulo, S. V. Pavlov, A. V. Sokolova (Ufa State Aviation Technical University, Ufa, Bashkortostan Republic) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Рус

1. Han S., Coulibaly P. Bayesian Flood Forecasting Methods: A Review // Journal of Hydrology. 2017. V. 551. P. 340 – 351.
2. Bukvic A., Harrald J. Rural Versus Urban Perspective on Coastal Flooding: The Insights from the U.S. Mid-Atlantic Communities // Climate Risk Management. 2019. V. 23. P. 7 – 18.
3. Павлов С. В., Крымский В. Г., Христодуло О. И. Информационное обеспечение оценки состояния водных объектов и управления ими на основе геоинформационных технологий. М.: Дата+, 2010. 284 с.
4. Mokhov V. G., Tsimbol V. I. Electrical Energy Consumption Prediction of the Federal District of Russia on the Based of the Reccurent Neural Network // Journal of Computational and Engineering Mathematics. 2018. V. 5, No. 2. P. 3 – 15.
5. A predictive Model for Lake Chad Total Surface Water Area Using Remotely Sensed and Modeled Hydrological and Meteorological Parameters and Multivariate Regression Analysis / F. Policelli, A. Hubbard, H. Chul Jung et al. // Journal of Hydrology. 2019. V. 568. P. 1071 – 1080.
6. Moghar A., Hamiche M. Stock Market Prediction Using LSTM Recurrent Neural Network // Procedia Computer Science. 2020. V. 170. P. 1168 – 1173.
7. Neural-network Based Boost Pressure Prediction for Two-stage Turbocharging System of Diesel Engine / L. Yang, Y. Huang, M. Xia et al. // IFAC-PapersOnLine. 2019. V. 52. P. 178 – 184.
8. Experimental Study and Artificial Neural Network Based Prediction of a Free Piston Expander-linear Generator for Small Scale Organic Rankine Cycle / F. Yang, H. Zhang, X. Hou et al. // Energy 2019. V. 175. P. 630 – 644.
9. A Flood Inundation Forecast of Hurricane Harvey Using a Continental-scale 2D Hydrodynamic Model / O. E. Wing, C. C. Sampson, P. D. Bates et al. // Journal of Hydrology. 2019. V. X. 4. P. 1 – 17.
10. Борщ С. В., Симонов Ю. А., Христофоров А. В. Система прогнозирования паводков и раннего оповещения о наводнениях на реках черноморского побережья Кавказа и бассейна Кубани // Тр. Гидрометеорологического научно-исследовательского центра Российской Федерации. 2015. № 356. С. 1 – 247.
11. Здерева М. Я., Богданова В. Ф., Хлучина Н. А. Оценка возможности использования модельных прогнозов осадков для прогнозирования дождевых паводков на горных реках Алтая // Тр. Гидрометеорологического научно-исследовательского центра Российской Федерации. 2016. № 359. С. 128 – 141.
12. Гребнев Я. В., Яровой А. В. Мониторинг и прогнозирование паводков на территории Красноярcкого края с использованием нейросетевых алгоритмов // Сибирский пожарно-спасательный вестник. 2018. № 3(10). С. 13 – 16.
13. Noymanee J., Theeramunkong T. Flood Forecasting with Machine Learning Technique on Hydrological Modeling // Procedia Computer Science. 2019. V. 156. P. 377 – 386.
14. Zhou Y., Guo S., Chang F. Explore an Evolutionary Recurrent ANFIS for Modelling Multi-step-ahead Flood Forecasts // Journal of Hydrology. 2019. V. 570. P. 343 – 355.
15. Olazaran M. A Sociological History of the Neural Network Controversy // Advanced in Computers. 1993. V. 37. P. 335 – 425.
16. TensorFlow. Открытая программная библиотека для машинного обучения [Электронный ресурс]. URL: https://www.tensorflow.org (дата обращения: 20.10.2020).

Eng

1. Han S., Coulibaly P. (2017). Bayesian Flood Forecasting Methods: A Review. Journal of Hydrology, Vol. 551, pp. 340 – 351.
2. Bukvic A., Harrald J. (2019). Rural Versus Urban Perspective on Coastal Flooding: The Insights from the U.S. Mid-Atlantic Communities. Climate Risk Management, Vol. 23, pp. 7 – 18.
3. Pavlov S. V., Krymskiy V. G., Hristodulo O. I. (2010). Information support for assessing the state of water bodies and imine management based on geoinformation technologies. Moscow: Data+. [in Russian language]
4. Mokhov V. G., Tsimbol V. I. (2018). Electrical Energy Consumption Prediction of the Federal District of Russia on the Based of the Reccurent Neural Network. Journal of Computational and Engineering Mathematics, Vol. 5, (2), pp. 3 – 15.
5. Policelli F., Hubbard A., Chul Jung H. et al. (2019). A predictive Model for Lake Chad Total Surface Water Area Using Remotely Sensed and Modeled Hydrological and Meteorological Parameters and Multivariate Regression Analysis. Journal of Hydrology, Vol. 568, pp. 1071 – 1080.
6. Moghar A., Hamiche M. (2020). Stock Market Prediction Using LSTM Recurrent Neural Network. Procedia Computer Science, Vol. 170, pp. 1168 – 1173.
7. Yang L., Huang Y., Xia M. et al. (2019). Neural-network Based Boost Pressure Prediction for Two-stage Turbocharging System of Diesel Engine. IFAC-PapersOnLine, Vol. 52, pp. 178 – 184.
8. Yang F., Zhang H., Hou X. et al. (2019). Experimental Study and Artificial Neural Network Based Prediction of a Free Piston Expander-linear Generator for Small Scale Organic Rankine Cycle. Energy, Vol. 175, pp. 630 – 644.
9. Wing O. E., Sampson C. C., Bates P. D. et al. (2019). A Flood Inundation Forecast of Hurricane Harvey Using a Continental-scale 2D Hydrodynamic Model. Journal of Hydrology, Vol. X, (4), pp. 1 – 17.
10. Borshch S. V., Simonov Yu. A., Hristoforov A. V. (2015). System for forecasting floods and early warning of floods on the rivers of the Black Sea coast of the Caucasus and the Kuban basin. Trudy gidrometeorologicheskogo nauchno-issledovatel'skogo tsentra Rossiyskoy Federatsii, 356, pp. 1 – 247. [in Russian language]
11. Zdereva M. Ya., Bogdanova V. F., Hluchina N. A. (2016). Assessment of the Possibility of Using Model Rainfall Forecasts for Forecasting Rain Floods in Altai Mountain Rivers. Trudy gidrometeorologicheskogo nauchno-issledovatel'skogo tsentra Rossiyskoy Federatsii, 359, pp. 128 – 141. [in Russian language]
12. Grebnev Ya. V., Yarovoy A. V. (2018). Monitoring and forecasting floods in the Krasnoyarsk Territory using neural network algorithms. Sibirskiy pozharno-spasatel'niy vestnik, 10(3), pp. 13 – 16. [in Russian language]
13. Noymanee J., Theeramunkong T. (2019). Flood Forecasting with Machine Learning Technique on Hydrological Modeling. Procedia Computer Science, Vol. 156, pp. 377 – 386.
14. Zhou Y., Guo S., Chang F. (2019). Explore an Evolutionary Recurrent ANFIS for Modelling Multi-step-ahead Flood Forecasts. Journal of Hydrology, Vol. 570, pp. 343 – 355.
15. Olazaran M. (1993). A Sociological History of the Neural Network Controversy. Advanced in Computers, Vol. 37, pp. 335 – 425.
16. TensorFlow. Open source software library for machine learning. Available at: https://www.tensorflow.org (Accessed: 20.10.2020). [in Russian language]

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2021.02.pp.039-045

и заполните  форму 

Отправляя форму вы даете согласие на обработку персональных данных.

.

 

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2021.02.pp.039-045

and fill out the  form  

 

.

 

 

 
Поиск
Баннер
Баннер
Журнал КОНТРОЛЬ. ДИАГНОСТИКА
Баннер
Rambler's Top100 Яндекс цитирования