ЗАСТОСУВАННЯ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ ДЛЯ РАННЬОГО ВИЯВЛЕННЯ НАДЗВИЧАЙНИХ СИТУАЦІЙ НА ОСНОВІ ПОТОКОВИХ ВЕЛИКИХ ДАНИХ

Анотація

Сучасні системи раннього виявлення надзвичайних ситуацій недостатньо оперативні та точні через використання традиційних методів обробки потокових даних. Це призводить до затримок у реагуванні на надзвичайні події, збільшуючи масштаби потенційних втрат. Мета - дослідити ефективність моделей машинного навчання (глибокого навчання) для раннього виявлення надзвичайних ситуацій на основі аналізу потокових великих даних із сенсорних мереж (IoT) та соціальних медіа. Використано класичні (порогові методи, SVM) та сучасні алгоритми глибокого навчання (LSTM, LSTM-CNN), проведено експериментальні дослідження на синтетичних та реальних потокових даних, виконано порівняльний аналіз моделей за такими метриками, як точність (Precision), повнота (Recall), F1-міра, час раннього виявлення та кількість хибних спрацювань. Основні результати досліджень - гібридна модель LSTM-CNN за-безпечила найвищу точність (F1=0.90) у ранньому виявленні надзвичайних ситуацій. LSTM-CNN модель продемонструвала найменшу середню затримку спрацювання (≈ 5,5 с). Підтверджено переваги моделей глибокого навчання над традиційними ме-тодами (пороговими детекторами, класичними алгоритмами ML). Український досвід впровадження ML-моделей у системах раннього оповіщення показав практичну ефек-тивність і високу надійність цих технологій.