Алгоритм підвищення точності прогнозування процесу виникнення надзвичайних ситуацій на основі регресійних моделей.

Abstract

Для прогнозування процесу виникнення надзвичайних ситуацій широко застосовують методи регресійного аналізу. Регресійна модель такого процесу, як правило, носить нелінійний характер і представляється у вигляді степеневого поліному. При оцінці параметрів моделі методом найменших квадратів не завжди забезпечується постійність дисперсії залишків для кожного спостереження або групи спостережень. Це призводить до того, що параметри регресійної моделі не будуть мати мінімальну дисперсію, що погіршує точність прогнозу. У статті запропоновано алгоритм прогнозування процесу виникнення надзвичайних ситуацій із врахуванням похибок регресійної моделі і уточнення оцінок її параметрів на основі зваженого методу найменших квадратів. Результати експериментальних досліджень підтверджують ефективність застосування зваженого методу найменших квадратів для підвищення точності прогнозування процесу виникнення надзвичайних ситуацій при застосування регресійних моделей. Prevention origin extraordinary situations is a complex legal, socio-economic, political, organizationally technical and other measures, directed on adjusting natural and technogenic safety, leadthrough estimation risk levels, done early reacting, on the threat origin extraordinary situations on the basis information of monitoring, examination, researches and prognoses, in relation to the chapter possibilities with the purpose non-admission their outgrowing in extraordinary situations or softening of them possible consequences. An important aspect in relation to prevention and warning origin extraordinary situations is timely prognostication process their origin with the purpose minimization consequences from them. For prognostication process origin extraordinary situations the methods of regressive analysis are widely utilized in the state. The regressive model such process, as a rule, carries nonlinear character and appears as a sedate polynomial. At the estimation model parameters a leastsquares method not always is provide constancy dispersion tailings for every supervision or group of supervisions. It results in that the parameters regressive model will not have minimum dispersion, that worsens exactness of prognosis. In the article the algorithm of prognostication process origin extraordinary situations is offered taking into account the errors of regressive model and clarification estimations its parameters on the basis the selfweighted leastsquares method. The results experimental researches confirm efficiency of application the selfweighted leastsquares method for the increase exactness prognostication process origin of extraordinary situations at the use regressive models. Can be drawn on the got results for the ground of organizationally-technical measures in relation to providing readiness subdivisions and formings of civil defence, in particular Government service on the extraordinary situations of Ukraine, for the adequate reacting or warning of extraordinary situations and minimization their possible consequences. Для прогнозирования процесса возникновения чрезвычайных ситуаций в государстве широко используются методы регрессионного анализа. Регрессионная модель такого процесса, как правило, носит нелинейный характер и представляется в виде степенного полинома. При оценке параметров модели методом наименьших квадратов не всегда обеспечивается постоянство дисперсии остатков для каждого наблюдения или группы наблюдений. Это приводит к тому, что параметры регрессионной модели не будут иметь минимальную дисперсию, что ухудшает точность прогноза. В статье предложен алгоритм прогнозирования процесса возникновения чрезвычайных ситуаций с учетом ошибок регрессионной модели и уточнения оценок ее параметров на основе взвешенного метода наименьших квадратов. Результаты экспериментальных исследований подтверждают эффективность применения взвешенного метода наименьших квадратов для повышения точности прогнозирования процесса возникновения чрезвычайных ситуаций при использовании регрессионных моделей.