В работе предложен комбинированный метод анализа неполной и искаженной информации, продемонстрированный на примере прогнозирования селей. Основная цель исследования заключается в демонстрации возможности не только создавать точные прогнозы, но и разбирать механизмы принятия решений модели, идентифицируя значимые параметры, влияющие на предсказания. Для представления выявленных комплексов параметров, влияющих на объем селевого потока, в виде логических правил потребовалось использование категоризации данных. Это позволило повысить надежность моделей при наличии выбросов и шума, а также учесть нелинейности. Для формирования логических правил применялись два подхода: метод ассоциативного анализа и оригинальная методика построения логического классификатора. В результате ассоциативного анализа были выявлены правила, отражающие определенные закономерности в данных, которые, как оказалось, нуждались в значительной коррекции. Использование логического классификатора позволило уточнить и скорректировать закономерности, обеспечив определение комплекса факторов, влияющих на объем селевого потока. Такой подход позволил выявить наиболее существенные входные переменные и понять, каким образом модель обрабатывает данные для генерации прогноза, определить факторы, играющие ключевую роль в результатах прогнозирования, обеспечить адекватную точность и стабильность прогнозов с учетом особенностей и сложности данных о селевых явлениях. Выведенные в результате исследования закономерности, отражающие скрытые принципы исследуемой предметной области, методы логического анализа, использованные в исследовании, помогли установить возможные причины формирования разных объемов выносимых твердых отложений. Полученные результаты могут быть использованы для совершенствования систем мониторинга и предотвращения негативных последствий селевых явлений.
In paper, a combined method for analyzing incomplete and distorted information is proposed, demonstrated by the example of mudflow forecasting. The main purpose of the study is to demonstrate the ability not only to create accurate forecasts, but also to analyze the decision-making mechanisms of the model, identifying significant parameters that affect predictions. To represent the identified sets of parameters affecting the volume of the mudflow in the form of logical rules, it was necessary to use data categorization. This made it possible to increase the reliability of models in the presence of emissions and noise, as well as to take into account non-linearities. Two approaches were used to form logical rules: the method of associative analysis and the original method of constructing a logical classifier. As a result of associative analysis, rules were identified that reflect certain patterns in the data, which, as it turned out, required significant correction. The use of a logical classifier made it possible to clarify and correct the patterns, ensuring the determination of a set of factors influencing the volume of mudflow. This approach made it possible to identify the most significant input variables and understand how the model processes data to generate a forecast, identify factors that play a key role in forecasting results, and ensure adequate accuracy and stability of forecasts, taking into account the specifics and complexity of mudflow data. The patterns deduced as a result of the study, reflecting the hidden principles of the subject area under study, and the methods of logical analysis used in the study helped to identify possible causes of the formation of different volumes of carried-out solid deposits. The results obtained can be used to improve monitoring systems and prevent the negative consequences of mudslides.
The authors declare that there are no conflicts of interest present.