Материалы всероссийской научно-технической конференции Автоматизир

Время движения людского потока по участку пути ft, мин, рас­ считывают по формуле

где // - длина i-го участка пути, м; v, - скорость движения людского потока по горизонтальному пути на i-м участке, м/мин (определяется по специальной таблице).

Упрощенная аналитическая модель довольно легка для реализа­ ции. Но система, созданная на основе данной модели, едва ли будет отвечать выявленным ранее требованиям.

Во-первых, данную модель сложно визуализировать, исходя из ви­ зуализации каждого отдельного человека, так как модель учитывает передвижение группы людей как единого целого и учитывает переме­ щение только между комнатами, без учета местоположения внутри са­ мих комнат. Также в данной модели сложно учитывать дополнительные препятствия. Но, такой учет возможен, например, за счет изменения ширины комнаты в зависимости от учитываемых препятствий.

То же возможно с интеграцией моделей распространения огня и эвакуации. Но измерения в данном случае будут динамическими.

Четвертая проблема заключается в невозможности достоверного учета и отображения местоположения объектов, данная проблема не решаема вовсе.

Итак, упрощенная аналитическая модель по ряду параметров не является хорошим решением в нашем случае, по некоторым же пара­ метрам она не пригодна совсем.

Имитационно-стохастическая модель. Эта модель значительно точнее за счет деления здания на элементарные участки (комнаты делятся поперек). Данную модель нельзя использовать для анализа индивидуальных особенностей эвакуации человека {3].

В общем случае количество людей, переходящих за интервал времени At с участка i на последующий участок / + 1, составляет:

(3)

где D/0 - плотность потока в момент времени t0 на элементарном

участке Д/„ занимаемом потоком, чел/м2, определяется по формуле

где Ь{ и А/ - ширина участка и его длинна, vnep - скорость перехода

через границы смежных элементарных участков (14), At - отрезок

времени, с, vnep = v'°, если D'°, < D при max vD^k D = gmax.

где v'° - скорость движения людей, оказавшихся на участке / в мо­

мент t\9м/с.

Имитационно-стохастическая модель сложнее для реализации, чем упрощенная аналитическая. Но при этом система, созданная на ее основе, будет в большей степени отвечать выявленным требованиям.

Визуализировать данную модель, исходя из визуализации от­ дельно взятого человека проще, чем в случае с упрощенной аналити­ ческой моделью. Это обусловливается разделением комнат на эле­ ментарные участки.

Учет дополнительных препятствий в модели производится при­ мерно так же, как в упрощенной аналитической модели. Но детализа­ ция при этом вырастет за счет разбиения комнат.

Как и в случае с учетом препятствий, учет опасных факторов пожара возможен посредством описанных выше механизмов.

Что касается достоверности учета расположения объектов, то модель не идеальна, но в отличие от упрощенной модели расположе­ ние можно определять с гораздо меньшей погрешностью.

Развивая идею разбиения на участки (разбиение еще и вдоль), можно нивелировать некоторые проблемы. При достаточно малых размерах элементарного участка с высокой степенью достоверности можно локализовать объекты эвакуации (очаги огня, препятствия, люди), что облегчает визуализацию и учет влияния препятствий.

Тем не менее такой подход значительно снижает точность расче­ тов, так как модель не предназначена для работы с подобного рода участками.

Как итог, имитационно-стохастическая модель - куда более привлекательный вариант, но не вполне отвечает требованиям, которые, тем не менее, могут быть выполнены с определенной долей условности.

Индивидуально-поточная модель. Расчетное время эвакуации людей из здания устанавливается по времени выхода из него послед­ него человека. Перед моделированием эвакуации задаются эвакуаци­ онные пути.

Габариты человека - эллипс с размерами осей 0,5 м (ширина в плечах) и 0,25 м (толщина). Если разность координат людей состав­ ляет менее 0,25 м, то принимается, что люди расположены рядом друг с другом (скорость иная).

Координаты каждого человека х( в начальный момент времени задаются в соответствии со схемой расстановки людей в помещениях (или равномерно распределяются).

Координата человека, м, в момент времени t определяется по

где x,(t - At) - координата /-го человека в предыдущий момент време­ ни, м; v,-(f) - скорость /-го человека в момент времени г, м/с (опреде­ ляется по таблице); At - промежуток времени, с.

Модель индивидуально-поточного движения людей характери­ зуется большим количеством вычислений, при большом количестве людей в здании могут возникнуть проблемы с расчетами.

Индивидуально-поточная модель - самая сложная для реализации (и требовательная к ресурсам). Но при этом система, построенная на основе данной модели, может отвечать самым высоким требованиям.

Данная модель задает правила расчета скорости передвижения людей, но не для построения маршрутов передвижения. Подходы к их построению могут быть самыми разными. Это открывает ши­ рокие возможности для описания индивидуальных особенностей поведения людей.

Визуализировать процесс эвакуации здесь просто. Модель учи­ тывает положение человека на эвакуационном маршруте в зависимо­ сти от времени. Учет дополнительных препятствий, в зависимости от выбранного подхода к построению маршрутов, возможен или с опре­ деленной долей условностей, или вовсе без компромиссов.

Учет факторов пожара здесь можно свести к учету дополнитель­ ных препятствий. Отличиями здесь будут динамичность в положении препятствий и реакция людей в сравнении с обычным препятствием. ОФП люди скорее постараются обойти, держась подальше, или пре­ одолеть ползком (в случае дыма).

Достоверность учета местоположения объектов в лучшем случае может быть доведена до степени полного совпадения с реальной об­ становкой.

Итак, эффективность индивидуально-поточной модели для ре­ шения предполагаемых задач может варьироваться в зависимости от

использованного подхода к построению маршрутов эвакуации людей. Тем не менее, независимо от подхода, привлекательность данной мо­ дели является весьма высокой.

Сравнение рассмотренных моделей, исходя из выделенных критери­ ев, представлено в табл. 2.

поточная

Примечание: «-» - не отвечает требованию; «+» - отвечает требованию; «*» - возмо­ жен компромисс.

Как видно из таблицы, по всем обозначенным критериям инди­ видуально-поточная модель является наилучшей. Данная модель яв­ ляется самой сложной в реализации, но при всех достоинствах это не является причиной для отказа от нее.

Упрощенная модель не способна решать многие из проблем, имитационно-стохастическая предполагает использование ряда ус­ ловностей, индивидуально-поточная же предоставляет аппарат для бескомпромиссного решения обозначенных проблем.

В итоге выбор падает на индивидуально-поточную модель. Этот выбор может быть обоснован хотя бы только тем, что из всех пред­ ставленных моделей она единственная отвечает всем требованиям.

Библиографический список

1.Федеральный закон от 18 ноября 1994 г «О пожарной безо­ пасности» // Доступ из справ.-правовой системы КонсультантПлюс.

2.Пожарная статистика [Электронный ресурс]. - URL: http://pozhproekt.ru/pozhamaya-statistika (дата посещения: 23.03.2015).

3.Методика определения расчетных величин пожарного риска

взданиях: приложение к Приказу МЧС России от 30 июня 2009 г. № 382: зарегистр. в Минюсте РФ 6 августа 2009 г., per. № 14486 [Электронный ресурс]. - URL: http://www.mchs.gov.ru (дата обраще­ ния: 09.06.2014).

ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ ХРАНЕНИЯ ДОКУМЕНТОВ В СИСТЕМЕ ЭЛЕКТРОННОГО

ДОКУМЕНТООБОРОТА С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

Студент гр. ИСУП-13-1м Б.М. Гизатуллин

Научный руководитель - канд. техн. наук, доцент ИЛ. Шмидт Пермский национальный исследовательский политехнический университет

Объемы корпоративной информации с каждым годом сильно увеличиваются. В связи с этим возникает задача не только с хранени­ ем данных, но и с доступом с определенной скоростью. В мире растет спрос на системы хранения данных. Помимо того, что объемы ин­ формации растут, их приходится дольше хранить, что также сказыва­ ется на количестве и емкости используемых устройств хранения.

Например, компания имеет корпоративные данные 1 Тб, рост этих объемов составляет 70 % в год. Это означает, что через 10 лет, для хранения информации потребуется 200 Тб. Увеличение объема информации в 200 раз.

Со временем ценность информации повышается или понижает­ ся. В зависимости от различной ценности информация должна быть в разной степени доступна и защищена. Мы можем сделать важный вывод: разные классы информации имеют разную ценность для биз­ неса, и эта ценность меняется с течением времени.

Цель данной статьи - уменьшение затрат на хранение докумен­ тов в системе электронного документооборота, без существенной потери времени поиска актуальных документов.

Для достижения поставленной цели в статье решаются следую­ щие задачи:

1.Выбор подхода для решения проблемы по уменьшению затрат на хранение документов в СЭД.

2.Разработка классификатора документов, который позволяет использовать его в системе электронного документооборота.

3.Построение нейронной сети с помощью программного про­ дукта STATISTICА 12.

4.Проведение оценки качества работы классификатора.

Решением этой проблемы является процесс управления жиз­ ненным циклом информации (ILM). ILM-стратегия для бизнеса

предусматривает управление информацией с учетом изменения ее ценности во времени. Согласно этим принципам наиболее важная

втекущий момент информация должна присутствовать в самой бы­ строй системе. Менее важная информация должна перемещаться

вменее скоростную и более дешевую систему хранения, например оптические носители. Архивы следует переписывать на магнитные ленты и удалять из рабочей СХД, чтобы не снижалась скорость дос­ тупа к критичной информации и обеспечивалась минимальная стоимость хранения. Ненужная в будущем информация должна удаляться автоматически. Все перечисленные процессы движения информации вверх и вниз должны быть непрерывными.

Внастоящее время системы электронного документооборота вы­ тесняют традиционное бумажное делопроизводство. Использование принципов ILM для создания единого комплекса систем электронно­ го документооборота и электронного архива является весьма пер­ спективным направлением, и их реализация позволяет решить целый ряд однотипных задач структурирования информации, которые яв­ ляются общими для процессов документооборота и архивирования.

Была поставлена следующая классификационная задача: исходя из имеющейся базы данных документооборота компании, необходи­ мо наиболее точно классифицировать внутренние документы, храня­ щиеся в этой базе, на 3 класса.

Математическое описание задачи.

Имеется множество категорий (классов, меток):

Необходимо построить классификатор Ф', максимально близкий к Ф. Имеется некоторая начальная коллекция размеченных документов

для которых известны значения Ф. Обычно ее делят на «обучающую» и «проверочную» части. Первая используется для обучения класси­ фикатора, вторая - для независимой проверки качества его работы.

Таким образом, было описано 200 документов из базы данных документооборота компании. Согласно экспертному методу были

спрогнозированы классы для этих экземпляров.

Но нужно помнить, что во всех организация документооборот различается, и, соответственно, классификация документов будет выполняться по различным атрибутам. Поэтому модель нейронной сети будет отличаться в зависимости от того, в какой организации

будет использоваться.

2. П одгот овка и нормализация данных. В программу

STATISTICA была импортирована таблица значений из MS Excel. Таблица состоит из 200 строк (документов) и 13 столбцов (атрибу­ тов), из которых 12 столбцов - это входные параметры и 1 столбец - выходной параметр (тип хранилища). Согласно экспертному методу были спрогнозированы классы для этих экземпляров.

3. Конст руирование и обучение НС. Выполнялось построение

НС, используя имеющиеся данные, а также проведение последующе­ го обучения НС. Для этого был использован модуль STATISTICA

Automated Neural Networks.

Выбираем тип решаемой задачи - классификация. Выбираем

входные и выходные переменные. Задаем процентное соотношение для обучения (75 %) и самостоятельного тестирования НС (25 %). Программа предлагает 5 наилучших моделей НС (рис. 2).

Рис. 2. Результаты обучения НС

На основании коэффициента предсказания выбираем наилуч­ шую модель. Наивысший коэффициент предсказания имеет мо­ дель MLP 12-12-3, архитектура которой называется «многослой­ ный персептрон».

4.П роверка адекват ност и обучения. Сравним имеющийся ре­

зультат, который дал эксперт, с полученным результатом. Совпаде­

ние происходит в 94 % случаев. В данной работе предлагается подход

для решения проблемы задачи по уменьшению затрат на хранения документов в СЭД. Более того, с течением времени классификатор должен постоянно обновляться, так как в СЭД могут внедряться но­ вые подсистемы, влияющие на документооборот в организации.

Библиографический список

1.Как лучше хранить информацию [Электронный ресурс]. - URL: http://www.cnews.ru/reviews/free/server2007/articles/store_information.shtml (дата обращения: 01.05.2015).

2.Система электронного документооборота как элемент управления предприятием [Электронный ресурс]. - URL: http://www.renmiag.ru/admin/ upload_data/remmag/l l-3/Verysell.pdf(дата обращения: 01.05.2015).

3.От данных - к информации [Электронный ресурс]. - URL: http://defann.cyberflash.ni/2006/10/12/l (дата обращения: 01.05.2015).

4.Классификация документов [Электронный ресурс]. - URL: https://ru.wikipedia.org/wiki/Kлaccификaция_дoкyмeнтoв (дата обра­ щения: 01.05.2015).