УДК 004.89 Прикладные системы искусственного интеллекта. Интеллектуальные системы, обладающие знаниями
ГРНТИ 28.23 Искусственный интеллект
Аварийные ситуации представляют собой серьезную проблему современного общества, поскольку не существует универсального решения по их устранению, применимого во всех предметных областях. В этих условиях целесообразно использовать методы, основанные на накоплении, анализе и извлечении знаний, полезных и практически применимых в подобных случаях. Сюда относится метод рассуждений на основе прецедентов (англ. Case-Based Reasoning, CBR). Он помогает решить новую, неизвестную задачу, применяя или адаптируя ранее использованное решение. Реализация метода CBR-анализа на базе геоинформационных систем (ГИС) позволит более эффективно накапливать информацию о прецедентах. ГИС обладает возможностью не только визуализировать сведения о прецедентах, но и определять степень близости прецедентов на основе общей топологии. Цель данной статьи заключается в разработке модели картографического анализа аварийных ситуаций на основе прецедентного подхода. Для организации поддержки принятия решения был выбран ситуационный подход. Преимуществами предложенной модели являются анализ и сравнение пространственных характеристик наряду с атрибутивными, пространственная контекстуализация, интеграция различных источников данных, а также возможность принятия решений в условиях неопределенности. Разработанная модель была использована на примере задачи выбора безопасного автомобильного маршрута. С помощью QGIS было проведено исследование территории вдоль маршрутов и определены потенциальные места аварий.
геоинформационное моделирование, метод рассуждений на основе прецедентов, принятие решений в условиях неопределенности, анализ аварийных ситуаций
1. Беднов С.С., Богдашкина О.Ф., Калашникова Л.Г. Анализ дорожно-транспортных происшествий в городе Саранске с использованием QGIS // Огарёв-Online. 2023. № 2(187). [Электронный ресурс]. Режим доступа: https://ogarev-online.ru/2311-2468/article/view/267973 (дата обращения: 20.07.2025).
2. Требушкова И.Е, Маковнева А.С., Полякова Н.О. Пространственно-временной анализ дорожно-транспортных происшествий в Курской области с помощью ГИС-технологий // Ученые записки Крымского федерального университета имени В.И. Вернадского. География. Геология. 2023. Т. 9, № 1. С. 56–73.
3. Кочергин Г.А., Муратов И.Н., Куприянов М.А. и др. Оценка и картографирование рисков воздействия аварийных нефтеразливов на лесной комплекс нефтедобывающих регионов России // Экспозиция Нефть Газ. 2022. № 5(90). С. 86–89. DOIhttps://doi.org/10.24412/2076-6785-2022-5-86-89. https://www.runeft.ru/upload/iblock/cef/ceff383179a0bf1b76833912b4b5a29b.pdf
4. Герштейн А.М. Программные инструменты для построения безопасных маршрутов транспорта: дис. … канд. физ.-мат. наук. СПб., 2024. 124 c.
5. Wang D., Huang Y., Cai Z. A Two-Phase Clustering Approach for Traffic Accident Black Spots Identification: Integrated GIS-Based Processing and HDBSCAN Model // International Journal of Injury Control and Safety Promotion. 2023. Vol. 30. Iss. 2. P. 270–281. DOIhttps://doi.org/10.1080/17457300.2022.2164309. https://doi.org/10.1080/17457300.2022.2164309
6. Sipos T. Spatial Statistical Analysis of the Traffic Accidents // Periodica Polytechnica Transportation Engineering. 2017. Vol. 45. No. 2. P. 101–105. DOIhttps://doi.org/10.3311/PPtr.9895. https://doi.org/10.3311/PPtr.9895
7. Иванова Н.В., Белов В.С., Самаркин А.И. и др. Картографический анализ экстренных вызовов на дорожно-транспортные происшествия для оптимизации работы службы скорой медицинской помощи // Вестник Псковского государственного университета. Серия: Естественные и физико-математические науки. 2023. Т. 16, № 2. С. 114–129.
8. Аманкулова Н.А., Молмакова М.С., Каримова Г.Т. Искусственный интеллект и геоинформационные системы // Бюллетень науки и практики. 2023. Т. 9, № 11. С. 278–287. DOIhttps://doi.org/10.33619/2414-2948/96/36. https://doi.org/10.33619/2414-2948/96/36
9. Кулинич А.А. Ситуационный, когнитивный и семиотический подходы к принятию решений в организациях // Открытое образование. 2016. № 6. С. 9–17. DOIhttps://doi.org/10.21686/1818-4243-2016-6-9-17. https://doi.org/10.21686/1818-4243-2016-6-9-17
10. Цветков В.Я., Маркелов В.М. Пространственный ситуационный анализ // Вестник МГТУ МИРЭА. 2013. № 1. С. 103–116.
11. Мостафа Е., Синиченко Е.К., Грицук И.И. Картирование опасности внезапных наводнений с использованием метода морфометрического ранжирования // Природообустройство. 2023. № 2. С. 106–112. DOIhttps://doi.org/10.26897/1997-6011-2023-2-106-112. https://doi.org/10.26897/1997-6011-2023-2-106-112
12. Гребнев Я.В., Москалев А.К., Газизулина А.Ю. Прогнозирование чрезвычайных ситуаций на территории Крайнего Севера Красноярского края, обусловленных лесными и ландшафтными пожарами, с использованием нейросетевых алгоритмов // Инновации. 2018. № 12(242). С. 98–102.
13. Ogwueleka F., Misra S., Ogwueleka T.C., et al. An Artificial Neural Network Model for Road Accident Prediction: A Case Study of a Developing Country // Acta Polytechnica Hungarica. 2014. Vol. 11. No. 5. P. 177–197.
14. Зикратова Т.В., Зикратов И.А. Применение нейронной сети для обнаружения аварийно-опасных ситуаций на дорогах // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20, № 2. С. 301–305. DOIhttps://doi.org/10.17586/2226-1494-2020-20-2-301-305. https://doi.org/10.17586/2226-1494-2020-20-2-301-305
15. Берман А.Ф., Николайчук О.А., Павлов А.И. и др. Система поддержки принятия решений по предупреждению и ликвидации техногенных ЧС на основе прецедентного подхода // Технологии техносферной безопасности. 2013. № 5(51). С. 1–13.
16. Liao Z., Zhou C., Tian W., et al. CBR-Based Integration of a Hydrodynamic and Water Quality Model and GIS – A Case Study of Chaohu City // Environmental Science and Pollution Research. 2019. Vol. 26. P. 6436–6449. DOIhttps://doi.org/10.1007/s11356-018-3862-5. https://doi.org/10.1007/s11356-018-3862-5
17. Пальчевский Е.В., Антонов В.В., Родионова Л.Е. и др. Моделирование зон затопления на основе прогнозирования временных рядов и ГИС-технологий // Компьютерная оптика. 2024. Т. 48, № 6. С. 913–923. DOIhttps://doi.org/10.18287/2412-6179-CO-1418. https://doi.org/10.18287/2412-6179-CO-1418
18. Глухих И.Н., Глухих Д.И. Метод Case Based Reasoning при управлении сложными технологическими объектами городской инфраструктуры // Инженерный вестник Дона. 2021. № 7(79). С. 128–137.
19. Иванов И.Г., Морозов С.В., Белокопытов М.Л. Повышение качества испытаний космических средств путем использования системы поддержки принятия решений на основе прецедентов // Измерение. Мониторинг. Управление. Контроль. 2022. № 3(41). С. 121–130. DOIhttps://doi.org/10.21685/2307-5538-2022-3-15. https://doi.org/10.21685/2307-5538-2022-3-15
20. Беляков С.Л., Израилев Л.А. Геоинформационные модели аварийных ситуаций с пространственными обобщениями // Известия ЮФУ. Технические науки. 2025. № 1(243). С. 153–164. DOIhttps://doi.org/10.18522/2311-3103-2025-1-153-164. https://doi.org/10.18522/2311-3103-2025-1-153-164
