ПНСТ 762-2022 Безопасность в чрезвычайных ситуациях. Безопасный город. Типовая прогнозная аналитическая модель с использованием метода Байеса. Общие требования

        ПНСТ 762-2022

ПРЕДВАРИТЕЛЬНЫЙ НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ

Безопасность в чрезвычайных ситуациях

БЕЗОПАСНЫЙ ГОРОД. ТИПОВАЯ ПРОГНОЗНАЯ АНАЛИТИЧЕСКАЯ МОДЕЛЬ С ИСПОЛЬЗОВАНИЕМ МЕТОДА БАЙЕСА

Общие требования

Safety in emergencies. Safe city. Standard predictive and analytical model using the Bayesian method. General requirements

ОКС 13.200

Срок действия с 2023-07-01

до 2026-07-01

Предисловие

1 РАЗРАБОТАН Обществом с ограниченной ответственностью "Национальный Центр Информатизации" (ООО "НЦИ")

2 ВНЕСЕН Техническим комитетом по стандартизации ТК 071 "Гражданская оборона, предупреждение и ликвидация чрезвычайных ситуаций"

3 УТВЕРЖДЕН И ВВЕДЕН В ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от 18 ноября 2022 г. N 118-пнст

Правила применения настоящего стандарта и проведения его мониторинга установлены в ГОСТ Р 1.16-2011 (разделы 5 и 6).

Федеральное агентство по техническому регулированию и метрологии собирает сведения о практическом применении настоящего стандарта. Данные сведения, а также замечания и предложения по содержанию стандарта можно направить не позднее чем за 4 мес до истечения срока его действия разработчику настоящего стандарта по адресу: [email protected] и/или в Федеральное агентство по техническому регулированию и метрологии по адресу: 123112 Москва, Пресненская набережная, д.10, стр.2.

В случае отмены настоящего стандарта соответствующая информация будет опубликована в ежемесячном информационном указателе "Национальные стандарты" и также будет размещена на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (www.rst.gov.ru)

Введение

Прогнозные и аналитические модели с использованием методов Байеса в составе аппаратно-программного комплекса "Безопасный город" применяются в тех случаях, когда:

- отсутствуют утвержденные методики для прогноза и анализа конкретных угроз общественной безопасности, правопорядку и безопасности среды жизнедеятельности;

- применяемые методики и модели для анализа угроз общественной безопасности, правопорядку и безопасности среды жизнедеятельности не обладают достаточной точностью, в том числе из-за невозможности получения достоверных исходных данных, необходимых для использования таких методик;

- при необходимости выбора решения, основанного на комплексном использовании различных методик, моделей, экспертных мнений и данных систем объективного контроля угроз и связанных с ними кризисных ситуаций и происшествий, для оптимизации применяемых мер по реагированию на угрозы (кризисные ситуации и происшествия);

- требуется понимание того, какие исходные события (причины) вносят наибольший вклад в развитие угроз и связанные с ними кризисные ситуации и происшествия.

Прогнозные и аналитические модели с использованием методов Байеса могут использоваться для широкого спектра часто проявляющихся угроз и связанных с ними кризисных ситуаций и происшествий. Для редко проявляющихся угроз (кризисных ситуаций и происшествий) ввиду невозможности формирования необходимой статистической информации в достаточном объеме следует применять модели, разработанные на базе иных методов.

1 Область применения

1.1 Настоящий стандарт устанавливает общие требования к прогнозной аналитической модели (ПАМ) в составе аппаратно-программного комплекса "Безопасный город" (далее - АПК "Безопасный город"), разрабатываемой на базе методик с использованием методов Байеса.

1.2 Положения настоящего стандарта предназначены для использования:

- федеральными органами исполнительной власти, в сферу деятельности которых входят вопросы обеспечения общественной безопасности, правопорядка и безопасности среды жизнедеятельности, и их территориальными органами;

- органами исполнительной власти субъектов Российской Федерации и местного самоуправления;

- научно-исследовательскими и проектными организациями всех форм собственности, осуществляющими проектирование, разработку, внедрение в промышленную эксплуатацию и эксплуатацию АПК "Безопасный город".

2 Термины и определения

В настоящем стандарте применены термины по ПНСТ 761-2022*, а также следующие термины с соответствующими определениями:

_______________

* ПНСТ 761-2022 "Безопасность в чрезвычайных ситуациях. Безопасный город. Термины и определения".

2.1 апостериорная вероятность: Пересмотренная априорная вероятность гипотезы на основе фактических наблюдений.

2.2 априорная вероятность: Вероятность, присвоенная событию при отсутствии знания, поддерживающего его наступление.

2.3 априорная информация: Информация, собираемая перед проведением планируемого эксперимента для более точного определения задач исследования и выбора значимых факторов исследования.

2.4

2.5 гипотеза: Предположение относительно генеральной совокупности, из которой берется выборка, или относительно функции распределения случайной величины.

2.6 государственная информационная система: Система, созданная в целях реализации полномочий государственных органов и обеспечения обмена информацией между этими органами, а также в иных установленных федеральными законами целях.

2.7

2.8

2.9 метод Байеса (байесовский классификатор): Статистический метод (разработанный на его базе классификатор), использующий теорему Байеса для вычисления и обновления вероятностей после получения новых данных.

2.10 параметр: Постоянная величина, являющаяся характеристикой какого-либо процесса или предмета.

2.11 статистическая проверка гипотез: Проверка, состоящая в определении по данным эксперимента согласия некоторой гипотезы о распределении случайной величины сданными опыта.

2.12 "сырые" данные обучающего множества: Необработанные данные, полученные за определенный период времени с контролируемой территории об определенном состоянии контролируемого объекта (предмета) с различных источников мониторинга, систем сбора и обработки данных, согласно наборам данных, применяемым в обучающем примере модели, обрабатываемой выбранным байесовским классификатором.

2.13 случайное событие: Событие, которое может произойти или не произойти при каком-либо испытании.

2.14 событие: Все то, что может произойти при осуществлении определенного комплекса условий.

2.15 тренд: Устойчивое изменение наблюдаемого процесса, дающее основание для прогнозирования процесса в будущем.

3 Основные положения

3.1 ПАМ в составе АПК "Безопасный город", разрабатываемую на базе методик с использованием методов Байеса, применяют для вероятностной оценки угроз безопасности среды жизнедеятельности и общественному порядку (далее - угрозы) и связанных с ними кризисных ситуаций и/или происшествий (КСП) в целях разработки и реализации мер по реагированию на данные угрозы.

В качестве математической основы моделирования в ПАМ используются байесовские сети - вероятностно-графовые модели, функционирующие в условиях неопределенности входных данных, предназначенные для исследования вероятностных причинно-следственных связей между событиями предметной области.

Пользователями ПАМ являются должностные лица ЕДДС.

3.2 ПАМ в составе АПК "Безопасный город", разрабатываемая на базе методик с использованием методов Байеса, должна сочетать в себе функции экспертных систем и систем поддержки принятия решений за счет возможности объединения:

- информации о причинно-следственных связях, между причинами возникновения угроз и связанных с ними КСП и последствиями их развития;

- данных, поступающих с систем объективного контроля;

- экспертных оценок;

- результатов прогнозирования и моделирования угроз и связанных с ними КСП с помощью применяемых в практике методик и моделей, разработанных на базе таких методик;

- статистических наблюдений за угрозами и связанными с ними КСП.

3.3 В общем случае процесс разработки типовой ПАМ в составе АПК "Безопасный город" на базе методик с использованием методов Байеса включает следующие этапы:

- содержательная постановка задачи на концептуальном уровне;

- сбор статистики по угрозе и ее анализ;

- подготовка обучающего множества, формирование обучающих примеров в составе обучающего множества моделей ПАМ;

- выбор методов для обработки входных и выходных данных ПАМ;

- подготовка классификаторов параметров обучающего множества для их последующей обработки байесовским классификатором;

- реализация ПАМ в вычислительной среде.

4 Общие требования к содержательной постановке задачи на концептуальном уровне

4.1 На данном этапе осуществляется сбор априорной информации о моделируемой предметной области. С этой целью необходимо определить цели, задачи, область применения типовой ПАМ, объекты и субъекты защиты и другие характеристики, необходимые для разработки и реализации мер по предупреждению или ликвидации последствий угроз (КСП).

Должны быть проанализированы особенности конкретных муниципальных образований: географическое положение; климатические условия; характеристики социально-экономической системы, включающей субъекты (людей и их организационно-технические системы) и объекты защиты (материальные системы: объекты жилых, общественных и административных зданий, объекты промышленного и сельскохозяйственного производства, транспорта, связи, радиовещания, телевидения, технические сооружения и системы коммунального хозяйства, системы водоотведения, природные ресурсы и т.д.).

4.2 Область применения должна соответствовать целям и задачам ПАМ. Учитывая, что в общем случае угроза может стать причиной множества КСП, относимых к различным типам угроз, область определения должна устанавливать те из них, в отношении которых будет осуществляться прогнозирование и анализ, а также устанавливать подверженные воздействию данными КСП субъекты и объекты защиты, в том числе с учетом различных видов возможных воздействий.

4.3 Для угрозы, которая в соответствии с установленной областью применения включает множество КСП, ПАМ должна быть составной (комплексной) - состоять из набора взаимосвязанных моделей, описывающих отдельные КСП. В таких случаях угроза должна рассматриваться как сложный объект моделирования, для которого необходимо осуществить декомпозицию на составляющие ее элементы, провести последовательный их анализ и установить связи между моделями элементов угрозы.

Для моделей иерархического типа каждый уровень иерархии должен формироваться как объединение элементов нижележащего уровня, а процесс взаимодействия - моделироваться с установлением координирующих связей между взаимодействующими уровнями.

4.4 При сборе априорной информации о моделируемой предметной области, в отношении КСП в соответствии с установленной областью применения, должны быть проанализированы:

- источники возникновения;

- причины возникновения;

- основные сценарии возникновения и развития;

- частота (статистика) возникновения;

- последствия воздействия на различные субъекты и объекты защиты;

- средства (методы) контроля и измерения;

- меры воздействия.

4.5 По итогам сбора априорной информации следует установить выходные данные, подлежащие вероятностной оценке с применением методов Байеса, и входные данные ПАМ.

4.6 Выходные данные ПАМ формируются в виде гипотез (значений апостериорных вероятностей), для оценки и проверки которых устанавливаются события.

Количество гипотез и, соответственно, событий их подтверждающих или опровергающих (априорных вероятностей) может быть неограниченно, при этом в ПАМ следует оценивать вероятность наступления как благоприятных, так и негативных событий для каждой гипотезы. Исключение могут составлять те гипотезы ПАМ, которым могут соответствовать исключительно благоприятные (или негативные) события.

В случае, если в результате развития моделируемой угрозы (КСП) возникают другие угрозы (КСП) вследствие цепной реакции (эффект домино), следует предусматривать гипотезы и соответствующие им события, позволяющие оценить и проверить возможность возникновения других угроз (КСП). При этом прогнозирование и анализ других угроз (КСП) следует осуществлять отдельными ПАМ.

4.7 В качестве входных данных ПАМ следует использовать данные, по которым можно косвенно судить о наступлении (возможности наступления) событий, соответствующих установленным гипотезам.

Для конкретных ПАМ в качестве входных данных рекомендуется использовать, в том числе, выходные данные применяемых в практике методик для прогнозирования и анализа соответствующих угроз и связанных с ними КСП.

5 Общие требования к подготовке обучающего множества

5.1 Обучающее множество представляет собой набор структурированных данных, отражающих состояния входных и выходных данных ПАМ, упорядоченных в общем случае по дате и времени наблюдений. Данные обучающего множества следует упорядочивать в табличной форме: по вертикали - в графы (поля); по горизонтали - в строки (записи). Каждая запись является единицей периода наблюдения, для которого формируется набор входных и выходных данных ПАМ.

5.2 При формировании обучающего множества должны использоваться следующие типы входных данных:

- булева переменная - может принимать два значения: ИСТИНА или ЛОЖЬ;

- многозначная переменная - принимает значения, в том числе свыше двух, из некоторого конечного множества взаимоисключающих событий;

- числовая переменная - принимает в качестве значений конечное множество целых или вещественных чисел;

- интервальная переменная - в качестве значений принимает конечное множество непересекающихся числовых интервалов.

Для повышения эффективности работы ПАМ рекомендуется максимальным образом использовать в качестве входных данных булевы переменные.

Значения входных данных должны быть случайными величинами, данные, не изменяющиеся в ходе наблюдений (координаты точек измерений, постоянные характеристики объектов наблюдения и т.д.), на выходные данные ПАМ не влияют.

5.3 Значения выходных данных на этапе формирования обучающего множества являются бинарными и могут принимать одно из следующих значений:

- Да/ИСТИНА - если событие, соответствующее записи и гипотезе, произошло;

- Нет/ЛОЖЬ - если событие, соответствующее записи и гипотезе, не произошло.

5.4 Для каждой конкретной ПАМ (в зависимости от решаемых задач, используемого для этого набора входных данных, способов их получения и других особенностей) должны быть определены методы и средства получения данных обучающего множества, их источники и порядок предварительной обработки.

5.5 В качестве источников данных обучающего множества могут выступать системы объективного контроля входных и/или выходных данных, базы данных государственных и иных информационных систем, результаты статистических наблюдений входных и выходных данных в прошлом, мнения экспертов. Также данные для включения в обучающее множество могут быть получены с помощью применяемых в практике методик и моделей, построенных на базе таких методик.

5.6 Предварительную обработку данных следует осуществлять в целях повышения качества данных и систематизации "сырых" данных обучающего множества.

Обработку данных обучающего множества следует осуществлять на основе анализа используемого (выбранного) байесовского метода с целью подготовки параметров единиц наблюдения для обучения ПАМ (обучающих примеров), при этом в результате обработки каждый параметр, подлежащий анализу, должен иметь дискретный или бинарный вид.

5.7 Сформированный массив данных для формирования обучающего множества ПАМ должен удовлетворять следующим требованиям:

- исключать дубликаты записей;

- исключать противоречивые и пропущенные значения полей записей;

- исключать наличие шумов и аномальных значений параметров;

- обеспечивать возможность восстановления структуры, полноты и целостности данных;

- соответствовать стандартизированным в АПК "Безопасный город" форматам ввода данных;

- устранять ошибку ввода данных;

- адаптировать данные к конкретной задаче путем устранения их избыточности.

5.8 Систематизация "сырых" данных обучающего множества должна осуществляться за счет статистической группировки данных, которую следует осуществлять с использованием апробированных методов обработки статистической информации. Для отдельных входных данных статистическую группировку дополнительно следует осуществлять в соответствии с применяемыми в практике справочниками и классификаторами, содержащими необходимые данные для построения статистических группировок.

5.9 Сбор единиц наблюдения для обучения ПАМ (обучающих примеров) следует осуществлять до тех пор, пока не будет достигнута достаточная точность вероятностной оценки установленных гипотез.

5.10 Структура обучающего множества не должна меняться в течение временного интервала, в рамках которого проводится сбор и анализ значений входных данных, а также построение на их базе вероятностной статистической модели.

Включение в ПАМ новых входных данных должно осуществляться только после формирования обучающего множества, в котором используются новые входные данные.

6 Общие требования к обработке входных и выходных данных прогнозной аналитической модели

6.1 Для обработки входных и выходных данных ПАМ рекомендуется использовать применяемые в практике апробированные байесовские методы.

Вновь разрабатываемые методы байесовского анализа перед применением в ПАМ должны пройти процедуру подтверждения их достоверности.

6.2 Для каждой конкретной ПАМ, в зависимости от способа получения значений входных данных для вероятностной оценки (государственные и иные информационные системы, системы объективного контроля и т.д.), следует определить временной интервал, в течение которого эти данные формируются в виде единицы наблюдения для последующей обработки.

Также для каждой конкретной ПАМ должен быть установлен шаг (периодичность) представления значений входных данных.

6.3 Получаемые значения вероятностной оценки гипотез (апостериорные вероятности) предназначены для использования соответствующими должностными лицами при принятии решений по реагированию на угрозы (КСП), с этой целью для них следует установить критерии, в соответствии с которыми можно идентифицировать уровень опасности угрозы (КСП). Пороговые значения критериев и уровни опасности, соответствующие данным критериям, устанавливаются в соответствии с требованиями нормативных правовых актов, нормативных документов и технической документации или эвристическим способом в случае отсутствия данных требований.

6.4 Для каждой гипотезы следует определять ее линейный тренд и время достижения более высокого (низкого) уровня опасности относительно текущего. Время, соответствующее высокому уровню опасности относительно текущего (базового) уровня, является одним из основных параметров для принятия решения по реагированию на угрозы (КСП).

7 Общие требования к реализации прогнозной аналитической модели в вычислительной среде

7.1 Этапы и содержание работ по разработке ПАМ с использованием байесовского классификатора, перечень разрабатываемой (проектной, конструкторской и рабочей) документации и программного обеспечения, а также требования к содержанию указанных документов и их комплектности должны быть определены в техническом задании на разработку соответствующей типовой ПАМ.

7.2 Типовая ПАМ с использованием байесовского классификатора должна обеспечивать решение следующих задач:

- краткосрочное прогнозирование - вероятностная оценка развития зарегистрированных КСП, возникающих на территории муниципального образования, в течение краткосрочного периода времени (от 1 до 48 ч);

- среднесрочное прогнозирование - вероятностная оценка возможности возникновения КСП, возникающих на территории муниципального образования, в течение среднесрочного периода времени (до 30 сут включительно);

- долгосрочное прогнозирование - вероятностная оценка возможности возникновения КСП, возникающих на территории муниципального образования, в течение долгосрочного периода времени (до 1 года включительно).

7.3 В общем случае процесс подготовки и применения типовой ПАМ включает следующие этапы:

- формирование требований к разработке ПАМ;

- техническое проектирование ПАМ;

- разработка ПАМ;

- обучение типовой ПАМ;

- опытная эксплуатация типовой ПАМ на тестовых данных;

- промышленная эксплуатация типовой ПАМ на реальных данных.

7.4 На этапе обучения типовой ПАМ, разрабатываемой на базе методики с использованием методов Байеса, должны быть реализованы следующие мероприятия:

- сбор статистики по типовым группам параметров моделей, за последние 5 лет, по определенному техническим заданием на разработку типовой ПАМ количеству угроз (КСП), наблюдаемых на конкретных территориях Российской Федерации;

- обработка и структурирование подготовленных на предыдущем этапе данных для формирования обучающего множества моделей типовой ПАМ;

- подготовка параметров (ответов) гипотез для моделей типовой ПАМ.

Полученные обработанные данные, а также гипотезы с подготовленными параметрами (ответами) предназначены для дальнейшей их обработки методом Байеса - проведения обучения типовой ПАМ.

7.5 На этапе опытной эксплуатации типовой ПАМ на тестовых данных осуществляют проведение следующих мероприятий:

- формирование системы анализа и интерпретации результатов прогнозов, полученных с использованием специального программного обеспечения, разработанного с учетом применения методов Байеса в составе типовой ПАМ, а также формирование выходных данных моделей;

- определение источников получения требуемых входных данных в пилотном регионе и сопряжение (организация информационного обмена) типовой ПАМ с данными источниками через АПК "Безопасный город";

- сбор достоверных входных данных и формирование обучающего множества моделей типовой ПАМ на базе наблюдаемых параметров в режиме времени, близком к реальному, формирование цифровых карт и справочной информации, переобучение типовой ПАМ на достоверных данных;

- оценка точности прогнозов, результатов их анализа и интерпретации, при необходимости уточнение входных данных и наращивание количества примеров обучающего множества моделей.

7.6 На этапе промышленной эксплуатации типовой ПАМ осуществляют ее применение по назначению в составе АПК "Безопасный город" на реальных данных, при этом в процессе применения типовой ПАМ по назначению следует осуществлять непрерывный сбор и статистическую обработку наблюдаемых параметров в режиме времени, близком к реальному.