ИСПОЛЬЗОВАНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ И ОПТИМИЗАЦИИ ПРОЦЕССОВ ЭВАКУАЦИИ ЛЮДЕЙ В ВЫСОТНЫХ ЗДАНИЯХ

Аннотация

Современное развитие высотного строительства в крупных мегаполисах сопровождается ростом требований к обеспечению безопасности людей в чрезвычайных ситуациях, таких как пожары, взрывы и техногенные аварии. Высокая плотность населения, ограниченное количество эвакуационных путей, значительная этажность и сложная пространственная структура высотных зданий существенно усложняют процессы быстрой и организованной эвакуации, увеличивая риск человеческих потерь. В связи с этим особую актуальность приобретает применение интеллектуальных методов анализа данных для оценки и прогнозирования эффективности эвакуационных мероприятий. В данной работе рассматривается применение методов машинного обучения для анализа факторов, влияющих на успешность эвакуации людей из высотных зданий, а также для прогнозирования риска осложнённой эвакуации на основе реальных статистических данных. В качестве исходного источника информации использован открытый набор данных Toronto Fire Incidents Dataset, содержащий более 12 000 записей о пожарных инцидентах. Данные включают сведения о времени реагирования пожарных подразделений, состоянии систем пожарной сигнализации и автоматического пожаротушения, характеристиках зданий, месте возникновения пожара и последствиях происшествий. Предварительная обработка данных включала очистку пропусков, кодирование категориальных признаков, формирование производных характеристик и визуализацию ключевых показателей. Для решения задачи прогнозирования были использованы модели логистической регрессии, Random Forest и XGBoost. Проведён сравнительный анализ их эффективности по основным метрикам качества. Результаты исследования показали, что на успешность эвакуации наибольшее влияние оказывают время прибытия пожарных подразделений, наличие и исправность систем сигнализации и спринклеров, этажность здания и место возникновения пожара. Модель Random Forest продемонстрировала наилучший баланс точности и чувствительности, подтверждая перспективность применения методов машинного обучения для повышения уровня пожарной безопасности.