Современные информационные технологии/ 3.Программное обеспечение

Д.т.н. Силич М.П.*, д.т.н. Силич В.А., к.т.н. Аксенов С.В.

*Томский университет систем управления и радиоэлектроники, Россия

Томский политехнический университет, Россия

Когнитивный подход к интеллектуальному

анализу энергоэффективности региона

Когнитивный подход [1, 2] широко используется для выявления структуры сложной проблемы (системы), анализа влияния факторов друг на друга и на систему, моделирования поведения системы. В настоящее время разработано множество методов когнитивного моделирования. Выбор метода зависит от задачи исследования, особенностей моделируемой предметной области, глубины знаний экспертов, наличия данных. Рассмотрим требования, которые предъявляет задача анализа состояния энергетической эффективности территориальных образований.

Прежде всего, необходимо отметить сложность исследуемой предметной области, включающей множество аспектов, связанных с различными видами топливно-энергетических ресурсов, с различными стадиями производства и потребления энергии, с различными сферами энергопотребления. Множество факторов неоднородно, оно включает как целевые факторы, отражающие интегрированные оценки состояния системы (подсистемы), так и управляемые, на которые можно непосредственно воздействовать, а также внешние, описывающие социально-экономические, природно-географические, инфраструктурные особенности территориальных образований. Факторы могут оцениваться по индикаторам (причем один и тот же фактор может оцениваться на основе множества индикаторов, которые дополняют или заменяют друг друга), либо, если нет возможности получить значения индикаторов, могут оцениваться на основе оценок других факторов. Кроме того, значения индикаторов по-разному интерпретируются для территорий с разными внешними условиями.

Для учета перечисленных особенностей рассматриваемой предметной области авторы разрабатывают метод построения и анализа гибридных когнитивных карт, который позволял бы: строить совокупность иерархически связанных когнитивных карт; рассматривать концепты с четкими и нечеткими значениями; выводить оценки факторов энергоэффективности с учетом особенностей различных территориальных образований; сочетать различные способы оценивания факторов [3].

Гибридная когнитивная карта представляет собой граф, вершинами которой являются концепты двух видов: факторы и индикаторы. Фактор – это некоторое свойство системы, оцениваемое на качественном уровне. Множество факторов включает в себя подмножества целевых факторов, управляемых и внешних. Индикатор – это измеримый показатель, характеризующий тот или иной фактор. Между фактором и индикатором может быть установлено отношение ассоциации. Отношение характеризуется коэффициентом соответствия в виде числа от 0 до 1. Чем выше значение коэффициента, тем точнее индикатор характеризует фактор. Фактор может быть связан с несколькими индикаторами. Между факторами устанавливаются отношения влияния (причинно-следственные). Отношению влияния сопоставляется вес, характеризующий как направление влияния (положительное или отрицательное), так и силу влияния. Сеть взаимовлияний факторов представляет собой дерево (совокупность деревьев). Корнем дерева является целевой фактор, листьями – «внешние» или управляемые факторы. Отношения влияния позволяют выявить причины достигнутого уровня того или иного фактора и оценить важность той или иной причины. Если влияющих факторов много, они могут быть вынесены на поддиаграммы – когнитивные карты нижнего уровня. На рис. 1 приведен пример гибридной карты. Факторы изображены в виде эллипсов (внешние – в виде эллипсов с пунктирным контуром), индикаторы – в виде кружочка, отношения ассоциации – пунктирными линиями, отношения влияния – сплошными линиями со стрелками. Наличие поддиаграммы обозначается специальной пиктограммой.

Анализ гибридной когнитивной карты позволяет дать оценку каждому фактору и отношениям влияния. Каждому фактору соответствует лингвистическая переменная, характеризуемая терм-множеством, термы которого представляют собой нечеткие оценки типовых состояний фактора, например, «низкая», «средняя», «высокая». Выбор способа оценивания того или иного фактора осуществляется в зависимости от конкретной ситуации: связан ли фактор с индикаторами, влияют ли на него внешние факторы, известны ли оценки влияющих на него и/или зависимых от него факторов, в какой форме представлены знания экспертов о взаимовлиянии факторов и др. Оценку силы влияния также можно осуществлять разными способами в зависимости от ситуации. Такой подход можно назвать кейс-подходом (от англ. case – случай, прецедент). Для его применения необходимо разработать библиотеку процедур, из которой исследователь выбирает наиболее подходящие для каждой ситуации. На рис. 2 представлена классификация ситуаций оценивания (кейсов).

Рассмотрим некоторые из ситуаций.

Статическая оценка фактора по индикаторам без учета влияния внешних факторов. Чтобы оценить фактор на основе индикатора, для каждого терма строятся функции принадлежности на базовом множестве значений индикатора. Функции принадлежности могут строиться разными способами: субъективным (функции стоит эксперт), на основе равномерного разбиения базового множества по числу термов, на основе распределения примеров. Нечеткая оценка фактора получаются путем фаззификации значений индикатора. Полученная оценка умножается на коэффициент соответствия. Если фактор связан с несколькими индикаторами, то оценки, полученные путем фаззификации значений каждого индикатора, агрегируются с использованием операций S-нормы.

Статическая оценка фактора по индикаторам с учетом влияния внешних факторов. Влияние внешнего фактора целесообразно учитывать через параметры функций принадлежности. Выделяются кластеры территориальных образований с похожими внешними условиями и функции принадлежности строятся отдельно для каждого кластера. Признаками кластеризации выступают индикаторы, связанные с внешним фактором. Кластеризацию можно выполнять с помощью нейросетевых методов, например, по алгоритму Густаффсона-Кесселя [4]. После фаззификации степень уверенности в оценке корректируется с учетом степени принадлежности объекта к соответствующим кластерам. В случае если объект попал одновременно в несколько кластеров, оценки, полученные для каждого кластера, агрегируются. Если на один и тот же фактор несколько внешних факторов, оценки, полученные с учетом влияния каждого отдельного внешнего фактора, также агрегируются.

Статическая косвенная оценка фактора. Одним из возможных подходов в этой ситуации является использование нечетких продукционных правил, содержащих в антецеденте возможные состояния оцененных факторов и в консеквенте – соответствующие состояния оцениваемого фактора. Альтернативным способом косвенного оценивания факторов являются операции с четкими или нечеткими числами, например, процедура аккумулирования влияния нескольких концептов на один концепт, используемая в картах Коско [2], или операция свертки с нечеткими треугольными числами. В последнем случае необходимо разработать процедуры преобразования нечетких значений лингвистических переменных в нечеткие числа, а также в интерпретации вычисленного значения выходного фактора.

Динамическая оценка фактора. Это оценка изменения состояния фактора за некоторый период времени, например, по сравнению с предыдущим годом. Могут использоваться те же методы, которые предлагаются для получения статической оценки. Например, если фактору сопоставлены индикаторы, строятся функции принадлежности для интерпретации прироста/убыли значений индикаторов за заданный период. Если индикаторов нет, оценка определяется на основе оценки динамики других факторов.

Оценка влияния. Оценивание силы влияния факторов друг на друга выполняется как субъективно (экспертом), так и автоматически (на обучающей выборке). В первом случае эксперт может задать оценку либо в виде константы, либо в виде индикатора – переменной, принимающей для разных территориальных образований разные значения. Кроме того, если оцениваются силы влияния нескольких факторов на один фактор, можно использовать методы выявления экспертных мнений (ранжирование, методы парных сравнений, последовательного сравнения). Процедура автоматического обучения применима в случае, если оценивается влияние межу факторами, связанными с индикаторами. Это могут быть корреляционный анализ, анализ чувствительности.

В заключение отметим, что предлагаемый подход положен в основу разрабатываемой в настоящее время информационной системы интеллектуальной поддержки принятия решений по повышению энергетической эффективности территориальных образований. Система позволит оценивать состояние факторов энергоэффективности в различных территориальных образованиях с учетом особенностей внешних условий, анализировать причины сложившейся ситуации, сравнивать образования по уровню энергоэффективности, формировать выводы на естественном языке в условиях неполноты данных и неоднозначности их интерпретации.

Работа выполнена при финансовой поддержке гранта РФФИ № 13-07-00397а.

Литература:

1. Горелова Г.В., Захарова Е.Н., Радченко С.А. Исследование слабоструктурированных проблем социально-экономических систем: когнитивный подход // Ростов-на-Дону: Изд-во РГУ, 2006. – 440 c.

2. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. – М.: Горячая линия-Телеком, 2007. – 284 с.

3. Оценка ситуации с энергетической эффективностью в муниципальных образованиях на основе диаграммы влияния факторов / М.П. Силич, В.А.Силич, С.В. Аксенов, В.С. Ахмедов // Энергобезопасность и энергосбережение. – 2012. – №3. – С. 9-14.

4. Fuzzy Cluster analysis: methods for classification, data analysis, and image recognition / F. Hoeppner, F. Klawonn, R. Kruse, and T. Runkler. – New York: John Wiley & Sons, Inc., 1999. – 300 p.