ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ РАБОТЫ ПОЖАРНЫХ СПАСАТЕЛЬНЫХ ОТРЯДОВ СРЕДСТВАМИ СТАТИСТИЧЕСКОЙ ОБРАБОТКИ ОПЕРАТИВНЫХ ДАННЫХ МАЛОГО ОБЪЕМА Лапшина И.В.,Усенко О.А.,Алексеева А.В.

Таганрогский институт имени А.П. Чехова (филиал) «Ростовского государственного экономического университета (РИНХ)


Номер: 2-1
Год: 2015
Страницы: 24-29
Журнал: Актуальные проблемы гуманитарных и естественных наук

Ключевые слова

пожарная безопасность, имитационный метод, метод вкладов, профилактика пожаров, прогнозирование и планирование деятельности отрядов пожарной охраны, fire safety, simulation method, the method of Deposit, prevention of fires, forecasting and planning units of fire protection

Просмотр статьи

⛔️ (обновите страницу, если статья не отобразилась)

Аннотация к статье

В статье авторы рассматривают информационное обеспечение, реализованное с применением математических методов обработки массивов данных малого объема. Предлагаемое в работе информационное обеспечение позволяет осуществлять анализ данных через малые промежутки времени, что в свою очередь предоставляет возможность оперативно отслеживать динамику количества пожаров и оценивать эффективность профилактических мероприятий проводимых пожарной охраной города.

Текст научной статьи

Актуальность данного исследования заключается в следующем: известно, что статистика по причинам и последствиям пожаров собирается годами и полученного объема достаточно для обработки его стандартными методами. Однако, специалисты считают собранные сведения однородными и не учитывают, что статистика может отражать специфику уже давно прошедших лет. Тем не менее, вряд ли можно признать, что, причины возникновения пожаров или распределение виновников по возрастам следует считать такими же, как и, например, 50 лет назад. В настоящее время появились, коммуникации для локальных сетей, видеокамер и другой современной техники, которые располагаются в старых зданиях, не предназначенных для этого. Произошли изменения в демографической ситуации в стране. Следовательно, имеющиеся сведения не являются достаточно однородными, и обработка классическими методами не может давать адекватные результаты. Кроме того, в целом можно сказать, что в настоящее время статистические данные, характеризующие состояние пожарной безопасности в динамике показывают, что уровень опасных факторов природного, техногенного, криминального и др. характера оказывающих негативное воздействие на население высок. Выходом из создавшейся ситуации, на наш взгляд, является обработка массивов данных малого объема собранных за небольшие отрезки времени, например, в течение 3-5 лет, Предположим, что в этот промежуток времени условиях сбора данных по пожарам являются примерно одинаковыми, тогда выборку можно считать однородной. Обработка данных малого объема в свою очередь требует использования специализированных математических методов, которые как раз и реализованы в предлагаемом информационном обеспечении. 1. Разработанное информационное обеспечение является реализацией системно-ориентированного подхода по обработке статистических данных и включает программно реализованный классический метод обработки статистических данных стандартного объема: [1, 159-163]. Неоспоримое преимущество и новизна разработанного обеспечения - возможность генерации стохастических моделей на основе укороченных выборок. В информационном обеспечении предложено использовать два основных метода обработки статистических данных малого объема: метод вкладов и имитационный метод. В методе вкладов индивидуальный подход к каждой отдельной реализации хi выборки заключается в том, что каждой реализации приписывается элементарная плотность симметричного распределения (вклад), с последующим их линейным геометрическим суммированием с заданными весами. Априорная составляющая имеет ту же форму, что и вклад, но интервал ее вклада охватывает весь диапазон изменения случайной величины Х. В качестве элементарной функции вклада может быть использовано любое симметричное распределение: [2, 159-163]. В наиболее простом случае в качестве функции вкладов и априорной составляющей f0(x) использовалось равновероятное распределение (метод прямоугольных вкладов): (1) где d - ширина функции вклада; а также распределение Симпсона (метод треугольных вкладов): (2) где c=(b+a)/2. Линейное суммирование с заданными весами априорной плотности и вкладов (используя формулы (1) или (2)) для всех n элементов выборки приводит в итоге к искомой оценке плотности эмпирического распределения: (3) В имитационном методе индивидуальный подход к каждому случайному значению xi i=1, ..., N случайного процесса Х состоит в генерации псевдослучайных чисел, распределенных в d-окрестностях значений xiХ, i=1, ..., N по заданному закону: [3, 159-163]. В работе аналогично методу вкладов использовались равновероятное распределение и распределение Симпсона. Если границы d-окрестностей выходят за пределы отрезка [a, b], то получаемые при генерации числа равномерно распределяются в диапазоне [a, xi+d/2] или [xi-d/2, b]. Количество генерируемых при поступлении очередного значения хi чисел определяется из условия требуемой достоверности. Таким образом, осуществляется переход от малой выборки (n=510) к выборке стандартного объема данных (Nґ(n+1) значений), представляющую собой аддитивную суперпозицию (N+1) псевдореализаций, причем основная из них ограничена диапазоном [a,b] с математическим ожиданием 0.5[b-a]. Такая модель выборки дает возможность строить эмпирическую гистограмму классическими методами. Для полной характеристики эмпирического распределения, полученного методом вкладов или имитационного моделирования, производится его идентификация одним из стандартных законов распределения в дифференциальной и интегральной формах. Согласно описанным методам разработан укрупненный алгоритм метода аддитивной аппроксимации статистических данных, особенность которого состоит в ранжировании результатов аппроксимации, что позволяет повысить достоверность идентификации статистических данных. Описанные выше методы реализованы в виде программного анализатора стохастических моделей [4]. Работу анализатора рассмотрим на конкретном примере. В службе пожарной безопасности фиксируются различные сведения, собранные в течение года, в частности, возраст виновников пожаров. Сведения представляются в сгруппированном виде, традиционно выделяют 7 возрастных групп: до 7 лет, от 7 до 14, от 14 до 16, от 16 до 20, от 20 до 41, от 41 до 60 и старше 60 лет. Следовательно, фиксируемое количество пожаров на 10 000 чел. возрастной группы составляет всего 7 значений. Выборка в 7 значений считается малой и не может быть обработана классическими статистическими методами. На практике оказывается, что ценнейшие сведения, отражающие ситуации, связанные с жизнью и здоровьем людей, в дальнейшем никак не используют для получения аналитической информации, прогнозов, составления планов профилактических работ. Разработанный статистический анализатор позволяет решить указанную проблему. Введем значения малой выборки (количество пожаров на 10 000 чел. возрастной группы) и зададим параметры для ее обработки методом прямоугольных вкладов, как показано на рис. 1. Рис. 1. Ввод исходных данных для метода прямоугольных вкладов Результаты обработки малой выборки методом прямоугольных вкладов представлены на рис. 2. Рис. 2. Результаты обработки малой выборки по методу прямоугольных вкладов Размах выборки свидетельствует о том, что возраст является значимым фактором для возникновения пожарной ситуации. Анализ полученной эмпирической гистограммы и моды распределения позволяет выделить наиболее опасную возрастную группу. Здесь можно отметить интересный факт: мода приходится на младшие возрастные группы до 7 лет и от 7 до 14 лет, тогда как простой анализ ряда показал бы, что наиболее опасная группа от 41 до 60 лет. Такое на первый взгляд противоречие имеет простое объяснение - показатели приведены на 10 000 человек возрастной группы, а если помнить об естественной убыли населения с возрастом, то старшие возрастные группы в общей массе будут составлять менее значимую по количеству часть. Следовательно, основные усилия по профилактике пожаров должны быть направлены именно на младшие возрастные группы, необходимо проводить беседы и занятия по пожарной безопасности с детьми до 14 лет. Идентификация эмпирического распределения показала, что наиболее подходящей статистической моделью исследуемой малой выборки является закон Эрланга. В данном случае для вывода о виде закона распределения определяющим является не абсолютное значение критерия согласия Пирсона (как видно из полученных значений, во всех случаях превышено критическое значение), а относительное, которое имеет смысл сравнивать с остальными значениями, полученными для целого набора теоретических статистических распределений. Это обусловлено тем фактором, что не имеет смысла ожидать при обработке малой выборки удовлетворения критериев, разработанных для выборок стандартного объема. Однако, используя известный критерий согласия Пирсона для проверки множества гипотез и предполагая, что расчет будет давать одинаковую погрешность во всех случаях, целесообразно формировать ранжированный ряд значений и выбирать наименьший из них, как и было сделано в нашем случае. Кроме того, для аналитика выводится весь ранжированный ряд, поскольку ввиду наличия неформализуемых дополнительных сведений по изучаемой проблеме или результатов альтернативных исследований, он может сделать вывод в пользу второго или третьего в ранжированном ряду распределений. Аналогичные исследования малой выборки проведем с использованием имитационного метода. Введем значения малой выборки и зададим параметры для ее обработки имитационным методом, как показано на рис. 3. Рис. 3. Ввод исходных данных для имитационного метода Результаты обработки малой выборки имитационным методом представлены на рис. 4. Рис. 4. Результаты обработки малой выборки по имитационному методу Сравнивая результаты исследования малой выборки двумя методами, можно отметить, что, несмотря на некоторые расхождения, обусловленные разными технологиями обработки малой выборки, выводы аналогичны: мода приходится на младшие возрастные группы, а наиболее подходящей статистической моделью является распределение Эрланга. При существенном отличии получаемых результатов можно рекомендовать варьировать параметры методов до получения приемлемых результатов: изменять ширину вкладов, применять различные симметричные распределения в качестве элементарных вкладов, использовать расширенный банк теоретических распределений, изменять критерий согласия, по возможности увеличивать объем выборки или, наоборот, фильтровать данные. Помимо исследований виновников пожаров по возрастным группам, достаточно информативным можно считать отслеживание тенденций в каждой возрастной группе по годам. И хотя, как отмечалось ранее, имеются сведения за целые десятилетия, то есть статистический объем выборки можно считать большим, вряд ли их можно обрабатывать как однородную выборку, поскольку социальные, демографические, общекультурные и иные условия существенно отличаются. Высокая достоверность идентификации моделей обеспечивается за счет параллельной обработки данных двумя методами, построения и сравнения ранжированных рядов критериев адекватности эмпирических моделей с целью выбора оптимального решения, а также за счет использования расширенных банков теоретических законов распределений и критериев адекватности. Возможность обрабатывать данные малых объемов имеет бесспорное преимущество, так как за каждым фиксируемым случаем пожара стоит как минимум утрата материальных ценностей, а в наихудшем - жизнь и здоровье людей. Анализ данных через малые промежутки времени позволяет оперативно отслеживать динамику количества пожаров, оценивать эффективность профилактических мер, выяснять влияния новых факторов, а также прогнозировать и планировать деятельность отрядов пожарной безопасности.

Научные конференции

 

(c) Архив публикаций научного журнала. Полное или частичное копирование материалов сайта возможно только с письменного разрешения администрации, а также с указанием прямой активной ссылки на источник.