Введение

1. Анализ состояния вопроса
   1. Информация об опасных ситуациях в Донецкой области
   2. Нормативно-методические подходы по классификации чрезвычайных ситуаций
   3. Анализ существующих методов прогноза
2. Построение моделей временных рядов методом АРПСС
3. Выводы
4. Список литературы

Развитие новых технологий, увеличение объемов промышленного и сельскохозяйственного производства, расширение сети транспортных систем и систем передачи энергии и энергоносителей сопровождаются ростом техногенной нагрузки на биосферу. Следствием этого являются все чаще возникающие чрезвычайные ситуации, аварии и катастрофы, характеризующиеся значительными материальными, социальными и экологическими последствиями. В настоящее время число техногенных аварий и катастроф в мире неуклонно растет, причем более 80%, произошедших чрезвычайных ситуаций, связаны с деятельностью человека.
     На протяжении 2004 года в Украине возникло 286 чрезвычайных ситуаций, которые соответственно Государственному классификатору чрезвычайных ситуаций распределились на:

• техногенного характера 156;
• естественного характера 100;
• социально-политического характера 30.

Вследствие этих чрезвычайных ситуаций погибло 412 лиц (из них 50 детей) и 2330 – пострадало (из них 1508 детей). Наибольшее количество погибших (87 лиц) зарегистрировано в Донецкой области, подавляющее большинство из которых (73) погибло вследствие 17 чрезвычайных ситуаций, связанных с пожарами и взрывами (42 лица погибло вследствие ЧС на угольных шахтах, 31 – в жилых домах).
     Распределение чрезвычайных ситуаций за классами и масштабами за 2004 год в сравнении с 2003 годом приведено в таблице 1.

Сравнительно с 2003 годом общее количество чрезвычайных ситуаций в 2004 году уменьшилась почти на 9%, при этом количество чрезвычайных ситуаций техногенного характера уменьшилось на 20%, а количество чрезвычайных ситуаций естественного характера – почти на 10%. Тем не менее, количество погибших увеличилось на 6%, а количество пострадавших – почти на 13%. [1]

Динамика возникновения опасных ситуаций на территории Донецкой области свидетельствует об отсутствии эффективных моделей прогнозирования и методов предотвращения и минимизации ущерба опасных ситуаций. Исследовательские работы, связанные с прогнозированием и оценкой возникновения опасных ситуаций на основе построения компьютерных моделей, практически не ведутся. За период с 2000 по 2003 годы в Донецкой области в чрезвычайных ситуациях погибло около 4 тысяч человек. Исходя из статистических данных, тема работы направленная на «анализ моделей прогнозирования для системы мониторинга опасных ситуаций на территории Донецкой области» является актуальной.

Идея работы состоит в использовании теории анализа временных рядов и компьютерных технологий накопления, обработки, представления и моделирования данных для установления закономерностей возникновения опасных ситуаций на территории Донецкой области.

Объектом исследования являются опасные процессы, события и ситуации, которые возникают на территории Донецкой области.

Научная новизна магистерской работы заключается в разработке моделей прогнозирования возникновения опасных ситуаций и прогнозирующей системы, адекватно описывающей объект исследования.

Практическая значимость данной темы заключается в оптимизации принимаемых решений предотвращения опасных ситуаций, а так же в эффективном распределении финансовых ресурсов по предотвращению опасных ситуаций.

1.1 Информация об опасных ситуациях в Донецкой области

Донбасс основной индустриальный район Украины, где находятся более 15.000 больших компаний, включая 50 металлургических заводов и предприятий металлургического комплекса, 200 угольных шахт, 12 электростанций и более 300 химических и машиностроительных предприятий и проживает около 5 миллионов человек. Высокая плотность населения и индустрии является причиной критической экологической ситуации и высокой техногенной нагрузки.

За техническими и технологическими особенностями в области можно выделить комплекс потенциально опасных производств, которые являются потенциальными источниками чрезвычайных ситуаций техногенного характера:

• предприятия угольной и химической промышленности, черной и цветной металлургии, машиностроение;
• системы жизнеобеспечения населения и обеспечение функционирования хозяйственного комплекса – энергетики, водоснабжения, газоснабжения, теплоснабжения, транспорта (автомобильного, железнодорожного, воздушного, морского, трубопроводного).

Возникновение на этих структурных подразделах экономики чрезвычайных ситуаций, может привести к возникновению опасности для жизнедеятельности населения.

Такими видами опасности есть:

• химическая опасность;
• радиационная опасность;
• пожаро-взрывоопасность;
• гидродинамическая опасность;
• экологическая опасность.

Химическая опасность обусловлена наличием в области 162 химически опасных объектов, в том числе 15 – первой степени, 47 – второй степени, 42 – третьей степени, 58 – четвертой степени химической опасности. В области сосредоточено большое количество ядовитых сильнодействующих веществ (таких как аммиак, хлор) на предприятиях металлургического комплекса, химического комплекса и мясомолочной промышленности. Оценка степени химической опасности показала, что 27 административно-территориальных единиц области являются химически опасными.

Пожаро-взрывоопасность определяется наличием:

• 54 промышленных предприятий с пожаро взрыво-опасностными технологиями. В основному это предприятия металлургического, топливного, энергетического комплексов области;
• 62 угольных шахт с повышенной пожаро-взрывоопасностностью горных выработок;
• прохождение по территории области продуктопроводов для транспортировки нефтепродуктов, 12 магистральных газопроводов с 73 отводами к городам, населенным пунктам и промышленным объектам;
• 13765 жилых многоэтажных домов, в том числе 2449 повышенной поверхностности.

Оценка максимальной возможной зоны поражения при возникновении чрезвычайных ситуаций на пожаро-взрывоопасных объектах показывает, что она может достигать 60 км².

Гидродинамическая опасность обусловлена наличием 2103 гидротехнических сооружений. В том числе:

• 154 водохранилища объемом около 900 млн. м³;
• 1650 прудов объемом больше 200 млн. м³;
• 136 прудов шахтных вод объемом 32,1 млн. м³.

Оценка возможных суммарных зон подтопления характеризуется площадью 400,4 км², количество населенных пунктов, которые подтапливаются, – 115 с населением 181,4 тыс. человек.

Экологическая опасность обусловлена:

• наличием на территории области 359 составов, на которых свыше 863 т запрещенных и непригодных для использования за физико-химическими свойствами пестицидов, а также препараты, которые не прошли перерегистрацию и препараты, срок хранения которых исчерпано;
• наличием 1,7 млн. т. токсичных промышленных отходов I-III класса опасности.

Географическое и климатическое условия области обуславливают возможность возникновения на ее территории чрезвычайных ситуаций естественного характера. В пределах области зарегистрировано 6 участков второй категории (интенсивного развития сдвигов) и 12 участков третьей категории (стационарные сдвиги). Из 151 км прибрежной зоны 103 км находятся в геологически нестабильном состоянии. [2]

1.2 Нормативно-методические подходы по классификации чрезвычайных ситуаций

Состояние в области безопасности промышленных предприятий, а также безопасности жизнедеятельности населения в настоящее время характеризуются следующими понятиями.

Авария – опасное событие техногенного характера, которое создает на объекте, территории или в акватории угрозу для жизни и здоровья людей и приводит к разрушению зданий, сооружений, оснащения и транспортных средств, нарушению производственного или транспортного процесса, или наносит ущерб окружающей среде.

Безопасность – отсутствие недопустимого риска, связанного с возможностью нанесения ущерба населению, материальным объектам или окружающей среде.

Катастрофа – крупномасштабная авария или другое событие, которое приводит к тяжелым, трагическим последствиям.

Классификационный признак ЧС – техническая или другая характеристика аварийной ситуации, которая дает возможность отнести ее к чрезвычайной.

Классификация ЧС – система, в соответствии с которой ЧС разделяют на классы и подклассы в зависимости от их характера и тяжести.

Несчастный случай – представляет собой нанесение телесного повреждения человеку с потерей его трудоспособности на один и более дней.

Опасная ситуация – событие естественного происхождения или результат деятельности естественных процессов, которые по своей интенсивности, масштабом распространения и продолжительности могут поражать людей, объекты экономики и окружающую среду.

Опасность – сопряженная с природными явлениями, жизнедеятельностью населения или эксплуатацией промышленного предприятия постоянно действующая или случайно возникающая в результате некоторого инициирующего события либо при некотором стечении обстоятельств, совокупность факторов, оказывающая негативное воздействие на реципиентов.

Пороговое значение классификационного признака ЧС – выдающееся в установленном порядке значение технической или другой характеристики конкретной аварийной ситуации, превышение которого относит ситуацию к рангу чрезвычайной и требует соответствующего уровня реагирования.

Потенциально опасный объект – объект, на котором используются, изготовляются, перерабатываются, сохраняются или транспортируются опасные радиоактивные, огнеопасные, химические вещества и биологические препараты, гидротехнические и транспортные сооружения, транспортные средства, а также другие объекты, которые создают реальную угрозу возникновения ЧС.

Риск – вероятность реализации потенциальной опасности, которая инициируется природным явлением, опасным объектом или промышленным предприятием.

Чрезвычайная ситуация (ЧС) – нарушение нормальных условий жизни и деятельности людей на объекте или территории, вызванное аварией, катастрофой, стихийным бедствием или другим опасным событием, которое привело (может привести) к гибели людей и/или к значительным материальным потерям.

Экономические убытки от ЧС – оцененные соответствующим образом потери, вызванные этой ситуацией.

Классификация чрезвычайных ситуаций:

• ЧС техногенного характера – транспортные аварии (катастрофические пожары, неспровоцированные взрывы, аварии с выбросом (угрозой выброса) опасных химических, радиоактивных, биологических веществ, внезапное разрушение сооружений и зданий, аварии на инженерных сетях и сооружениях жизнеобеспечения, гидродинамические аварии на плотинах, дамбах и т. д.).
• ЧС естественного характера – опасные геологические метеорологические, гидрологические, морские и пресноводные явления, деградация почвы или недр, естественные пожары, изменение воздушного бассейна, инфекционная заболеваемость людей и сельскохозяйственных животных, массовое поражение сельскохозяйственных растений болезнями или вредителями, изменение состояния водных ресурсов и биосферы и т. д.
• ЧС социально-политического характера, связанные с противоправными действиями террористического и антиконституционного направления: реальная угроза террористического акта (вооруженное нападение, задержание важных объектов, ядерных установок и материалов, систем связи и морского судоходства), похищение или уничтожение судов, установление взрывных устройств в общественных местах, хищения оружия и т. д.
• ЧС военного характера, связанные с последствиями применения оружия массового поражения или обычных средств поражения, во время которых возникают вторичные факторы поражения населения вследствие разрушения атомных и гидроэлектрических станций, составов и хранилищ радиоактивных и токсичных веществ и отходов, нефтепродуктов, взрывчатки, транспортных и инженерных коммуникаций и т. д.

1.3 Анализ существующих методов прогноза

В настоящее время существует достаточно много методов и способов прогнозирования риска. Все методы прогнозирования можно разделить на два основных класса: эвристический и математический.

Эвристические методы основаны на использовании мнения специалистов в данной области знаний и, как правило, применяются для прогнозирования процессов, затруднительных для математического описания. Чтобы получить достаточно хорошие для применения на практике результаты прогнозирования на основе использования мнения экспертов, необходимо решить ряд проблем, связанных с организацией опросов, подбором экспертов и обработкой полученных результатов. Этот метод рекомендуется применять, если отсутствуют численные показатели прогнозируемого параметра за рассматриваемый период.
     Одним из самых известных методов экспертных оценок является метод Дельфи, который основывается на следующих правилах: опрос экспертов проводится в несколько этапов; ответы даются в количественной форме; после статистической обработки результатов каждый эксперт знакомится с оценками других экспертов; ответы должны сопровождаться обоснованиями.

Математические методы прогнозирования, в зависимости от вида математического описания объектов прогнозирования и способов определения неизвестных параметров модели, можно условно подразделить на методы моделирования процессов развития, экстраполяционные (статистические) методы и вероятностные методы.
     К первой группе относятся методы, использующие для описания модели прогнозируемого процесса дифференциальные уравнения. Задача прогнозирования сводится к решению дифференциальных уравнений для заданного момента времени. Прогнозирование на основе моделирования процессов развития можно успешно использовать в том случае, если прогнозируемый процесс хорошо изучен и имеется его корректное математическое описание.
     Экстраполяционный (статистический) метод является одним из самых распространенных методов прогнозирования, когда тенденция развития процесса, которая наблюдается в прошлом, продлевается на будущее.
     Среди всех статистических методов регрессионный анализ играет преобладающую роль в прогнозировании. Использование регрессионных уравнений для предсказания значений различных показателей должно основываться на предложении о сохранении в будущем количественных закономерностей, найденных в результате обработки прошлых наблюдений. В прогностические уравнения регрессии, в отличие от обычных регрессионных зависимостей в число факторов-аргументов, должно входить в явной форме время (t).
     Оценивая качество прогноза, полученного с помощью регрессионных уравнений, следует помнить об объективных особенностях применения уравнений регрессий. Здесь в первую очередь необходимо знать, что задача прогнозирования предполагает использовать уравнение регрессии для оценки значений прогнозируемого показателя вне диапазона фактических наблюдений, на основе которого получено уравнение регрессии, т. е. приходиться выходить за рамки наблюдений и решать задачу экстраполяции. Понятно, что близость прогноза исходных наблюдений во многом зависит от точности значений факторов-аргументов.
     Следующая проблема связана с тем, что для оценки значения прогнозируемого показателя необходимо знать прогнозируемые значения факторов-аргументов, т. е. точность прогноза зависит не только от точности коэффициентов регрессии, но и от надёжности определения значений факторов-аргументов в будущем времени. Отмеченные особенности применения регрессионных уравнений для прогнозирования (экстраполирование, надёжность предполагаемых значений факторов-аргументов) являются причиной повышенной степени неопределённости получаемых результатов. Вследствие этого целесообразно определять с помощью регрессионных зависимостей не конкретные значения прогнозируемого показателя, а доверительный интервал, в пределах которого находятся значения данного показателя.
     Вероятностный метод применяется в случаях массовых измерений исследуемого параметра. Достаточно полной формой описания совокупности массовых измерений является определение законов распределения исследуемых величин. [3]

Сейчас используется два основных типа моделей:

• модели временных последовательностей;
• причинные модели.

Временная последовательность – это упорядоченная во времени последовательность наблюдений (реализаций) переменной. Анализ временных последовательностей использует для прогнозирования переменной только исторические данные о ее изменении. Таким образом, если исследование данных о ежемесячных продажах мобильных телефонов, показывает, что они линейно возрастают – для представления данного процесса может быть выбрана линейная модель тренда. Наклон и смещение этой прямой могут быть оценены на основе исторических данных. Прогнозирование может быть осуществлено путем экстраполяции подходящей модели.
     Причинные модели используют связь между интересующей нас временной последовательностью и одной или более другими временными последовательностями. Если эти другие переменные коррелируют с интересующей нас переменной и если существуют причины для этой корреляции, модели прогнозирования, описывающие эти отношения, могут быть очень полезными. В этом случае, зная значение коррелирующих переменных, можно построить модель прогноза зависимой переменной. Серьезным ограничением использования причинных моделей является требование того, чтобы независимая переменная была известна ко времени, когда делается прогноз. Другое ограничение причинных методов – большое количество вычислений и данных, которое необходимо сравнивать.

На выбор соответствующего метода прогнозирования, влияют следующие факторы:

• требуемая форма прогноза;
• горизонт, период и интервал прогнозирования;
• доступность данных;
• требуемая точность;
• поведение прогнозируемого процесса;
• стоимость разработки, установки и работы с системой;
• простота работы с системой;
• понимание и сотрудничество управляющих. [4]

Для моделирования временных рядов опасных событий возможно использование следующих методов:

• метод АРПСС;
• искусственные нейронные сети;
• методы ситуационного моделирования, которые реализованы в системах Simulink и Stateflow;
• комбинированные методы.

Метод авторегрессии и скользящего среднего (АРПСС). Общая модель, предложенная Боксом и Дженкинсом (1976), имеет три типа параметров модели: параметры авторегрессии (p), порядок разности (d), параметры скользящего среднего (q). В обозначениях Бокса и Дженкинса модель записывается как АРПСС (p, d, q). Например, модель (0, 1, 2) содержит 0 (нуль) параметров авторегрессии (p) и 2 параметра скользящего среднего (q), которые вычисляются для ряда после взятия разности с лагом 1. Для модели АРПСС необходимо, чтобы ряд был стационарным, это означает, что его среднее постоянно, а выборочные дисперсия и автокорреляция не меняются во времени. Метод АРПСС эффективен если исходные данные превышают 50 наблюдений и параметры модели постоянны, т. е. не меняются во времени. [5]

Искусственные нейронные сети – представляют собой сеть элементов – искусственных нейронов – связанных между собой синаптическими соединениями. Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов. Работа сети состоит в преобразовании входных сигналов во времени, в результате чего меняется внутреннее состояние сети и формируются выходные воздействия.

Достоинствами искусственных нейронных сетей являются:

• адаптивная структура, которая получает информацию, обучается и фиксирует полезные связи в сложном взаимодействии входной и выходной информации;
• возможность работы с сильно зашумленными данными;
• одновременное и быстрое выполнение многочисленных идентичных и независимых операций.

Основу каждой нейронной сети составляют относительно простые, в большинстве случаев – однотипные, элементы (нейроны), имитирующие работу нейронов мозга. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов.

Текущее состояние нейрона определяется, как взвешенная сумма его входов:

где X_i – входные сигналы; W_i – взвешенные весовые коэффициенты.

Искусственные нейронные сети это набор математических и алгоритмических методов для решения широкого круга задач. Выделим характерные черты искусственных нейросетей как универсального инструмента для решения задач:

• гибкая модель для нелинейной аппроксимации многомерных функций;
• средство прогнозирования во времени для процессов, зависящих от многих переменных;
• классификатор по многим признакам, дающий разбиение входного пространства на области;
• средство распознавания образов;
• инструмент для поиска по ассоциациям;
• модель для поиска закономерностей в массивах данных. [6]

Использование нейронной сети при прогнозировании опасных событий состоит из трех этапов: обучения, проверки и функционирования. Субъективность предлагаемой модели сказывается, в первую очередь, на подборе обучающего и контрольного множеств. От характера подобранных множеств зависят результаты работы нейронной сети.
     Обучение нейронной сети рассматривается как решение оптимизационной задачи: минимизация функции ошибки или несвязки на данном множестве примеров путем выбора значений весовых коэффициентов на входе нейрона. Существует уже большое число обучающих алгоритмов, отличающихся друг от друга стратегией оптимизации и критерием ошибки (функцией).
     Процесс обучения повторяется до тех пор, пока суммарная ошибка на всех информационных показателях, влияющих на уровень безопасности объекта, не станет меньше некоторой заданной величины, и завершается, когда функция, реализуемая нейросетью, приближает неизвестную функцию на обучаемом множестве с заданной точностью.
     На этапе проверки достоверности работа сети сравнивается с данными контрольного множества. Желательно, чтобы они полностью отличались от применявшихся на предыдущем этапе. При программной и аппаратной реализации выполненные решения на языке нейронных сетей могут быть переведены на языки другого уровня, а алгоритмы описаны в традиционной математической нотации. [7]

Методы ситуационного моделирования, которые реализованы в системах Simulink и Stateflow. Комбинация Matlab-Simulink-Stateflow является мощным универсальным инструментом моделирования временных рядов.
     Matlab обеспечивает доступ к различным типам данных, высокоуровневому программированию и инструментальным средствам визуализации. Simulink поддерживает проектирование непрерывных и дискретных динамических систем в графической среде (в виде блок-схем). Stateflow-диаграммы, использующие визуальный формализм Д. Харела, включаются в Simulink-модели, чтобы обеспечить возможность моделирования процессов, управляемых событиями. Stateflow обеспечивает ясное описание поведения сложных систем, используя диаграммы состояний и переходов.
     Stateflow – мощный графический инструмент проектирования и моделирования комплексных систем, используя Stateflow, можно:

• легко изменять проект, оценивать результаты изменений и исследовать поведение системы на любой стадии проекта;
• пользоваться преимуществами интегрирования со средами Matlab и Simulink в процессе моделирования и анализа систем.

Существенно повышает степень наглядности модели использование имитации, отображающей изменения в системе, сопровождающиеся переходами от одного состояния к другому. Построение таких имитационных моделей возможно с использованием программ Stateflow и Simulink. [8]

Комбинированные методы. Часто производители соединяют различные методы прогнозирования. Объединение алгоритмов нейронных сетей и технологии АРПСС способствует построению более точной модели и повышению быстродействия. Для решения каждой проблемы следует искать свой оптимальный метод.

Методики, по которым ведется прогнозирование, образуются путем сочетания ряда методов. Иногда несколько методик составляют так называемую прогнозирующую систему. Стандартная методика прогнозирования содержит шесть основных этапов исследования, которые представлены на рисунке 1.1.

Рисунок 1.1 – Стандартная методика прогнозирования. (Анимация)

Прогнозирование, нахождение скрытых периодичностей в данных, анализ зависимостей, оценка рисков решаются в рамках статистических моделей. Статистические модели – это важный класс моделей, с помощью которых описываются явления, в которых присутствуют статистические факторы, не позволяющие объяснить явление в детерминистских зависимостях. Типичными примерами такого рода моделей являются модели временных рядов, имеющие тренд-циклическую компоненту и случайную составляющую.

При построении моделей временных рядов методом АРПСС будем использовать общепринятую методику:

1. Преобразование нестационарного временного ряда к стационарному виду путём взятия разности и исключения трендов.
2. Идентификация модели стационарного временного ряда по автокорреляционным функциям.
3. Моделирование стационарного ряда моделью АРПСС.
4. Всесторонний анализ, оценка и моделирование остатков.

Временной ряд бытового и производственного травматизма (рисунок 2.1) не является стационарным, так как среднее значение ряда и его дисперсия меняются во времени. Для преобразования ряда в стационарный ряд возьмем разность первого порядка по лагу 1 от нестационарного ряда.

Рисунок 2.1 – Временной ряд бытового и производственного травматизма

Полученный стационарный временной ряд можно идентифицировать моделью АРПСС (модель авторегрессии и проинтегрированного скользящего среднего).

На рисунке 2.2 показано, что автокорреляционная функция преобразованного ряда затухает и имеет выброс на лаге 1 (остальные значения близки к нулю). В соответствии с критериями можно предположить, что подходящей для анализа и прогноза является модель скользящего среднего. Для уточнения этого предположения рассмотрим оценки частных автокорреляций.

Рисунок 2.2 – Автокорреляционная функция преобразованного ряда

На рисунке 2.3 видно, что частная автокорреляционная функция экспоненциально затухает. Это дает основание говорить, что исходный временной ряд можно описать моделью проинтегрированного скользящего среднего вида АРПСС(0,1,1): порядок разности d равен 1, число параметров авторегрессии p равно 0, число параметров скользящего среднего q равно 1.

Рисунок 2.3 – Частная автокорреляционная функция преобразованного ряда

Поскольку модель идентифицирована, число ее параметров известно, будем генерировать реализации различных процессов с определенными значениями параметров. Произведём оценку параметров модели АРПСС.
     Анализ временного ряда показал, что из указанных моделей модель АРПСС(0,1,1) наиболее адекватна. В таблице 2 слева направо даны точечная оценка параметра q₁, асимптотическая стандартная ошибка, верхние и нижние границы доверительного интервала.

Таблица 2 – Точечная оценка параметра q₁ полученная в системе STATISTICA

Остатки, разности между наблюдаемыми значениями ряда и оцененными с помощью модели, распределены практически нормально, т. е. могут быть получены генератором, дающим нормально распределенные, псевдослучайные числа.
     Следовательно, полученная модель АРПСС(0,1,1) может быть выражена в следующем виде:

Y_i - Y_{i - 1} = e_i - 0,746758 * e_{i - 1},     (2.1)

где e_i – нормально сгенерированные остатки со средним -0,278 и среднеквадратичным отклонением 5,387.

Данные, собранные в результате работы, позволяют сделать вывод, об отсутствии эффективных моделей прогнозирования и методов предотвращения и минимизации ущерба опасных ситуаций на территории Донецкой области. Поэтому разрабатываемая система мониторинга опасных ситуаций, предполагает предоставление информации об опасных ситуациях в Донецкой области и моделей прогнозирования ОС.

Для моделирования временных рядов опасных событий возможно использование следующих методов:

• метод АРПСС;
• искусственные нейронные сети;
• методы ситуационного моделирования, которые реализованы в системах Simulink и Stateflow;
• комбинированный метод.

Разработаны следующие модели прогнозирования, производственного и бытового травматизма, которые заключаются в следующем:

• На основе метода АРПСС строится модель производственного и бытового травматизма вида АРПСС(0,1,1). Эта модель может быть выражена в следующем виде:

  Y_i - Y_{i - 1} = e_i - 0,746758 * e_{i - 1},

  где e_i – нормально сгенерированные остатки со средним -0,278 и среднеквадратичным отклонением 5,387.

• Модель производственного травматизма вида АРПСС(1,1,1), может быть выражена в следующем виде:

  Y_i - Y_{i - 1} = e_i - 0,790438 * e_{i - 1} - 0,203141 * Y_{i - 1},

  где e_i – нормально сгенерированные остатки со средним 0,06 и среднеквадратичным отклонением 1,455.

• Модель бытового травматизма вида АРПСС(0,1,1), может быть выражена в следующем виде:

  Y_i - Y_{i - 1} = e_i - 0,705782 * e_{i - 1},

  где e_i – нормально сгенерированные остатки со средним -0,276 и среднеквадратичным отклонением 5,208.

Таким образом, в основе возникновения опасных ситуаций лежат закономерности, которые можно описать стохастическими методами прогнозирования.

1. МНС Ураїни. Аналіз надзвичайних ситуацій в Україні за 2004 рік: http://www.mns.gov.ua/quater/index.php
2. Третьякова С. В. Земля тривоги нашої. За матеріалами доповіді про стан навколишнього природного середовища в Донецькій області у 2003 році. – Донецьк: «ЦЭПИ «ЭПИЦентр ЛТД», 2004. – 152 с.: іл.
3. Лёвкин Н. Б. Предотвращение аварий и травматизма в угольных шахтах Украины. – Донецк: Донбасс, 2002. – 392 с.
4. Методы прогнозирования: http://www.anriintern.com/neuro/1-3.html
5. Анализ временных рядов: http://www.statsoft.ru/home/textbook/modules/sttimser.html
6. Нейросети, проблемы их построения, обучения, моделирования и применения: http://neirosite.narod.ru/neiro_vved.htm
7. Олейников В. Т., Мосягин А. А. Возможность прогнозирования опасных ситуаций в субъектах РФ на основе нейронных сетей. http://www.ipb.mos.ru/konf/2004/sb-2004/sec-2-04/2.68.pdf
8. Консультационный центр MATLAB: http://matlab.exponenta.ru