Прогнозирование показателей городских пожаров с помощью искусственных нейронных сетей (на примере Пензенской области)
А.
Ю. КиндаевБиблиографическое описание статьи для цитирования:
Киндаев
А.
Ю.,
Шишов
В.
Ф. Прогнозирование показателей городских пожаров с помощью искусственных нейронных сетей (на примере Пензенской области) // Научно-методический электронный журнал «Концепт». –
2014. – Т. 20. – С.
2816–2820. – URL:
http://e-koncept.ru/2014/54827.htm.
Аннотация. Актуальность статьи обусловлена необходимостью рассмотрения альтернативных методов прогнозирования при работе с показателями, которые имеют большую изменчивость в рассматриваемом периоде. В качестве одного из таких способов исследования данных рассматривается применение искусственных нейронных сетей для прогнозирования основных показателей городских пожаров на примере Пензенской области.
Текст статьи
Шишов Владимир Фёдорович,кандидат экономических наук, доцент, профессор кафедры прикладной математики и исследования операций в экономики ФГБОУ ВПО «Пензенский государственный технологический университет», г. Пензаvfshishov@mail.ruКиндаев Александр Юрьевич,студент ФГБОУ ВПО «Пензенский государственный технологический университет», г. Пензаalekindaev@yandex.ru
Прогнозирование показателей городских пожаров с помощью искусственных нейронных сетей (на примере Пензенской области)
Аннотация.Актуальность статьи обусловлена необходимостью рассмотрения альтернативных методов прогнозирования при работе с показателями, которые имеют большую изменчивость в рассматриваемом периоде. В качества одного из таких способов исследования данных рассматривается применение искусственных нейронных сетей для прогнозирования основных показателей городских пожаров на примере Пензенской области.Ключевые слова:нейронные сети, прогнозирование, городские пожары.
Городские пожары наносят большой ущерб экономике региона и страны в целом. Ущерб, наносимый городскими пожарами это не только сгоревшие здания и погибшие люди, но и затраты связанные с тушениеми ликвидацией последствий пожаров.Пензенская область включает в себя 27 муниципальных образования и 4 административных района городаПензы. Имеютсяежегодные статистические данные попожарам в каждом муниципальномобразовании и административных районахгородаПензы: ущерб от пожаров (тыс. руб.), уничтожено зданий (сооружений), количество пожаров (шт.), травмировано людей (чел.), гибель людей (чел.) за период с 2004 по 2013 годы (рисунки1,2).
Рисунок 1 –Основные показателипогородскимпожарамв регионе
В Пензенской области за 2013 год произошло 1292 пожара, что на 11% меньше чем за 2012 год. Количество погибших на пожарах также имеет тенденцию на снижение с 148 до 114 человек. Наибольшее снижение наблюдается по показателю «Ущерб» с 40557 до 25329 тыс. рублей, или на 48%.
Рисунок 2 –Основные показателипогородскимпожарамв регионе
Из статистических данных Министерства по чрезвычайным ситуациям Пензенской области следует, что за 11 месяцев 2013 года оперативная обстановка с пожарамии последствиями от них оставаласьстабильной, при этом наблюдалось улучшение по всем показателям, за исключением последнего(сравнение с аналогичным периодом прошлого года представлено в таблице 1).
Таблица 1 –Сравнительные показатели городских пожаровПоказатель11 месяцев 201211 месяцев 2013Количествопожаров12641151Количество погибших на пожарах, чел.123104Количество травмированных на пожарах, чел.8377Количество спасенных на пожарах, чел.506379Количество спасенных материальных ценностей, тыс. руб11291483489
Для наглядности этиданныепредставлены на графике
(рисунок 3), где отображена динамика и изменение показателей в абсолютных и относительных величинах всравнении спредыдущимпериодом.
Рисунок 3 –Количество пожаров и их последствияза 11 месяцев 2013 годаПроведем анализтенденциии динамики показателей по городским пожарам в Мокшанскомрайоне –одном из 27 муниципальных образований и Железнодорожном районе–одном из 4 административных районов города Пензы. Для наглядности покажем основные показатели Мокшанского и Железнодорожного районов на графиках (рисунки 45).
Рисунок 4 –Основные показатели по городским пожарамвМокшанскомрайоне
Рисунок 5 –Основные показатели по городским пожарам в Железнодорожномрайоне
Из рисунков 1,2,4 и 5 следует, что данныепоказатели городских пожаров имеют большую изменчивость в рассматриваемом периоде. Поэтому для прогнозированияэтих показателейдостаточно сложно использовать традиционные методы. В работе в качества альтернативного способа исследования представленных показателей и прогнозирования их на следующий годрассматривается применение искусственных нейронных сетей. В силу неоднородности данных, для более точного прогноза все административные районы и муниципальные образования разбиты на 4 группы по величине каждого показателя. Задача заключается в составлении прогноза представленныхпоказателейгородских пожаров на 2014 год. В качестве примера рассмотрим показатель «Количество пожаров»для группы муниципальных образований, в которую вошли: Белинский, Башмаковский, Пачелмский, Колышлейский, Лопатинский, Шемышейский, Вадинский, Сосновоборский, Наровчатский, Бековский, Иссинский, Спасский, Неверкинский, Тамалинский, Малосердобинский и Камешкирский районы.Для задач временных рядов Мастер решенийнейронных сетейтребует определить число тактов временного ряда, которое будет использоваться в качестве входа нейронной сети. Так как в нашем случае данные представляют собой ежегодныеданные по 16 муниципальным образованям (16 тактов) (рисунок 6).
Рисунок 6–Таблица исходных данныхПроанализируем полученные результаты. Для этого построим график фактических и предсказанных значений за 2013 год (рисунок 7).
Рисунок 7–Фактические и предсказанные значения за 2013 г.Из рисунка видно, что фактические и предсказанные значения отличаются не значительно, что свидетельствует о высоком качестве построенных моделей. Это подтверждается описательной статистикой моделей (Рисунок 8).
Рисунок 8–Описательная статистика за 2004 2013 гг.Из таблицы(рисунок 8) следует, чтокоэффициент корреляции у второймодели составляет 0,86, что свидетельствует об очень сильной связи между фактором и показателем. Это значит, что вторая модель подходит для дальнейшей работы, и мы можем спрогнозировать количество пожаров по этой модели для данной группы.Рассмотрим архитектуру наилучшей сети (рисунок 9). Архитектура сети это способ организации и связи отдельных элементов нейросети (нейронов).
Рисунок 9–Архитектура сети
Треугольники указывают на входные нейроны. Эти нейроны не осуществляют преобразований, а просто подают входные значения в сеть.Квадраты соответствуют элементам с синоптической функции. Уровни активации показаны цветом красным для положительной активации, зеленым для отрицательной.Построим прогноз на 2014 год по второймодели. В результате получим график количествагородских пожаровна 2014 год (рисунок 10).
Рисунок 10–Прогноз количества пожаров на 2014 год
Прогнозные значения количества городских пожаров для первой группы районов представлены в таблице 2.Значения начинаются со 161 в силу особенностей работы в STATISTICA Neural Networks.
Таблица 2 –Прогнозные значения количества пожаров на 2014 г для первой группы Проекция
временного ряда Районы Колво пожаров1617. Белинский281625. Башмаковский2216325. Пачелмский2816415. Колышлейский2216517. Лопатинский1816631. Шемышейский151679. Вадинский1416828. Сосновоборский1516921. Наровчатский161706. Бековский1817112. Иссинский1617229. Спасский1617322. Неверкинский1517430. Тамалинский1817520. Малосердобинский2217614. Камешкирский20
Проделав те же самые действия с другими группами показателей «Количество пожаров», «Ущерб», «Уничтожено зданий», «Травмировано людей» и «Гибель людей» получим прогнозные значения по каждому показателю. В таблицу 3 сведеныпрогнозные значения на 2014 год по каждому показателю по всем муниципальным образованиям и административным районам города.
Таблица 3 –Прогнозные значения на 2014 год по районам Пензенской области № п/пРайонПрогноз на 2014 годКоличество пожаров, шт.Ущерб, тыс .руб.Уничтожено зданий, шт.Травмировано людей, чел.Гибель людей, чел.1Ленинский4129216472Октябрьский1052753783Железнодорожный85134013674Первомайский6836877865Башмаковский221827886Бековский185459027Белинский2877816188Бессоновский62651204119Вадинский1551542210Городищенский62550263611Земетчинский382076431412Иссинский1678241113Каменский6219101141014Камешкирский2088860215Колышлейский22167652316Кузнецкий1203912010917Лопатинский1827263418Лунинский354468400319Мокшанский3688431620Малосердобинский2259651421Наровчатский1638350322Неверкинский1536960123Нижнеломовский392169105924Никольский391064254525Пачелмский28139040626Пензенский671456274727Сердобский3973248628Сосновоборский1564472329Спасский1654961330Тамалинский18330101231Шемышейский15696812Всего12023516936692158
В результате исследований получены сети, пригодные для прогноза, ошибки которых не превышают 715%. По описательной статистике определены сети с наилучшими показателями (коэффициенты корреляции, ошибки прогноза) и эти сети использовались для построения прогнозов. По построенным сетям получены прогнозные показатели городских пожаров: ущерб от пожаров (тыс. руб.); уничтожено зданий (сооружений); количество пожаров (шт.); травмировано людей (чел.); гибель людей (чел.) на 2014 год.Полученные прогнозные показатели позволяют муниципальным образованиям спланировать оптимальные средства в бюджетах различных уровней для предупреждения городских пожаров, тушенияи ликвидацииихпоследствий, а также помощи пострадавшим людям.
Ссылки на источники1. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных/ Под редакцией В.П. Боровикова. –2е изд., перераб. и доп. –М.: Горячая линия –Телеком, 2008. –392с.2. Козлов А.Ю., Мхитарян В.С., Шишов В.Ф. Статистический анализ данных в MS Excel. Учеб. пособие. М.: ИНФРАМ, 2012.–320с.3. Мхитарян В.С., Шишов В.Ф., Козлов А.Ю. Теория вероятностей и математическая статистика: Учебник. –М.: Изд. центр «Академия», 2012.–416с.4. Шишов В.Ф. Оценка величины ущерба от аварий, передаваемого на перестрахование.//XXI век: итоги прошлого и проблемы настоящего плюс, т.2 №9 (13), 2013.5. ГУ МЧС России по Пензенской области (Итоги работы за 2013 год). –URL: http://www.58.mchs.gov.ru/activities/detail.php?ID=22478
Shishov Vladimir Fyodorovich,Candidate of Economic Sciences, associate professor, professor of chair of applied mathematics and researches of operations in economy FGBOU VPO "The Penza state technological university", Penzavfshishov@mail.ruKindayev Alexander Yuryevich,student FGBOU VPO "The Penza state technological university", Penzaalekindaev@yandex.ruForecasting of indicators of city fires by means of artificial neural networks (on the example of the Penza region)Abstract.Relevance of article is caused by need of consideration of alternative methods of forecasting during the work with indicators which have big variability in the considered period. In qualities of one of such ways of research of data application of artificial neural networks for forecasting of the main indicators of city fires on the example of the Penza region is considered.Keywords:neural networks, forecasting, city fires.
Прогнозирование показателей городских пожаров с помощью искусственных нейронных сетей (на примере Пензенской области)
Аннотация.Актуальность статьи обусловлена необходимостью рассмотрения альтернативных методов прогнозирования при работе с показателями, которые имеют большую изменчивость в рассматриваемом периоде. В качества одного из таких способов исследования данных рассматривается применение искусственных нейронных сетей для прогнозирования основных показателей городских пожаров на примере Пензенской области.Ключевые слова:нейронные сети, прогнозирование, городские пожары.
Городские пожары наносят большой ущерб экономике региона и страны в целом. Ущерб, наносимый городскими пожарами это не только сгоревшие здания и погибшие люди, но и затраты связанные с тушениеми ликвидацией последствий пожаров.Пензенская область включает в себя 27 муниципальных образования и 4 административных района городаПензы. Имеютсяежегодные статистические данные попожарам в каждом муниципальномобразовании и административных районахгородаПензы: ущерб от пожаров (тыс. руб.), уничтожено зданий (сооружений), количество пожаров (шт.), травмировано людей (чел.), гибель людей (чел.) за период с 2004 по 2013 годы (рисунки1,2).
Рисунок 1 –Основные показателипогородскимпожарамв регионе
В Пензенской области за 2013 год произошло 1292 пожара, что на 11% меньше чем за 2012 год. Количество погибших на пожарах также имеет тенденцию на снижение с 148 до 114 человек. Наибольшее снижение наблюдается по показателю «Ущерб» с 40557 до 25329 тыс. рублей, или на 48%.
Рисунок 2 –Основные показателипогородскимпожарамв регионе
Из статистических данных Министерства по чрезвычайным ситуациям Пензенской области следует, что за 11 месяцев 2013 года оперативная обстановка с пожарамии последствиями от них оставаласьстабильной, при этом наблюдалось улучшение по всем показателям, за исключением последнего(сравнение с аналогичным периодом прошлого года представлено в таблице 1).
Таблица 1 –Сравнительные показатели городских пожаровПоказатель11 месяцев 201211 месяцев 2013Количествопожаров12641151Количество погибших на пожарах, чел.123104Количество травмированных на пожарах, чел.8377Количество спасенных на пожарах, чел.506379Количество спасенных материальных ценностей, тыс. руб11291483489
Для наглядности этиданныепредставлены на графике
(рисунок 3), где отображена динамика и изменение показателей в абсолютных и относительных величинах всравнении спредыдущимпериодом.
Рисунок 3 –Количество пожаров и их последствияза 11 месяцев 2013 годаПроведем анализтенденциии динамики показателей по городским пожарам в Мокшанскомрайоне –одном из 27 муниципальных образований и Железнодорожном районе–одном из 4 административных районов города Пензы. Для наглядности покажем основные показатели Мокшанского и Железнодорожного районов на графиках (рисунки 45).
Рисунок 4 –Основные показатели по городским пожарамвМокшанскомрайоне
Рисунок 5 –Основные показатели по городским пожарам в Железнодорожномрайоне
Из рисунков 1,2,4 и 5 следует, что данныепоказатели городских пожаров имеют большую изменчивость в рассматриваемом периоде. Поэтому для прогнозированияэтих показателейдостаточно сложно использовать традиционные методы. В работе в качества альтернативного способа исследования представленных показателей и прогнозирования их на следующий годрассматривается применение искусственных нейронных сетей. В силу неоднородности данных, для более точного прогноза все административные районы и муниципальные образования разбиты на 4 группы по величине каждого показателя. Задача заключается в составлении прогноза представленныхпоказателейгородских пожаров на 2014 год. В качестве примера рассмотрим показатель «Количество пожаров»для группы муниципальных образований, в которую вошли: Белинский, Башмаковский, Пачелмский, Колышлейский, Лопатинский, Шемышейский, Вадинский, Сосновоборский, Наровчатский, Бековский, Иссинский, Спасский, Неверкинский, Тамалинский, Малосердобинский и Камешкирский районы.Для задач временных рядов Мастер решенийнейронных сетейтребует определить число тактов временного ряда, которое будет использоваться в качестве входа нейронной сети. Так как в нашем случае данные представляют собой ежегодныеданные по 16 муниципальным образованям (16 тактов) (рисунок 6).
Рисунок 6–Таблица исходных данныхПроанализируем полученные результаты. Для этого построим график фактических и предсказанных значений за 2013 год (рисунок 7).
Рисунок 7–Фактические и предсказанные значения за 2013 г.Из рисунка видно, что фактические и предсказанные значения отличаются не значительно, что свидетельствует о высоком качестве построенных моделей. Это подтверждается описательной статистикой моделей (Рисунок 8).
Рисунок 8–Описательная статистика за 2004 2013 гг.Из таблицы(рисунок 8) следует, чтокоэффициент корреляции у второймодели составляет 0,86, что свидетельствует об очень сильной связи между фактором и показателем. Это значит, что вторая модель подходит для дальнейшей работы, и мы можем спрогнозировать количество пожаров по этой модели для данной группы.Рассмотрим архитектуру наилучшей сети (рисунок 9). Архитектура сети это способ организации и связи отдельных элементов нейросети (нейронов).
Рисунок 9–Архитектура сети
Треугольники указывают на входные нейроны. Эти нейроны не осуществляют преобразований, а просто подают входные значения в сеть.Квадраты соответствуют элементам с синоптической функции. Уровни активации показаны цветом красным для положительной активации, зеленым для отрицательной.Построим прогноз на 2014 год по второймодели. В результате получим график количествагородских пожаровна 2014 год (рисунок 10).
Рисунок 10–Прогноз количества пожаров на 2014 год
Прогнозные значения количества городских пожаров для первой группы районов представлены в таблице 2.Значения начинаются со 161 в силу особенностей работы в STATISTICA Neural Networks.
Таблица 2 –Прогнозные значения количества пожаров на 2014 г для первой группы Проекция
временного ряда Районы Колво пожаров1617. Белинский281625. Башмаковский2216325. Пачелмский2816415. Колышлейский2216517. Лопатинский1816631. Шемышейский151679. Вадинский1416828. Сосновоборский1516921. Наровчатский161706. Бековский1817112. Иссинский1617229. Спасский1617322. Неверкинский1517430. Тамалинский1817520. Малосердобинский2217614. Камешкирский20
Проделав те же самые действия с другими группами показателей «Количество пожаров», «Ущерб», «Уничтожено зданий», «Травмировано людей» и «Гибель людей» получим прогнозные значения по каждому показателю. В таблицу 3 сведеныпрогнозные значения на 2014 год по каждому показателю по всем муниципальным образованиям и административным районам города.
Таблица 3 –Прогнозные значения на 2014 год по районам Пензенской области № п/пРайонПрогноз на 2014 годКоличество пожаров, шт.Ущерб, тыс .руб.Уничтожено зданий, шт.Травмировано людей, чел.Гибель людей, чел.1Ленинский4129216472Октябрьский1052753783Железнодорожный85134013674Первомайский6836877865Башмаковский221827886Бековский185459027Белинский2877816188Бессоновский62651204119Вадинский1551542210Городищенский62550263611Земетчинский382076431412Иссинский1678241113Каменский6219101141014Камешкирский2088860215Колышлейский22167652316Кузнецкий1203912010917Лопатинский1827263418Лунинский354468400319Мокшанский3688431620Малосердобинский2259651421Наровчатский1638350322Неверкинский1536960123Нижнеломовский392169105924Никольский391064254525Пачелмский28139040626Пензенский671456274727Сердобский3973248628Сосновоборский1564472329Спасский1654961330Тамалинский18330101231Шемышейский15696812Всего12023516936692158
В результате исследований получены сети, пригодные для прогноза, ошибки которых не превышают 715%. По описательной статистике определены сети с наилучшими показателями (коэффициенты корреляции, ошибки прогноза) и эти сети использовались для построения прогнозов. По построенным сетям получены прогнозные показатели городских пожаров: ущерб от пожаров (тыс. руб.); уничтожено зданий (сооружений); количество пожаров (шт.); травмировано людей (чел.); гибель людей (чел.) на 2014 год.Полученные прогнозные показатели позволяют муниципальным образованиям спланировать оптимальные средства в бюджетах различных уровней для предупреждения городских пожаров, тушенияи ликвидацииихпоследствий, а также помощи пострадавшим людям.
Ссылки на источники1. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных/ Под редакцией В.П. Боровикова. –2е изд., перераб. и доп. –М.: Горячая линия –Телеком, 2008. –392с.2. Козлов А.Ю., Мхитарян В.С., Шишов В.Ф. Статистический анализ данных в MS Excel. Учеб. пособие. М.: ИНФРАМ, 2012.–320с.3. Мхитарян В.С., Шишов В.Ф., Козлов А.Ю. Теория вероятностей и математическая статистика: Учебник. –М.: Изд. центр «Академия», 2012.–416с.4. Шишов В.Ф. Оценка величины ущерба от аварий, передаваемого на перестрахование.//XXI век: итоги прошлого и проблемы настоящего плюс, т.2 №9 (13), 2013.5. ГУ МЧС России по Пензенской области (Итоги работы за 2013 год). –URL: http://www.58.mchs.gov.ru/activities/detail.php?ID=22478
Shishov Vladimir Fyodorovich,Candidate of Economic Sciences, associate professor, professor of chair of applied mathematics and researches of operations in economy FGBOU VPO "The Penza state technological university", Penzavfshishov@mail.ruKindayev Alexander Yuryevich,student FGBOU VPO "The Penza state technological university", Penzaalekindaev@yandex.ruForecasting of indicators of city fires by means of artificial neural networks (on the example of the Penza region)Abstract.Relevance of article is caused by need of consideration of alternative methods of forecasting during the work with indicators which have big variability in the considered period. In qualities of one of such ways of research of data application of artificial neural networks for forecasting of the main indicators of city fires on the example of the Penza region is considered.Keywords:neural networks, forecasting, city fires.
