Содержание к диссертации
Введение
Глава 1. Исследование методов анализа информации и постановка задач исследования 8
1.1. Методы анализа экологической информации в системах экологического мониторинга 8
1.2. Модели для оценки и прогнозирования загрязнений окружающей среды 13
1.3. Методы интеллектуального анализа данных > 17
1.4. Сравнение методов интеллектуального анализа данных 21
1.5. Анализ применения методов интеллектуального анализа данных в задачах экологического мониторинга 29
Выводы 33
Глава 2. Решение задач анализа экологической информации 35
2.1. Архитектура системы анализа экологической информации 35
2.2. Информационная модель окружающей среды 39
2.3. Восстановление отсутствующих значений экологических параметров и выявление их некорректных значений 44
2.4. Поиск взаимосвязей между экологическими параметрами 54
Выводы 59
Глава 3. Методика построения модуля для идентификации экологических ситуаций 60
3.1. Задача идентификации экологической ситуации 60
3.2. Формирование классов для качественной оценки экологической ситуации 63
3.3. Подготовка обучающей выборки. Проблема репрезентативности 67
3.4. Получение данных о нештатных ситуациях с помощью методики расчета ОНД-86 72
3.5. Построение функции идентификации экологической ситуации для объекта хранения и уничтожения химического оружия 78
3.6. Подходы к решению проблемы пересечения классов в задаче идентификации экологических ситуаций 85
Выводы 90
Глава 4. Прогнозирование экологических ситуаций ... 92
4.1. Использование методов анализа временных рядов для прогнозирования экологических ситуаций 92
4.2. Прогнозирование экологических параметров с помощью моделей АРМА 95
4.3. Предсказание экологических параметров, динамика изменения которых является нестационарным процессом. TS и DS ряды 110
4.4. Прогнозирование с помощью нейронных сетей, сравнение с ARMA и ARIMA моделями 117
4.5. Выявление и построение тенденций изменения экологических параметров 123
Выводы 128
Глава 5. Реализация результатов исследований 130
5.1. Инструментальное программное средство подготовки обучающей выборки для построения модуля идентификации экологической ситуации 130
5.2. Модуль прогнозирования экологических параметров 138
5.3. Построение модуля восстановления пропущенных значений и выявления некорректных значений 143
Выводы 148
Заключение 150
Литература
- Методы интеллектуального анализа данных
- Восстановление отсутствующих значений экологических параметров и выявление их некорректных значений
- Получение данных о нештатных ситуациях с помощью методики расчета ОНД-86
- Предсказание экологических параметров, динамика изменения которых является нестационарным процессом. TS и DS ряды
Введение к работе
Актуальность темы диссертации. Разработка эффективных систем экологического мониторинга потенциально опасных технологических объектов способствует своевременному принятию мер по предотвращению или уменьшению последствий нештатных и аварийных ситуаций, являющихся причиной выбросов загрязняющих веществ Чтобы получить адекватное описание сложившейся экологической ситуации проводится анализ информации, поступающей в систему экологического мониторинга Эффективность систем экологического мониторинга во многом определяется способностью системы анализа экологической информации точно идентифицировать и прогнозировать экологическую ситуацию
Анализ затрудняется тем, что в силу объективных причин (например, отказы измерительной аппаратуры, каналов передачи информации) часть экологической информации может быть некорректной или отсутствовать Это определяет необходимость разработки или выбора методов анализа информации, имеющих высокую результативность в условиях нечеткой и неполной исходной информации
Современные методы анализа информации, включающие последние достижения статистики, технологий интеллектуального анализа данных (ИАД) позволяют находить закономерности, которые могут быть с успехом использованы для целей экологического мониторинга Их применение позволяет повысить эффективность контроля и защиты окружающей среды от загрязнений, что в свою очередь снижает риск нанесения вреда здоровью людей
Во многих системах экологического мониторинга анализ экологической информации ограничивается сравнением измерений экологических параметров с предельно-допустимыми нормами или использованием отдельных, не связанных между собой методов анализа информации Исследование возможности комбинирования методов анализа информации и объединение их в единую систему, способно обеспечить более высокую точность оценки и прогноза экологической ситуации
В связи с этим в диссертации проводится исследование и разработка
общих принципов построения систем анализа экологической инфор
мации,
методов анализа, оценки и прогнозирования экологической ситуации
Созданная система анализа экологической информации решает актуаль
ную задачу повышения адекватности оперативных решений по управлению
сложившейся экологической ситуацией
Цель и задачи работы Целью диссертационной работы является исследование и разработка системы анализа экологической информации, входящей в систему экологического мониторинга, для безопасного функционирования потенциально опасных технологических объектов
Для достижения данной цели в диссертации решаются следующие основные задачи
исследование современных методов анализа информации и возмож
ностей их применения в задачах экологического мониторинга,
\4J
разработка архитектуры системы анализа экологической информации,
разработка информационной модели окружающей среды,
формализация задачи идентификации экологической ситуации,
разработка формального описания нештатных ситуаций и условий их возникновения,
разработка алгоритмов идентификации экологической ситуации,
исследование методов прогнозирования экологической ситуации для целей оперативного управления,
исследование методов устранения нечеткости и неполноты экологической информации,
разработка алгоритмов и программного обеспечения для построения модуля идентификации экологической ситуации
Методы исследования. Проведенные теоретические и прикладные исследования базируются на использовании методов математической статистики, прогнозирования, оптимизации, теории нейронных сетей
Научная новизна. В результате проведенных исследований, анализа и обобщения опыта управления экологической безопасностью получены следующие научные результаты
разработана и исследована архитектура системы анализа экологической информации для поддержки принятия оперативных решений,
исследованы методы устранения нечеткости и неполноты экологической информации для выбора наиболее предпочтительных методов в целях повышения точности идентификации и прогноза экологической ситуации,
предложен метод формализации задачи идентификации экологической ситуации,
разработан метод построения модуля идентификации экологической ситуации,
разработан метод построения функции идентификации экологической ситуации,
исследованы методы прогнозирования экологических параметров для выбора метода, обеспечивающего наибольшую точность прогноза
Достоверность. Достоверность научных положений, выводов и практических рекомендаций, полученных в диссертационной работе, подтверждена обоснованием и экспериментальной проверкой разработанных методов и структур программного обеспечения, а также результатами практического использования предложенных в диссертационной работе методов, алгоритмов и программных средств
Практическая ценность и реализация результатов Разработанные в диссертации методы, алгоритмы и программные средства системы анализа экологической информации позволят повысить уровень безопасности эксплуатации потенциально опасных технологических объектов
Практическая ценность полученных результатов подтверждается их ис-
пользованием в системах производственного экологического мониторинга объектов хранения и уничтожения химического оружия
Апробация работы. Основные положения диссертационной работы докладывались и представлялись на следующих конференциях восьмая международная конференция по проблемам управления безопасностью сложных систем (Москва, 2005), пятая международная конференция CAD/CAM/PDM - 2005 (Москва, 2005), третья международная конференция по проблемам управления (Москва, 2006), шестая международная конференция CAD/CAM/PDM - 2006 (Москва, 2006), третья международная конференция «Параллельные вычисления и задачи управления» (Москва, 2006)
Публикации. Основные результаты научных исследований по теме диссертации содержатся в 11 публикациях, в их числе 2 публикации в ведущих научных журналах перечня Высшей аттестационной комиссии
Структура и объем диссертационной работы Работа состоит из введения, пяти глав, заключения, содержит 166 страниц текста, 74 рис , 18 табл , список литературы из 117 названий
Методы интеллектуального анализа данных
Существующие модели для расчета концентраций классифицируются по типам источника выброса. Тип источника может быть точечным или линейным. Выбросы от точечного источника подразделяются на мгновенные (модель «клубка») и непрерывные (модель «факела»). Модели «факела» положены в основу «Методики расчета концентраций в атмосферном воздухе вредных веществ, содержащихся в выбросах предприятий» (ОНД-86) [65], широко используемой для инженерных расчетов и реализованной в ряде программных комплексов расчета загрязнения атмосферного воздуха. Также к наиболее распространенным методам расчета загрязнения атмосферы относится гауссовская модель расчета шлейфа вредных веществ от стационарных источников. Подобная методика распространена за рубежом и рекомендована Агентством по охране окружающей среды США для проведения расчетов, носящих нормативный характер [4].
Система мониторинга загрязнений на основе контроля ПДК требует решения задачи идентификации и прогнозирования экологической ситуации на основе измерений концентраций вредных веществ, полученных в точках контроля [94].
Аналитическими методами прогностические модели получают в тех случаях, когда известны общие закономерности развития процесса, его общая структура, важнейшие аналитически выраженные функциональные связи, имеется опытная (контрольная) выборка, позволяющая проверить работоспособность модели. Например, в работе [96] приводится методика моделирования распространения выбросов вредных газов из горящих породных отвалов.
К статистическим относятся методы, основу которых составляет формирование стохастических моделей прогнозирования. Предпосылкой применения таких методов является наличие необходимых статистических данных, характеризующих период ретроспекции, и сведений, необходимых для определения модели прогноза. Широкое применение в прогнозировании статистических методов объясняется тем, что предметом статистики служит изучение методов выявления закономерностей массовых процессов.
В частности, в работе [49] приводятся статистические алгоритмы контроля состояния объектов окружающей среды на основе ПДК. Предлагаются методы, позволяющие оценивать состояние водного или воздушного объекта, характеризующегося конечным числом контролируемых параметров. Работа [78] посвящена методике выполнения оперативного прогноза загрязнения воздуха на основе авторегрессионых моделей. В этой работе с помощью сравнения результатов прогноза по моделям с результатами прогнозов по среднему значению делается вывод о целесообразности использования авторегрессионных моделей для решения оперативных задач охраны воздушного бассейна.
Для оценки качественных показателей, характеризующих экологическую ситуацию, можно использовать альфа-метод проверки статистических гипотез. Описание данного подхода для оценки качества воды приведено в работе [100]. Изложенные в данной работе принципы могут быть перенесены на оценку загрязнения атмосферного воздуха.
Согласно СанПиН 2.1.5.980-00 «при обнаружении химических веществ с одинаковыми лимитирующими признаками вредности, сумма отношений обнаруженных концентраций к их ПДК не должна быть более единицы». Данная сумма отношений, равная /J, предполагает «безвредную» оценку (при /л 1) и "вредную" (при /л 1). Альфа-методом проверки статистических гипотез можно воспользоваться, если мы располагаем представительными выборками измерений вредных веществ, позволяющих получить оценки значений математических ожиданий и среднеквадратических отклонений для компонент вектора экологических параметров. В качестве нулевой гипотезы Я0 формулируется предположение, ошибочное отклонение которого дает наибольший ущерб. Например, для окружающей среды ошибочное отклонение гипотезы о том, что fi 1 имеет более тяжелые последствия, чем ошибочное отклонение предположения, что її 1. Соответственно в качестве гипотезы Нх принимается альтернативный случай. Эта метод имеет ряд недостатков. Первый недостаток заключается в невозможности получить выборки, в полной мере охватывающие предметную область. Второй недостаток заключается в сложности определения законов распределения вероятностей, имеющих место в изучаемых процессах.
Надо заметить, что традиционные статистические подходы часто не приспособлены к обработке данных, сочетающих числовые и нечисловые (качественные) переменные, к совместному анализу данных по объектам разной природы и разных уровней описания, к анализу нелинейных взаимосвязей переменных, хотя именно нелинейные связи преобладают в реальных экосистемах [61]. В задачах экологического мониторинга все большее значение имеет применение эвристических методов. К эвристическим методам относят в частности методы интеллектуального анализа данных (см. раздел 1.3) Эвристические методы позволяют работать с нечеткой экологической информацией, осуществлять построение интуитивных прогнозных моделей, которые формируются экспертами на основе целевой установки на выполнение прогноза, опыта, интуиции и знаний эксперта. Эвристические методы представляют интерес для научного исследования, так как часто показывают более высокую эффективность, чем традиционные статистические методы.
Восстановление отсутствующих значений экологических параметров и выявление их некорректных значений
В таблице, содержащей данные экологического мониторинга, независимыми признаками являются результаты измерения загрязняющих веществ и соответствующие им условия измерений. В базовых признаках могут быть пропуски. Это связано с проблемой нечеткости исходной информации, которая всегда присутствует в силу объективных обстоятельств: наличие погрешности измерительных приборов, выход из строя измерительной аппаратуры, отказы каналов связи, запаздывания при передаче информации, асинхронность проведения измерений. Обозначим набор независимых признаков через вектор Хі=(Хц Хі,и хіл)і где - номер строки в таблице, который отражает последовательность проведения измерений во времени.
Зависимыми признаками являются: вывод о принадлежности сложившейся ситуации к той или иной степени опасности, вывод о типе аварии, повлекшей за собой изменение содержания загрязняющих веществ и т.д. Некоторые зависимые признаки известны, в силу непосредственного фиксирования уже подтвердившейся информации о сложившейся экологической ситуации, а некоторые неизвестны, из-за невозможности в текущий момент времени сделать достоверные выводы. Набор зависимых признаков обозначим через вектор Y, = (уіг],уІЛ » ,Уі,т) Тогда таблица, содержащая экологическую информацию, есть подмножество декартова произведения множеств X и Г. Каждый элемент данного произведения есть пара Zt ={Х У{)«(хм,. .., ,„ ,у,л,..., yim),
Структурированная в таком виде информация может быть использована для нахождения закономерностей в данных.
Однако информация, получаемая в процессе экологического мониторинга, не охватывает все экологические ситуации, которые могут возникнуть. Одной из основных проблем при решении задач экологического мониторинга является проблема отсутствия информации о нештатных ситуациях, что затрудняет построение моделей, предназначенных для их прогнозирования и идентификации, то есть каждая экологическая ситуация характеризуется своей совокупностью пар (Лґ,; ), которая не всегда известна в силу отсутствия возможности провести измерения. Разработанная методика получения отсутствующих данных об экологических ситуациях будет подробно описана в третьей главе.
В следующем разделе предлагается рассмотреть методы, используемые на этапе подготовки данных для проведения анализа и построения моделей. В качестве примеров, иллюстрирующих теоретические исследования и разработки, будем рассматривать исходную экологическую и метеорологическую информацию из базы данных объекта хранения и уничтожения химического оружия»
Восстановление отсутствующих значений экологических параметров и выявление их некорректных значений Па практике часто возникает ситуация, когда в силу объективных причин в таблице экологических параметров некоторые значения отсутствуют. Для решения задач распознавания и прогнозирования необходимо наличие как можно более полной информации. Возникает задача восстановления отсутствующих значений (рис. 2.2, блок 2.2). Результатом решения этой задачи является замена некомплектных векторов Xt векторами, в которых недостающие значения заполняются на основе закономерностей, найденных во всем объеме данных. Восстановление пропусков в данных необходимо как на этапе построения моделей для оценки и прогнозирования экологической ситуации, так и на этапе их применения [23].
Для заполнения пробелов в данных можно использовать методы прогнозирования экологических параметров на основе истории их изменения. Такой подход не использует значения параметров, которые следуют после пропущенного. Замена пропущенных данных средними значениями или значениями, лежащими на линии, соединяющей точки до и после пропущенных значений, имеет низкую точность прогноза. Для восстановления пропущенных данных в экологической информации предлагается исследовать 3 метода.
Построение аппроксимирующей функции, отражающей изменение экологических параметров во времени. Функция строится на основе известных значений. Для построения функции воспользуемся нейронными сетями, являющимися универсальными аппроксимирующими устройствами. Пропущенные значения могут быть найдены как значения построенной функции.
Восстановление пропущенных значений состоит из двух этапов: построения аппроксимирующей функции (обучения нейронной сети) и нахождения пропущенных значений с помощью построенной функции.
Пусть неизвестно значение /-го параметра экологического мониторинга за период времени /0. Для восстановления отсутствующего значения отбираются данные, характеризующие изменение параметра за предшествующие и следующие за ним периоды времени.
Для обучения нейронной сети в качества входа используются значения, отражающие порядок проведения измерений во времени t_d,...,t_2,t_l,t1,t2,...9id, где d количество шагов, на которое осуществляется отбор данных. То есть 2d- количество элементов, по которым строится аппроксимация функции. Выходами являются значения параметра экологического мониторинга в соответствующие моменты времени. После того как функция построена, для получения недостающего признака на вход подается значение аргумента /0, соответствующее пропущенному значению (рис. 2.4).
Получение данных о нештатных ситуациях с помощью методики расчета ОНД-86
В данной работе рассміатривается прогнозирование отдельных экологических параметров на примере временных рядов концентраций загрязнителей воздуха. Исходные данные получены из базы данных системы экологического мониторинга объекта хранения и уничтожения химического оружия. В исследовании использовались результаты измерений по экологическим: (диоксид азота, оксид азота, оксид углерода, диоксид серы, углеводород, метан) и метеорологическим (скорость ветра, направление ветра, температура, влажность, вертикальная скорость ветра) параметрам. Для каждого і-го параметра окружающей среды в базе данных экологического мониторинга содержится ряд наблюдений произведенных в последовательные моменты времени Для объекта уничтожения химического оружия временной отрезок Аг, через который измерения поступают в базу данных экологического мониторинга, равен 20 минутам. Требуется построить оценки Яш да я неизвестных значений xijnM, wrtwu-f Mrtw ra8 Р требуемый горизонт прогнозирования.
Существует большое количество методов прогнозирования, каждый из которых имеет свои ограничения на области применения [1, 69]. Методы статистического прогнозирования [1] требуют, чтобы статистическая модель, описывающая истинный процесс порождения данных (DGP - Data Generating Process) была идентифицирована и формально описана. Как только модель определена, на ее основе экстраполируется ряд, т.е. предсказываются его будущие значения. Обычно модель идентифицируется в рамках класса моделей, заданных параметрически. Прогнозирование с применением нейронных сетей относится к непараметрическим методам и, более того, этот метод не накладывает вообще никаких ограничений на модель.
В основе многофакторных (каузальных) методов прогнозирования лежит попытка найти факторы, определяющие поведение прогнозируемого параметра [11 Oj. Поиск этих факторов приводит к моделированию поведения объекта, учитывающему развитие взаимосвязанных явлений и процессов. Применение многофакторного прогнозирования затруднительно в рассматриваемом случае, поскольку требует решения проблемы выбора факторов, которая не может быть решена чисто статистическим путем, а связана с необходимостью глубокого изучения физики рассматриваемых процессов. Кроме того, количественные данные некоторых значимых факторов отсутствуют.
В связи с этим при прогнозировании экологических параметров было решено исследовать применимость статистических методов автопрогноза и автопрогнозирование с использованием нейронных сетей. В настоящей работе описываются результаты использования и сравнения указанных методов.
Достаточно очевидно, что динамические последовательности отдельных экологических параметров должны описываться различными моделями на разных временных отрезках. Предварительное исследование рядов концентраций загрязнителей показало, что на отрезках времени с относительно стабильными внешними условиями (в том числе объемами выбросов, метеоусловиями), они могут быть стационарными. В других случаях они нестационарны и могут иметь детерминированный и/или стохастический тренд. Поэтому в контуре системы мониторинга экологического состояния, в блоке прогнозирования экологических параметров предлагается использовать адаптивное прогнозирование. При этом модели текущих динамических последовательностей строятся по коротким выборкам приблизительно (20-50 наблюдений) и постоянно пересчитываются, с учетом вновь поступивших наблюдений.
Основное ограничение использования статистических моделей обусловлено необходимостью применения методов оценивания. Стандартные методы наименьших квадратов и их обобщения пригодны только для стационарных динамических последовательностей. Прогнозирование стационарных временных рядов предлагается проводить в рамках методологии Бокса-Дженкинса [15] специфицирующей ARMA(p,q) модели (авторегрессии порядка р и скользящего среднего порядка q) и прогнозировании на ее основе. Отметим, что из теоремы Вольда следует, что модели типа ARMA(p,q) охватывают все стационарные процессы [47]. В работе приведены результаты исследования для определения возможности прогнозирования стационарных временных рядов изменения экологических параметров с помощью модели: где є, - гауссовский белый шум, аі9 9} - идентифицируемые параметры модели [47]. При прогнозировании нестационарных рядов рассматриваются классы нестационарных ARMA моделей: TS и DS модели. Для выполнения расчетов использовался статистический пакет Eviews 4.0.
Прогнозирование экологических параметров с помощью моделей АРМА
Анализ и прогнозирование временных рядов в соответствии с методологией Бокса-Дженкинса проводится в 4 этапа. Первый этап заключается в проверке ряда на стационарность, второй этап -идентификация модели, то есть выбор ее параметров р и q, третий этап -оценка модели и проверка на адекватность исходным данным, четвертый этап - прогнозирование.
Предсказание экологических параметров, динамика изменения которых является нестационарным процессом. TS и DS ряды
Анализируя график, делаем вывод о том, что тенденция существует. Однако данный метод не подходит для определения наличия тенденций в режиме реального времени без участия оператора, поэтому вывод о наличии тенденций будем производить на основе предыдущих 5 способов.
Решение принятия гипотезы о наличии тренда можно производить путем простого сравнения количества методов, приводящих к выводу о наличии тренда, с количеством методов, отвергнувших данную гипотезу, В качестве альтернативного способа предлагается воспользоваться коэффициентом А, рассчитываемым по формуле: Л Кф +а2Кф.к, +агККй + А«. + А где аг коэффициент доверия к соответствующему ему методу Y,ai - Если Л 0,5 гипотеза о наличии тренда принимается. Если принять коэффициент доверия к каждому способу одинаковым, то для приведенного примера получаем, что Л = 0,8. Следовательно, гипотеза о наличии тренда принимается. Таким образом, все методы показали хороший результат, несмотря на то, что ряд обладал сравнительно небольшой тенденцией и был подвержен периодическим колебаниям.
После того как гипотеза о наличии тенденции подтверждена, необходимо определить количественные характеристики тренда, позволяющие построить его график. Если абсолютные приросты примерно одинаковы, то в качестве аппроксимирующей функции можно взять линейную функцию. Если темпы прироста примерно постоянны, можно использовать показательную функцию. Если рост замедляется, то логарифмическую. Можно провести сглаживание ряда динамики экологических параметров, это позволяет увидеть на кривой имеющие место колебания. Сглаживание имеет смысл проводить, если гипотеза о наличии тренда не подтверждена. Сглаживание позволяет вместо беспорядочных скачков временного ряда экологических параметров выделить его номер наблюдения Рис. 4.32. Тенденция изменения концентрации углеводорода
После того как уравнения тренда построены или произведено полиномиальное сглаживание временных рядов экологических параметров, значения точек данных кривых, соответствующие определенному интервалу времени, могут быть использованы для оценки тенденции изменения экологической ситуации в целом.
1. Для решения задачи прогнозирования экологической ситуации предложено прогнозировать отдельные экологические параметры и осуществлять их последующую оценку с помощью модуля идентификации экологической ситуации.
2. Проведено исследование и сравнение методов прогнозирования экологических параметров. В исследование были включены модели AR, ARMA и ARIMA, а также нейронные сети. Модели ARMA и ARIMA в большинстве случаев показывают более высокую точность прогноза, чем AR модели. Хотя нейронные сети иногда дают более точный результат, чем другие методы, но их применение часто дает худшее качество прогноза, чем линейные методы. Также сделан вывод, что применение процедур различения DS и TS рядов и соответствующие преобразования рядов, значительно повышают точность прогноза, в том числе и для нейронных сетей. Таким образом, использование ARMA, ARIMA моделей является более предпочтительным, чем применение авторегрессионных моделей и нейронных сетей для прогнозирования экологических параметров. Результаты исследования этой главы используются для построения модуля прогнозирования экологических параметров (см. главу 5).
3. Исследованы методы выявления тенденций изменения экологических параметров. Сделан вывод, что использование только одного метода не является целесообразным. Предложено совместное использование метода средних, фазочастотного критерия знаков первой разности, метода Кокса-Стюарта, метода серий, метода укрупнения интервалов, в целях принятия решения о наличии или отсутствии тенденций изменения экологических параметров.
На основе результатов исследований приведенных в диссертационной работе, автором диссертации в Институте проблем управления им. В.А. Трапезникова РАН выполнены следующие работы:
1. Создано инструментальное программное средство подготовки обучающей выборки для построения модуля идентификации экологической ситуации.
2. Создан модуль прогнозирования экологических параметров на основе истории их изменения с заданным горизонтом прогнозирования.
3. Создан модуль восстановления пропущенных значений, предназначенный для обнаружения, восстановления пропущенных значений экологических параметров и их последующей корректировки.
4. Создан модуль выявления некорректных значений, предназначенный для выявления искаженных данных в силу объективных причин (например, отказы аппаратуры).
Инструментальное программное средство подготовки обучающей выборки для построения модуля идентификации экологической ситуации Созданное программное средство включает в себя следующие подсистемы: - блок построения информационной модели источника загрязнения; - блок моделирования нештатных ситуаций на источнике загрязнения; - блок формирования обучающей выборки; - блок моделирования нештатной ситуации.
Построение информационной модели источника загрязнения. С помощью этой подсистемы формируется информация об источнике загрязнения, потенциальных нештатных ситуациях, точках контроля. Эта На основе результатов исследований приведенных в диссертационной работе, автором диссертации в Институте проблем управления им. В.А. Трапезникова РАН выполнены следующие работы: 1. Создано инструментальное программное средство подготовки обучающей выборки для построения модуля идентификации экологической ситуации. 2. Создан модуль прогнозирования экологических параметров на основе истории их изменения с заданным горизонтом прогнозирования. 3. Создан модуль восстановления пропущенных значений, предназначенный для обнаружения, восстановления пропущенных значений экологических параметров и их последующей корректировки. 4. Создан модуль выявления некорректных значений, предназначенный для выявления искаженных данных в силу объективных причин (например, отказы аппаратуры).
