Применение модели логистической регрессии при принятии решений по определению количества привлекаемых сил на ликвидацию лесных пожаров

Введение. Прогнозирование количества привлекаемых сил для ликвидации и локализации лесных пожаров является важной и актуальной задачей, оказывающей влияние на эффективность проводимых работ. Однако применение традиционных методов статистического прогнозирования не позволяет получить достоверную оценку целевого показателя в связи с отсутствием ряда признаков при анализе, следствием чего выступает снижение эффективности принимаемых решений.

Цель. Исследование возможности применения модели логистической регрессии для принятия решений о количестве привлекаемых сил на локализацию и ликвидацию лесных пожаров на начальной стадии пожара.

Методы исследования. Применение метода логистической регрессии оценивалось на основе базы данных о лесных пожарах на территории Ленинградской области в период с 2015 по 2023 г., в которой было выделено 16 признаков. Модель логистической регрессии позволяет обучаться на данных, имеющих различные виды распределения, среди которых биноминальное, пуассоновское, Бернулли и другие виды распределения. Математический аппарат, используемый в модели, позволяет оценить апостериорные вероятности для отнесения объектов обучения к соответствующим классам.

Результаты и их обсуждение. Представлены итоги оценки обучения модели в виде матриц ошибок и отчетов о классификации, выполнена визуализация границ решений для случаев использования двух и трех признаков. Результаты показали, что наилучшей точности удалось достичь при использовании всех доступных признаков.

Выводы. Исследование данных лесных пожаров на территории Ленинградской области показало, что присутствуют факторы, которые не учитываются при составлении планов привлечения сил и средств. Применение моделей машинного обучения и, в частности, логистической регрессии, предложенной в данном исследовании, позволяет повысить обоснованность и оперативность принимаемых решений по определению количества привлекаемых сил при лесных пожарах.

1. Вилков В.Б., Горшкова Е.Е., Черных А.К. Решение задачи нахождения оптимального маршрута патрулирования действующих лесных пожаров в заданном районе // Научно-аналитический журнал «Вестник Санкт-­Петербургского университета Государственной противопожарной службы МЧС России». 2021. № 3. С. 90–98. EDN ZYOYFF.

2. Молчанов А.В. Концептуальная модель формирования рационального состава группировки сил различной ведомственной принадлежности при ликвидации чрезвычайных ситуаций в лесах регионального характера, возникших вследствие лесных пожаров // Научные и образовательные проблемы гражданской защиты. 2015. № 4 (27). С. 95–102. EDN VCITFJ.

3. Карапузиков А.А., Дьяков В.Ф., Кокшаров А.В., Дьяков М.В., Ставриниди С.Ю., Белкин Д.С. К вопросу об управлении силами и средствами при тушении лесных пожаров // Техносферная безопасность. 2020. № 2 (27). С. 16–27. EDN URZSEG.

4. Матвеев А.В., Богданова Е.М. Классификация методов прогнозирования чрезвычайных ситуаций // Национальная безопасность и стратегическое планирование. 2018. № 4 (24). С. 61–70. EDN YTPZYL.

5. Станкевич Т.С. Прогнозирование пространственного поведения лесного пожара при неопределенности и нестационарности процесса // Известия высших учебных заведений. Лесной журнал. 2021. № 1 (379). С. 20–34. DOI: 10.37482/0536-1036-2021-1-20-34. EDN YTFJYI.

6. Станкевич Т.С. Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения // Вестник Иркутского государственного технического университета. 2018. Т. 22. № 9 (140). С. 111–120. DOI: 10.21285/1814-3520-2018-­9-111-120. EDN YGGSLR.

7. Матвеев А.В., Матиев Р.Т. Принятие решений при пожарах в горной местности : сравнительный анализ методов мониторинга // Национальная безопасность и стратегическое планирование. 2023. № 2 (42). С. 76–90. DOI: 10.37468/2307-1400-2023-2-76-90. EDN QPRUWC.

8. Madaio M., Chen S.T., Haimson O., Zhang W., Cheng X., Hinds-Aldrich M. et al. Firebird: Predicting fire risk and prioritizing fire inspections in Atlanta // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. Pp. 185–194. DOI: 10.1145/2939672.2939682

9. Nikolopoulos E.I., Destro E., Bhuiyan M., Borga M., Anagnostou E. Evaluation of predictive models for post-fire debris flow occurrence in the western United States // Natural Hazards and Earth System Sciences. 2018. Vol. 18. No. 9. Pp. 2331–2343. DOI: 10.5194/nhess-18-2331-2018

10. Pham B.T., Jaafari A., Avand M., Al-Ansari N., Dinh Du T., Yen H.P. et al. Performance evaluation of machine learning methods for forest fire modeling and prediction // Symmetry. 2020. Vol. 12. No. 6. P. 1022. DOI: 10.3390/sym12061022

11. Максимов А.В. Методы поддержки принятия решений в оперативном управлении при чрезвычайных ситуациях: обзор исследований // Национальная безопасность и стратегическое планирование. 2023. № 2 (42). С. 91–102. DOI: 10.37468/2307-1400-2023-2-91-102. EDN CJCPWN.

12. Бутырский Е.Ю., Матвеев А.В. Математическое моделирование систем и процессов. СПб. : Информационный издательский учебно-научный центр «Стратегия будущего», 2022. 733 с. DOI: 10.37468/book_011222. EDN CCRIRT.

13. Ray S. A quick review of machine learning algorithms // 2019 International conference on machine learning, big data, cloud and parallel computing (COMITCon). IEEE, 2019. Pp. 35–39. DOI: 10.1109/COMITCon.2019.8862451

14. Abid F. A survey of machine learning algorithms based forest fires prediction and detection systems // Fire technology. 2021. Vol. 57. No. 2. Pp. 559–590. DOI: 10.1007/s10694-020-01056-z

15. Sayad Y.O., Mousannif H., Al Moatassime H. Predictive modeling of wildfires: A new dataset and machine learning approach // Fire safety journal. 2019. Vol. 104. Pp. 130–146. DOI: 10.1016/j.firesaf.2019.01.006

16. Yang Y., Loog M. A benchmark and comparison of active learning for logistic regression // Pattern Recognition. 2018. Vol. 83. Pp. 401–415. DOI: 10.1016/j.patcog.2018.06.004

17. Медведев Д.В. Модель прогнозирования лесных пожаров на основе нейро-нечеткой системы ANFIS // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». 2023. № 4. С. 185–198. DOI: 10.61260/2218-130X-2024-2023-4-185-198. EDN MXLKBI.

18. Karthiga R., Usha G., Raju N., Narasimhan K. Transfer learning based breast cancer classification using one-hot encoding technique // 2021 International Conference on Artificial Intelligence and Smart Systems (ICAIS). IEEE, 2021. Pp. 115–120. DOI: 10.1109/ICAIS50930.2021.9395930

19. Salehi F., Abbasi E., Hassibi B. The impact of regularization on high-dimensional logistic regression // Advances in Neural Information Processing Systems. 2019. Vol. 32.

20. Liang X., Jacobucci R. Regularized structural equation modeling to detect measurement bias: Evaluation of lasso, adaptive lasso, and elastic net // Structural Equation Modeling : а Multidisciplinary Journal. 2020. Vol. 27. No. 5. Pp. 722–734. DOI: 10.1080/10705511.2019.1693273

21. Molovtsev M.D., Sineva I.S. Classification algorithms analysis in the forest fire detection problem // 2019 International Conference “Quality Management, Transport and Information Security, Information Technologies” (IT&QM&IS). IEEE, 2019. Pp. 548–553. DOI: 10.1109/ITQMIS.2019.8928398

22. Hayaty M., Muthmainah S., Ghufran S.M. Random and synthetic over-sampling approach to resolve data imbalance in classification // International Journal of Artificial Intelligence Research. 2020. Vol. 4. No. 2. Pp. 86–94. DOI: 10.29099/ijair.v4i2.152