МОДЕЛЬ ПРОГНОЗУВАННЯ НАДЗВИЧАЙНИХ СИТУАЦІЙ ТЕХНОГЕННОГО ХАРАКТЕРУ НА ОСНОВІ ЗВАЖЕНОГО МЕТОДУ НАЙМЕНШИХ КВАДРАТІВ
DOI:
https://doi.org/10.33405/2409-7470/2019/1/33/179733Ключові слова:
надзвичайна ситуація, модель, зважений метод найменших квадратів, точність прогнозуАнотація
Для прогнозування виникнення надзвичайних ситуацій техногенного характеру в державі широко застосовують методи регресійного аналізу. Регресійна модель такого процесу, звичайно, має нелінійний характер і подається у вигляді степеневого полінома. Оцінюючи параметри моделі методом найменших квадратів, не завжди можливо забезпечити сталість дисперсії залишків для кожного спостереження або групи спостережень. Це призводить до того, що параметри регресійної моделі не матимуть мінімальну дисперсію, що погіршує точність прогнозу.
У статті удосконалено метод та розроблена модель прогнозування процесу виникнення надзвичайних ситуацій із урахуванням помилок регресійної моделі і уточнення оцінок її параметрів на основі зваженого методу найменших квадратів.Посилання
Звіт про основні результати діяльності Державної служби України з надзвичайних ситуацій у 2017 році [Електронний ресурс]. – Режим доступу : http:www.dsns.gov.ua/files/2018/1/26/Zvit%202017(KMУ).pdf. – Назва з екрана.
System approach for readiness assessment units of civil defense to actions at emergency situations V. V. Tiutiunyk, H. V. Ivanetz, I. A. Tolkunov, E. I. Stetsyuk // Scientific Bulletin of National Mining University. 2018. Vol. 1. P. 99–105. doi:https://doi.org/10.29202/nvngu/2018-1/7.
Development of combined method for predicting the process of the occurrence of emergencies of natural character [Текст] / H. Ivanets, S. Horielyshev, M. Ivanets et. al. // Eastern-European Journal of Enterprise Technologies. – 2018. Vol. 5, Issue 10 (95). – P. 48–55.
Голован, Ю. В. Защита населения в чрезвычайных ситуациях. Организационно-методический комплекс [Текст] / Ю. В. Голован, Т. В. Козырь. – Владивосток : Проспект, 2015. – 219 с.
Про рішення Ради національної безпеки і оборони України від 4 березня 2016 р. “Про Концепцію розвитку сектора безпеки і оборони” [Текст] : Указ Президента України від 14.03.2016 р. № 92/2016 // Урядовий кур’єр. – 2016. – 18 берез.
Про Національну гвардію України [Текст] : Закон України від 13.03.2014 р. № 876-VII // Відомості Верховної Ради України. – 2014. – № 17. – Ст. 594.
Іванець, Г. В. Аналіз стану техногенної, природної та соціальної небезпеки адміністративно-територіальних одиниць України на основі даних моніторингу [Текст] / Г. В. Іванець // Збірник наукових праць Харківського університету Повітряних Сил. – Харків : ХУПС ім. Івана Кожедуба, 2016. – Вип. 3 (48). – С. 142–145.
Neisser F., Runkel S. The future is now! Extrapolated riskscapes, anticipatory action and the management of potential emergencies // Geoforum, 2017. Vol. 82. P. 170–179. doi: https://doi.org/10.1016/j.geoforum.2017.04.008.
Kryanev A., Ivanov V., Romanova A., Sevastianov L., Udumyan D. Extrapolation of Functions of Many Variables by Means of Metric Analysis // EPJ Web of Conferences. 2018. Vol. 173:03014. doi: https://doi.org/10.1051/epjconf/201817303014.
Migalenko K., Nuianzin V., Zemlianskyi A., Dominik A., Pozdieiev S. Development of the technique for restricting the propagation of fire in natural peat ecosystems. // Eastern-European Journal of Enterprise Technologies. 2018. Vol. 1, Issue 10(90). P.31–37. doi:https://doi.org//10.15587/1729–4061.2018.121727.
Junk C., Delle Monache L., Alessandrini S., Cervone G., von Bremen L. Predictor-weighting strategies for probabilistic wind power forecasting with an analog ensemble // Meteorologische Zeitschrift. 2015. Vol. 24, Issue 4. P. 361–379. doi: https://doi.org/10.1127/metz/2015/0659.
Morariu N., Iancu E., Vlad S. A neural network model for time series forecasting // Romanian Journal of Economic Forecasting. 2009. Issue 4. P. 213–223.
Pradhan R.P., Kumar R. Forecasting Exchange Rate in India: An Application of Artificial Neural Network Model // Journal of Mathematics Research. 2010. Vol. 2. Issue 4. P. 111–117. doi:https://doi.org/10.5539/jmr.v2n4p111.
Al-Jumeily D., Ghazali R., Hussain A. Predicting Physical Time Series Using Dynamic Ridge Polynomial Neural Networks // PLoS ONE. 2014. Vol 9. Issue 8. P. e105766. doi:https://doi.org/10.1371/journal.pone.0105766.
Szoplik J. Forecasting of natural gas consumption with artificial neural networks // Energy. 2015. Vol. 85. P. 208–220. doi:https:// doi.org/10.1016/j.energy.2015.03.084.
Баласянян, С. Ш. Сравнительный анализ методов регрессии и метода группового учета аргументов при моделировании процессов переработки полезных ископаемых [Текст] / С. Ш. Баласянян, Э. М. Геворгян // Известия Томского политехнического университета. Инжиринг георесурсов. – Томск : ТПУ, 2016. – Т. 327. – № 4. – С. 23–34.
Nivolianitou Z., Synodinou B. A Towards emergency management of natural disasters and critical accidents: The Greek experience. // Journal of Environmental Management. 2011. Vol. 92. Issue 10.
P. 2657–2665. doi:https//doi.org/10.1016/j.jenvman.2011.06.003.
Новоселов, С. В. Проблемы прогнозирования количества чрезвычайных ситуаций статистическими методами [Текст] / С. В. Новоселов, С. А. Панихидников // Горный информационно-аналитический бюллетень. – 2017. – № 10. – С. 60–71.
Національна доповідь про стан техногенної та природної безпеки в Україні у 2013 році [Текст]. – Київ: УНДІ ЦЗ ДСНС України, 2014. – 542 с.
