Типологизация развития опасных ситуаций для реагирования оперативных служб территорий на основе анализа многолетней статистики

В статье сформулирована комплексная проблема моделирования и прогнозирования развития опасных процессов, формирующихся в самых разнообразных сферах жизнедеятельности современного общества. Разрешение этой проблемы является актуальным и значимым для эффективного функционирования оперативных служб чрезвычайного реагирования при принятии управленческих решений, что, в свою очередь, помогает ускорить ликвидацию чрезвычайных ситуаций, свести к минимуму человеческие жертвы и экономические потери. Представлены два направления решения этой проблемы применительно к сфере реагирования оперативных служб. Оба направления базируются на анализе динамических рядов. Выполнена процедура риск-типологизации территорий Российской Федерации, основанная на количественном анализе трендовых и сезонных компонент динамических рядов количества чрезвычайных ситуаций, реализованных за период 2009–2021 гг. Показано, что трендовые компоненты определяют основную тенденцию изменения количества чрезвычайных ситуаций с течением времени, а сезонная – характеризует вариативность регулярных изменений их динамики. Выделены федеральные округа, на территориях которых формируются похожие сценарии динамики чрезвычайных ситуаций. Рассматриваются вопросы моделирования динамики фишинговых атак в киберпространстве Российской Федерации, решена задача получения прогнозной информации о количестве атак подобного вида. Проведено исследование структуры динамического ряда фишинговых атак на предмет выявления в нём трендовой, сезонной и случайной составляющих. При проведении прогностических оценок фишинговых атак использована нейронная LSTM-модель. Погрешность прогноза, полученного с ее помощью, в среднем не более 6 %. Делается вывод, что рекуррентные нейронные сети могут быть полезными при исследовании и других видов киберпреступлений. Материалы статьи и развиваемые в ней подходы представляют научную значимость для дальнейшего развития системы моделей прогнозирования, позволяющих исследовать сложные взаимодействия при реализации опасных явлений в современном территориальном и информационно-телекоммуникационном пространствах Российской Федерации, а также практическую ценность для аналитических служб Министерства по чрезвычайным ситуациям и Министерства внутренних дел.

1. Минаев В.А., Бондарь К.М., Рабчевский А.Н., Федорович В.Ю. Противодействие экстремистской идеологии в социальных медиа: математические модели и методы. Хабаровск: ДВЮИ МВД России; 2023. 232 с.

2. Минаев В.А., Степанов Р.О., Фаддеев А.О. Арктические риски: моделирование, комплексная оценка, управление. Москва: Изд-во МГТУ им. Н.Э. Баумана; 2022. 422 с.

3. Минаев В.А., Федорович В.Ю., Бондарь К.М. и др. Сетевая деструктивная информация: поиск и противодействие. Москва: МосУ МВД России им. В.Я. Кикотя; 2024. 345 с.

4. Кильдишев Г.С., Френкель А.А. Анализ временных рядов и прогнозирование. Москва: URSS; 2021. 101 с.

5. Лунеев В.В. Преступность ХХ века: мировые, региональные и российские тенденции. Москва: Норма; 2021. 912 с.

6. Алтунина В.В., Анучина Д.А. Классификация регионов Российской Федерации в контексте пространственной поляризации. Экономика, предпринимательство и право. 2022;12(5):1453–1474. https://doi.org/10.18334/epp.12.5.114641

7. Манаева И.В., Растворцева С.Н. Пространственное развитие городов России: теория, анализ, моделирование. Белгород: НИУ БелГУ; 2021. 196 с.

8. Фонотов А.Г., Бергаль О.Е. Территориальные кластеры в системе пространственного развития: зарубежный опыт. Пространственная экономика. 2020;16(4):113–135. https://doi.org/10.14530/se.2020.4.113-135

9. Фаддеев А.О., Павлова С.А. Исследование динамики опасных процессов геодинамического происхождения под влиянием солнечной активности. Вестник Рязанского государственного радиотехнического университета. 2021;(78):112–119. https://doi.org/10.21667/1995-4565-2021-78-112-119

10. Нильсен Э. Практический анализ временных рядов. Прогнозирование со статистикой и машинное обучение. Москва, Санкт-Петербург: Диалектика-Вильямс; 2021. 544 с.

11. Фаддеев А.О., Павлова С.А. Интегральная модель оценки риска возникновения чрезвычайных ситуаций геодинамического происхождения. Вестник Рязанского государственного радиотехнического университета. 2020;(71):162–171. https://doi.org/10.21667/1995-4565-2020-71-162-171

12. Пустынный Я.Н. Решение проблемы исчезающего градиента с помощью нейронных сетей долгой краткосрочной памяти. Инновации и инвестиции. 2020;(2):130–132.

13. Копица А.В., Савкова Е.О. Анализ работы сети LSTM для прогнозирования параметров биржи. В сборнике: Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2023): Материалы XIV Международной научно-технической конференции в рамках IX Международного Научного форума Донецкой Народной Республики, 24–25 мая 2023 года, Донецк, ДНР. Донецк: Донецкий национальный технический университет; 2023. С. 229–237.