Диссертация (Методы и алгоритмы обработки информации в информационно-аналитических системах для анализа развития событий кризисных ситуаций), страница 3

Уточнены и дополнены основные задачи диссертационного исследования.Вторая глава посвящена разработке метода разбора сообщений, полученных из заданного набора источников и анализа связанности событий с помощью решеток Биркгофа, а также математической модели поддержки принятиярешений на основе признаков анализируемого события кризисной ситуации иполноты развития обновленных аргументаций.Третья глава описывает разработку метода и алгоритма анализа вероятностей трендов развития событий кризисных ситуаций для принятия решений сиспользованием темпоральной базы знаний Байеса, а также предложены критерии сравнения, для того что бы определить какая эталонная модель наиболеесоответствует развивающейся кризисной ситуации.Четвертая глава содержит описание модифицированного метода визуализации и принятия решения на основе графового представления поступающейинформации, в форме физических аналогий, изменения энергии деформациисвязей между упругими телами.

Представлена структурная схема визуальноаналитического сопровождения процессов обработки структурированных данных с применением активного моделирования в условиях интенсивного развития событий в кризисных ситуациях. Приводятся результаты экспериментальных испытаний методов и алгоритмов, рассмотренных в Главах 2 и 3.В заключении приводятся выводы по диссертационной работе с обсуждением полученных результатов и их научной новизны.В приложениях приводятся акты о внедрении и использовании результатов диссертации.Структура диссертации.

Диссертация состоит из Введения, четырехглав, Заключения, списка литературы и двух приложений. Общий объемдиссертации, включая Приложения, содержит 125 печатных страниц, 44рисунка и 4 таблицы.13Глава 1. Критический анализ существующих методов и алгоритмовобработки информации в информационно-аналитических системахСистемный анализ событий кризисных ситуаций выполняется с цельюоптимизации управления принятия решений и обработки информации в условиях неопределенности внешней среды, а также информационной поддержки врамках единой системы информационной поддержки принятия решений на автоматизированном рабочем месте информационного аналитика ситуационногоцентра [1, 2].Основными сферами моделирования процессов развития событий являются:социально-экономическое,внутриполитическое,внешнеполитическое(прогнозы в области международных отношений и внешней политики), военное, юридическое (государственно-правовое), экологическое, техническое идругие прогнозы с целью планирования и подготовки принятия решения, т.е.выбор одного варианта из некоторого множества рассматриваемых вариантов(альтернатив) или сужение этого множества.

Основной проблемой процессапринятия решений считают обоснование выбора вариантов в условиях многокритериальности и неопределенности1. Варианты могут сравниваться с помощью: свойств, отношений, критериев. Это показатели (математические структуры), заданные на множестве вариантов и позволяющие охарактеризовать степень привлекательности или непривлекательности каждого варианта для лица,принимающего решения (ЛПР).Целью анализа объекта моделирования является разработка прогностической модели, позволяющей получать прогнозную информацию об объекте [3].Для проведения прогностического эксперимента (моделирования) помимо модели объекта необходимо располагать также набором методов, методик, приемов прогнозирования, которые применяются при его реализации.

Поэтому в1УМКД «Системный анализ и принятие решений» разработан д.т.н., проф. Морозовой Татьяной Юрьевной,201314процессе анализа должны быть выбраны методы прогнозирования, адекватныеобъекту и целям разработки прогноза [4].Далее в работе проведена декомпозиция постановки задачи разработкиспециального математического и алгоритмического обеспечения информационно-аналитических систем в условиях интенсивного развития кризисных ситуаций и рассмотрены существующие в настоящее время математические методы прогнозирования и алгоритмы обработки информации развития событий сцелью применения их в разрабатываемой системе поддержки принятия решений.1.1 Процедура построения прогноза событий кризисных ситуацийв информационно-аналитических системахОсновное содержание процедуры прогноза развития кризисной ситуацииявляется определение возможных состояний объекта прогнозирования.

Следуетотдельно отметить особенности поисковых задач: какими будут входные данные и чем является прогнозируемая величина [25]. Во многих ситуациях такойвеличиной оказываются значения, которые принимает временной ряд на интервале [T(n+1), T(n+f)], где T(n) – текущий момент времени, f – интервал прогнозирования.

В ряде случаев возникает необходимость прогнозировать не значение ряда в установленном промежутке, а возможность, позиционированиянеким трендом (убывающий, возрастающий и т.д.). Этапы прогнозирования,характеризующиеся своими задачами, методами и результатами в разрабатываемой системе поддержки принятия решений и семантической неопределенностислабоструктурированныхданных,полученныхизинформационно-аналитических гетерогенных систем, условно представлены на рис. 1.1.При построении прогноза, в качестве исходных данных подбираетсянаибольшее количество значащих факторов [26, 27].

Затем из полученной информации следует убрать ненужные и достаточно редко встречающиеся условия. Зачастую появляется потребность выполнить предобработку (первичную15обработку) данных: убрать ненормальные выбросы, шума, возможно, восстановить пропущенную информацию. Высококачественная обработка дает возможность сделать прогноз более качественным с точки зрения полноты и достоверности [25, 28].Данные обанализируемомобъектеОтбор значащих факторовПредобработкаПостроение модели (выборструктуры, формализация...)ВерификацияПоддержка принятия решенияРис.

1.1. Процедура построения прогнозадля поддержки принятия решенияСледующим шагом создается модель прогноза, для этого применяютсятрадиционные механизмы, типа линейной регрессии, и методы, которые позволяют строить нелинейную модель, например, нейронную сеть. Прогноз, можетосуществляться на основе построенной нейронной сети или с помощью другихмоделей [25, 29].После получения прогноза, работа по его корректировке и верификациипродолжается непрерывно.

Для того, чтобы граф-модель объекта прогнозирования не переставала отвечать изменяющимся свойствам объекта наблюдения,следует постоянно подвергать её критическому анализу.16Рис. 1.2. Граф-модель процедуры построения и корректировки прогноза [18, 42]Исходя из выше изложенного, прогнозирование событий кризисных ситуаций целесообразно считать непрерывной задачей [25, 30, 46]. При этомнеобходимо определить какие действия могут способствовать решению конкретной проблемы и какие данные из других сфер научного знания необходимопривлечь для оценки возможного развития событий кризисных ситуаций (рис.1.2). Поэтому, делаем вывод, что модели являются не только мощным фактором упорядочения больших объемов эмпирической информации, но и становятся важным самостоятельным средством изучения протекающих в них процессах [31, 32, 43, 44].171.2.

Анализ существующих математических методов прогнозированияв целях применения в системе поддержки принятия решенийВ настоящее время существует ряд математических методов прогнозирования2. Как показывает практика, все они могут быть успешно использованыдля получения надежных результатов при прогнозировании и в решении конкретных прогнозных задач [45, 33, 34]. Далее проанализируем их на предметпрактического применения в блоке активного моделирования намерений, разрабатываемой системы поддержки принятия решений в рамках поставленныхосновных задач исследования.Корреляционный и регрессионный анализОдним из наиболее распространенных способов получения многофакторных прогнозов является классический метод наименьших квадратов и построение на его основе модели множественной регрессии [25, 41].Получение прогнозов с помощью многофакторных регрессионных моделей предполагает неизменность значений коэффициентов этих моделей во времени.

Тем не менее, в процессе исследования объекта возможно появление новой информации, что позволяет с помощью рекуррентного оценивания корректировать значения оценок коэффициентов моделей. В то же время исходнаяинформация может содержать в себе тренды изменения независимых переменных, которые возникают в результате различных "режимов" функционированияисследуемого объекта [47, 48, 49]. В этом случае важным является как сам фактустановления трендов процессов на разных временных интервалах, так и выбортакого интервала для построения на нем модели прогнозирования, который былбы наиболее адекватным будущему поведению объекта.

Если оказывается, чтоmдля одного интервала времени построена многофакторная модель y1   i1 xi , аi 02Рабочая книга по прогнозированию /Редкол.: Р13 И.В. Бестужев-Лада (отв. ред.). – М.: Мысль, 1982. – 430 с.18mдля другого интервала – модель y2   i 2 xi , где  i1 xi ≠  i 2 xi , то прогноз будетi 0смещен по времени, а следовательно, резко возрастет дисперсия прогноза [25].Построение адекватных регрессионных моделей для прогнозирования спомощью метода наименьших квадратов предъявляет к исходной информациивесьма жесткие требования. В ряде случаев эти требования для полученныхданных информационно-аналитических гетерогенных систем оказываются невыполненными, поэтому получаемые оценки оказываются неэффективными, апрогноз – недостоверным. Требования нормальности распределения ошибок,предъявляемые к исходной информации процедурой метода наименьших квадратов, в большинстве случаев оказываются невыполнимыми.Существует еще одно направление в статистике – так называемая робастная статистика, задача которой состоит в том, чтобы получить эффективныеоценки в случаях невыполнения некоторых предпосылок, например нормальности распределения, наличия аномальных наблюдений.