Уфа, Республика Башкортостан, Россия
Уфа, Республика Башкортостан, Россия
Республика Башкортостан, Россия
BISAC COM048000 Systems Architecture / Distributed Systems & Computing
В контексте данной статьи предлагается метод обнаружения угроз на основе их прогнозирования и развития в сложных распределенных системах. Первоначально актуальность темы исследования обосновывается с точки зрения перспективности использования различных методов в рамках управления угрозами и их прогнозирования в сложных распределенных системах. На основе анализа этих методов был предложен собственный метод прогнозирования на основе рекуррентной нейронной сети (РНС) второго поколения. Представлена математическая постановка задачи, а также структура этой нейронной сети и ее математическая модель самообучения, позволяющая достичь более точных (с меньшими ошибками) результатов в рамках прогнозирования угроз (в данном случае уровень подъема воды на гидропостах) в сложных распределенных системах. Также был проведен анализ эффективности существующих и предложенных методов прогнозирования, который показал устойчивость нейронной сети по отношению к другим методам прогнозирования: погрешность нейронной сети составляет 3-20% от фактических (реальных) уровней воды; метод наименьших квадратов достигает 34,5%, численный метод в обобщенном виде - до 36%; модель линейной регрессии - до 47,5%. Таким образом, нейронная сеть позволяет достаточно стабильно прогнозировать паводковую ситуацию на несколько дней, что позволяет спецслужбам проводить мероприятия по борьбе с наводнениями.
прогноз уровня воды, паводковая ситуация, нейронные сети, нейронная сеть для прогнозирования
1. O.E.J. Wing, C.C. Sampson, P.D. Bates, “A flood inundation forecast of Hurricane Harvey using a continental-scale 2D hydrodynamic model”, Journal of Hydrology X,vol. 4, 2019, P. 1–17.
2. S.V. Pavlov, V.G. Krymsky, O.I. Khristodulo, Information support for assessing and managing water resources based on geoinformation technologies, Moscow: Dada+, 2010, p. 284.
3. E.V. Palchevsky, O.I. Khristodulo, “Development of a self-learning method for a pulsed neural network to protect against DDoS attacks”, Software & Systems, vol. 32, no. 3, 2019, pp. 419–432.
4. Y.V. Grebnev, A.V. Spring, “Flood monitoring and forecasting in the Krasnoyarsk Territory using neural network algorithms”, Siberian Fire and Rescue Bulletin, No. 3 (10), 2018, pp. 13–16.
5. J. Noymanee, T. Theeramunkong, “Flood Forecasting with Machine Learning Technique on Hydrological Modeling”, Procedia Computer Science, vol. 156, 2019, pp. 377–386.
6. Y. Zhou, S. Guo, F. Chang, “Explore an evolutionary recurrent ANFIS for modelling multi-step-ahead flood forecasts”, Journal of Hydrology. 2019. Vol. 570. pp. 343–355.
7. S. Han, P. Coulibaly, “Bayesian flood forecasting methods: A review”, vol. 551, 2017, pp. 340–351.
8. A.E. Tekeli, H. Fouli, “Evaluation of TRMM satellite-based precipitation indexes for flood forecasting over Riyadh City”, Saudi Arabia, vol. 541, Part A, 2016, pp. 471–479.
9. K. Kim, P. Pant, E. Yamashita, “Integrating travel demand modeling and flood hazard risk analysis for evacuation and sheltering”, International Journal of Disaster Risk Reduction, vol. 31, 2018, pp. 1177–1186.
10. C.H. Chang, H. Lee, F. Hossain, S. Basnayke, S. Jayasinghe, F. Chishtie, D. Saah, Yu. Hanwen, K. Sothea, D.D. Bui, “A model-aided satellite-altimetry-based flood forecasting system for the Mekong River”, Environmental Modelling & Software, 2019, vol. 112, pp. 112–127.
11. H. Shafizadeh-Moghadam, R. Valave, H. Shahabi, K. Chapi, “Shirzadi A. Novel forecasting approaches using combination of machine learning and statistical models for flood susceptibility mapping”, Journal of Environmental Management, 2018, vol . 217, pp. 1–11.
12. H. Bonakadri, A.H. Zaji, A.D. Binns, B. Gharabaghi, “Integrated Markov chains and uncertainty analysis techniques to more accurately forecast floods using satellite signals”, Journal of Hydrology, vol. 572, 2019, pp. 75–79.
13. L. Alfieri, E. Zsoter, S. Harrigan, F.A. Hipra, C. Lavaysse, C. Prudhomme, P. Salamon, “Range-dependent thresholds for global flood early warning”, Journal of Hydrology X, vol. 4, 2019, pp. 1-10.
14. S. Berkhahn, L. Fuchs, I. Neuweiler, “An ensemble neural network model for real-time prediction of urban floods”, Journal of Hydrology, vol. 575, 2019, pp. 743–754.
15. S. Park, M. Berenguer, D. Sempere-Torres, “Long-term analysis of gauge-adjusted radar rainfall accumulations at European scale”, Journal of Hydrology, vol. 573, 2019, pp. 768–777.
16. A. Bukvic, J. Harrald, “Rural versus urban perspective on coastal flooding: The insights from the U.S. Mid-Atlantic communities”, Climate Risk Management, vol. 23, 2019, pp. 7–18.
17. F. Policelli, A. Hubbard, H. Chul Jung, B. Zaitchik, C. Ichoku “A predictive model for Lake Chad total surface water area using remotely sensed and modeled hydrological and meteorological parameters and multivariate regression analysis”, Journal of Hydrology, vol. 568, 2019, pp. 1071–1080.
18. T. Cowan, M.C. Wheeler, O. Alves, S. Narsey, M.K. Hawcroft, “Forecasting the extreme rainfall, low temperatures, and strong winds associated with the northern Queensland floods of February 2019”, Weather and Climate Extremes, vol. 26, 2019, pp. 1–14.
19. X. Zhang, P. Liu, L. Cheng, Z. Liu, Y. Zhao, “A back-fitting algorithm to improve real-time flood forecasting”, Journal of Hydrology, vol. 562, 2018, pp. 140–150.
20. E.A. Shakhray, D.L. Piotrovsky, “Prediction of floods in the Krasnodar Territory”, IX International Scientific and Practical Conference of Young Scientists dedicated to the 58th anniversary of the flight of Yu.A. Gagarin into space, Krasnodar: South, 2019, pp. 559–560.
21. D.S. Gundrov, “Automated system for monitoring and forecasting the flood situation at water bodies of the Krasnodar Territory and the prospects for its development”, Problems of ensuring safety in responding to emergency situations, vol. 1, 2018, pp. 155–157.
22. S.V. Borsch, Yu.A. Simonov, A.V. Khristoforov, “Flood forecasting system and early warning of floods on the rivers of the Black Sea coast of the Caucasus and the Kuban basin”, Transactions of the Hydrometeorological Research Center of the Russian Federation, No. 356, 2015, pp. 1–247.
23. S. Barbetta, G. Coccia, T. Moramarco, E. Todini, “Real-time flood forecasting downstream river confluences using a Bayesian approach”, Journal of Hydrology, vol. 565, 2018, pp. 516–523.
