Метод априорного ранжирования: 7.5. Метод априорного ранжирования

Управление рисками физической безопасности линейной части магистрального нефтепровода

Том 326 № 6 (2015)

Актуальность работы обусловлена необходимостью повышения эффективности системы физической защиты линейной части магистрального нефтепровода от совершения актов незаконного вмешательства, в частности с 2003 по 2012 гг. на объектах ОАО «АК «Транснефть» было выявлено 4779 фактов несанкционированных врезок в магистральный нефтепровод. Цель исследования: разработка математической модели по управлению рисками физической безопасности для линейной части магистрального нефтепровода, реализующей принципы ГОСТ Р ИСО/МЭК 31000-2010. Методы исследования: матричный и линейный анализ, статистический анализ распределения рисковых событий, метод априорного ранжирования, проверка статистических гипотез. Результаты. Разработана методика управления величиной риска физической безопасности для пространственно-протяженных объектов типа линейной части магистрального нефтепровода. Предложена структурная математическая модель, реализующая процесс управления величиной риска физической безопасности в соответствии с принципами ГОСТ Р ИСО/МЭК 31000-2010. На этой основе рассмотрен способ распределения ресурсов по времени и участкам линейной части магистрального нефтепровода между несколькими подразделениями, осуществляющими охрану одного магистрального нефтепровода. Описана процедура динамической адаптации параметров математической модели в ходе поступления информации о совершенных актах незаконного вмешательства, а также результатах проведения проверочных мероприятий по их имитации. Произведен анализ пространственно-временного распределения рископонижающего потенциала и уровня риска физической безопасности для участка магистрального нефтепровода «Александровское-Анжеро-Судженск» длиной 100 км. Проведено сравнение рископонижающего потенциала фактически проведенных контрольных мероприятий и мероприятий, предлагаемых к проведению при использовании разработанной методики управления. Показано увеличение рископонижающего потенциала мероприятий на 1 млн. 169 тыс. р. и продемонстрировано соответствующее повышение эффективности процесса управления на 26 % за счет обеспечения более равномерного распределения контрольных мероприятий по участкам линейной части магистрального нефтепровода.

Ключевые слова:

магистральные нефтепроводы, линейные части, оценки, риски, управление рисками, физическая безопасность, пространственно-временное распределение, рископонижающие потенциалы

Авторы:

Иван Анатольевич Кукало

Сергей Николаевич Гривцов

Скачать bulletin_tpu-2015-326-6-03. pdf

Оценка рисков и угроз «зеленого» предпринимательства на основе кросс-факторного моделирования | Кожевина

1. Константинов А.В. Роль и место антропогенного изменения климата в системе обеспечения экономической безопасности в секторах экономики // Социально-экономические явления и процессы. 2014. № 8. С. 61-66. URL: https://www.elibrary.ru/item.asp?id=22027406

2. Порфирьев Б.Н., Катцов В.М., Рогинко С.А. Изменение климата и международная безопасность. М.: РАН, Отделение общественных наук, 2011. 291 с. URL: https://elibrary.ru/item.asp?id=26731115

3. Антонова Н.В., Ломакина Н.В. Модель «зелёной» экономики и её имплементация в ресурсных регионах // Регионалистика. 2019. Т. 6. № 5. С. 31-49. https://doi.org/10.14530/reg.2019.5.31

4. Щуплова И.С., Рыбин Д.В. Глобальное изменение климата как вызов энергетической политике и обеспечению энергетической безопасности // European science. 2018. № 6(38). С. 14-18. URL: https://elibrary. ru/item.asp?id=35314787

5. Тётушкин В.А. Анализ трендов климатической политики как элемента экономической безопасности Российской Федерации: Международный аспект // Региональная экономика: теория и практика. 2017. № 6(441). С. 1173-1186. https://doi.org/10.24891/re.15.6.1173

6. Смирнов В.Д. Управление ESG рисками в коммерческих организациях // Управленческие науки. 2020. № 3. С. 6-20. https://doi.org/10.26794/2404-022X-2020-10-3-6-20

7. Белик И. С., Пряхин Д. А. Социально-экологическая составляющая устойчивого развития // Экономика региона. 2013. № 3. С. 142-151. https://doi.org/10.17059/2013-3-12.

8. Бобылёв С.Н. Устойчивое развитие в интересах будущих поколений: экономические приоритеты // Мир новой экономики. 2017. № 3. С. 90-96. URL: https://elibrary.ru/item.asp?id=30394968

9. Булгакова Ю.В., Набок С.Д. Взаимообусловленность понятий «зеленая» экономика, «зеленый» рост и устойчивое развитие // Международный научно-исследовательский журнал. 2017. № 5(59). С. 89-91. https://doi.org/10.23670/IRJ.2017.59.091

10. Иванова Н.И., Левченко Л.В. «Зеленая» экономика: сущность, принципы и перспективы // Вестник Омского университета. Серия: Экономика. 2017. № 2. С. 19-28. URL: https://elibrary.ru/item.asp?id=30005398

11. Лясковская Е.А., Григорьева К.М. Диагностика региональных возможностей перехода на модель «зеленой экономики» // Общество, экономика, управление. 2018. № 2. С. 17-25. URL: https://elibrary.ru/item.asp?id=35265454

12. Owen A.B., Wang J. Bi-cross-validationfor factor analysis. Statistical Science. 2015. Vol. 31. Iss. 1. Р. 119-139. https://doi.org/10.1214/15-STS539

13. Henson R.K., Roberts J.K. Use of exploratory factor analysis in published research: Common errors and some comment on improved practice. Educational and Psychological Measurement. 2006. Vol. 66. Iss. 3. Р. 393-416. https://doi.org/10.1177/0013164405282485

14. Bandalos D.L., Finney S.J. Factor analysis: Exploratory and confirmatory. In book: G. R. Hancock & R.O. Mueller (еds.). The Reviewer’s Guide to Quantitative Methods in the Social Sciences. Publisher: Routledge, 2019. P. 98-122. https://doi.org/10.4324/9781315755649-8

15. Izquierdo I., Julio Olea J., José F. Abad. Exploratory factor analysis in validation studies: Uses and recommendations. Psicothema. 2 Vol. 6. Iss. 3. P. 395-400. https://doi.org/10.7334/psicothema2013.349

16. Нефедов Р.А. Проблемы применения факторного анализа в общественных науках // Политолог. 2019. Т. 3. № 1. https://doi.org/10.18254/S258770110005006-8. URL: https://polylogosjournal.ru/s258770110005006-8-1/ (дата обращения: 18.10.2021).

17. Математические и инструментальные методы в современных экономических исследованиях: монография / под ред. М.В. Грачевой и Е.А. Тумановой. М.: Экономический факультет МГУ имени М.В. Ломоносова, 2018. 232 с. URL: https://www.econ.msu.ru/sys/raw.php?o=54168&p=attachment

18. Трофимова Е.А., Плотников С.В., Гилев Д.В. Математические методы анализа: монография. Екатеринбург: ФГАОУ ВПО «Уральский федеральный университет им. первого Президента России Б.Н. Ельцина», 2015. 272 с.

19. Hay D. Data Model Patterns: A Metadata Map. Morgan Kaufmann. 2006, 432 p. https://doi.org/10.1016/B978-0-12-088798-9.X5000-1

20. Inmon W., Linstedt D. Data Architecture: A Primer for the Data Scientist. Morgan Kaufmann. 2014, 431 p. https://doi.org/10.1016/C2014-0-01420-7

21. Palmujoki A., Parikka-Alhola K., Ekroos A. Green Public Procurement: Analysis on the Use of Environmental Criteria in Contracts. Rev. Eur. Community Int. Environ. Law. 2010. Vol. 19. Iss. 2. P. 250-262. https://doi.org/10.1111/j.1467-9388.2010.00681.x

22. Калинин А. Г. Обработка данных методами математической статистики: монография. Чита: ЗИП СибУПК, 2015. 106 с.

23. Многомерный статистический анализ в экономике / под ред. В.Н. Тамашевич. М.: ЮНИТИ, 1999. 598 с.

24. Плюта В. Сравнительный многомерный анализ в эконометрическом моделировании. М.: Финансы и статистика, 1989. 174 с.

25. Клименко В.В., Терешиин А.Г. Мировая энергетика и климат планеты в XXI веке // История и современность. 2008. № 2. С. 87-94. URL: https://cyberleninka.ru/article/n/mirovayaenergetika-i-klimat-planety-v-xxi-veke

26. Houghton J. T., Ding Y., Griggs O.I. et аl. (eds.). Climate Change 2001: The Scientific Basis. Contribution of Working Group I to the Third Assessment Report of the Intergovernmental Panel on Climate Change (IPCC). Cambridge: Cambridge University Press, 2001, pp. 881. https://doi.org/10.1093/ije/dyg059.

A Priori — документация deslib 0.4.dev

класс deslib.dcs.a_priori. Apriori ( Pool_Classifiers = None , K = 7 , DFP = False , с_их = false , Safe_k = None , IH_RATE = 0,3 , SELECTER_METHOD = ‘DIFF 5555, 44444, , SELECTION_METHOD =’ DIFF ‘55554444, , , , 444, , . diff_thresh=0.1 , random_state=Нет , knn_classifier=’knn’ , knn_metric=’minkowski’ , knne=False , DSEL_perc=0,5 , n_jobs=-1 ) [источник]

Выбор динамического классификатора Priori.

Априорный метод использует вероятность правильной классификации
данный базовый классификатор \(c_{i}\) для каждого соседа \(x_{k}\) для
оценка уровня компетентности. Базовые классификаторы с большей вероятностью
правильная классификация имеют более высокий уровень компетентности. Более того, метод
также взвешивает влияние каждого соседа \(x_{k}\) в соответствии с его
Евклидово расстояние до образца запроса. У ближайших соседей выше
влияние на оценку уровня компетентности.

Отдельный классификатор выбирается, только если его уровень компетентности
значительно выше, чем у других базовых классификаторов в пуле
(выше заранее установленного порога). В противном случае все классификаторы
пулы объединяются по правилу большинства.

Параметры:
pool_classifiers : список классификаторов (по умолчанию = нет)

Сгенерированный_пул классификаторов, обученных для соответствующего
проблема классификации. Каждый базовый классификатор должен поддерживать метод
«прогнозировать» и «прогноз_проба». Если None, то пул классификаторов
классификатор мешков.

к : целое число (по умолчанию = 7)

Количество соседей, используемых для оценки компетентности базы
классификаторы.

DFP : логическое значение (по умолчанию = ложь)

Определяет, применяется ли динамическое отсечение друзей.

with_IH : логическое значение (по умолчанию = False)

Используется ли уровень жесткости области компетенции для
выбрать между использованием алгоритма DS или KNN для классификации
заданный образец запроса.

safe_k : int (по умолчанию = Нет)

Размер области нерешительности.

IH_rate : плавающая (по умолчанию = 0,3)

Порог жесткости. Если уровень жесткости области компетенции
ниже, чем IH_rate, используется классификатор KNN. В противном случае DS

selection_method : Строка (по умолчанию = «лучший»)

Определяет, какой метод используется для выбора базового классификатора после
оцениваются компетенции.

diff_thresh : число с плавающей запятой (по умолчанию = 0,1)

Порог для измерения разницы между уровнем компетентности
базовые классификаторы для схем случайного и дифференциального отбора. Если
разница ниже порога, их производительность
считается эквивалентным.

random_state : int, экземпляр RandomState или None, необязательно (по умолчанию = None)

Если int, random_state — это начальное число, используемое генератором случайных чисел;
Если экземпляр RandomState, random_state является генератором случайных чисел;
Если None, генератором случайных чисел является используемый экземпляр RandomState.
к np.random .

knn_classifier : {‘knn’, ‘faiss’, None} (по умолчанию = ‘knn’)

Алгоритм оценки области компетенции:

  • ‘knn’ будет использовать KNeighborsClassifier из sklearn

KNNE доступен по адресу deslib. utils.knne

  • «faiss» будет использовать поиск сходства Faiss в Facebook через
    класс FaissKNNClassifier
  • Нет, будет использоваться sklearn KNeighborsClassifier .
knn_metric : {‘минковский’, ‘косинус’, ‘махаланобис’} (по умолчанию = ‘минковский’)

Метрика, используемая классификатором k-NN для оценки расстояний.

  • «Минковский» будет использовать расстояние Минковского.
  • «косинус» будет использовать косинусное расстояние.
  • «махаланобис» будет использовать расстояние махалонибиса.
knne : bool (по умолчанию = False)

Следует ли использовать K-равенство ближайших соседей (KNNE) для региона
оценки компетентности.

DSEL_perc : плавающая (по умолчанию = 0,5)

Процент входных данных, используемых для соответствия DSEL.
Примечание. Этот параметр используется только в том случае, если пул классификатора равен None или
неприспособленный.

n_jobs : целое число, по умолчанию =-1

Количество параллельных заданий для запуска. Нет означает 1, если только в
контекст joblib.parallel_backend. -1 означает использование всех процессоров.
Не влияет на метод подгонки.

Ссылки

Г. Джачинто и Ф. Роли, Методы выбора динамического классификатора
10-й междунар. конф. на Анальный образ. и Proc., Венеция, Италия (1999), 659-664.

Ko, Albert HR, Robert Sabourin и Alceu Souza Britto Jr. «Из динамического
выбор классификатора к выбору динамического ансамбля».
Распознавание образов 41.5 (2008): 1718-1731.

Бритто, Алсеу С., Роберт Сабурин и Луис Э.С. Оливейра. «Динамический отбор
классификаторов — всесторонний обзор».
Распознавание образов 47.11 (2014): 3665-3680.

Р. М. О. Круз, Р. Сабурин и Г. Д. Кавальканти, «Динамический классификатор
выбор: последние достижения и перспективы»,
Информационный сплав, вып. 41, стр. 195 – 216, 2018.

оценка_компетенция ( компетенция_регион , расстояния , прогнозы = нет ) [источник]

оценить компетентность каждого базового классификатора \(c_{i}\) для
классификация образца запроса с использованием правила A Priori:

Уровень компетентности оценивается на основе вероятности правильного
классификации базового классификатора \(c_{i}\), учитывая все
образцы в области компетенции. Этот метод также взвешивает
влияние каждой обучающей выборки по ее евклидову расстоянию
к экземпляру запроса. Ближайшие образцы имеют большее влияние на
расчет уровня компетентности. Оценка уровня компетентности
представлена ​​следующим уравнением: 9{К}В_{к}}\]

, где \(\delta_{i,j}\) представляет уровень компетентности
\(c_{i}\) для классификации запроса.

Параметры:
компетенция_регион : массив форм (n_samples, n_neighbors)

Индексы k ближайших соседей.

расстояния : массив форм (n_samples, n_neighbors)

Расстояния от k ближайших соседей до запроса.

прогнозов : массив форм (n_samples, n_classifiers)

Прогнозы базовых классификаторов для тестовых примеров.

Возвраты:
компетенции : массив форм (n_samples, n_classifiers)

Уровень компетентности оценивается для каждого базового классификатора и теста
пример.

подходит для ( X , и ) [источник]

Подготовьте модель DS, задав алгоритм KNN и
предварительная обработка информации, необходимой для применения DS
метод.

Параметры:
X : массив формы (n_samples, n_features)

Данные, используемые для соответствия модели.

y : массив форм (n_samples)

меток классов каждого примера в X.

Возвраты:
самостоятельно
предсказать ( X )[источник]

Предсказать метку класса для каждой выборки в X.

Параметры:
X : массив формы (n_samples, n_features)

Входные данные.

Возвраты:
предсказанные_метки : массив форм (n_samples)

Прогнозируемая метка класса для каждого образца в X.

предсказание_пробы ( X )[источник]

Оценивает апостериорные вероятности для выборки в X.

Параметры:
X : массив формы (n_samples, n_features)

Входные данные.

Возвраты:
предсказание_пробы : массив форм (n_samples, n_classes)

Оценки вероятностей для каждой выборки в X.

оценка ( X , y , sample_weight=None )[источник]

Возвращает среднюю точность для заданных тестовых данных и меток.

В классификации с несколькими метками это точность подмножества
что является суровой метрикой, поскольку вам требуется для каждого образца,
каждый набор меток будет правильно предсказан.

Параметры:
X : форма, подобная массиву (n_samples, n_features)

Пробы для испытаний.

y : форма, подобная массиву (n_samples,) или (n_samples, n_outputs)

Этикетки True для X .

sample_weight : форма, подобная массиву (n_samples,), по умолчанию = нет

Гири для образцов.

Возвраты:
оценка : число с плавающей запятой

Средняя точность self.predict(X) wrt. и .

выберите ( компетенции )[источник]

Выберите наиболее компетентный классификатор для классификации
выборка запроса с учетом оценок уровня компетентности. Четыре выбора
схемы имеются.

Лучший : Базовый классификатор с наивысшим уровнем компетентности
выбрано. В случаях, когда более чем один базовый классификатор достигает
тот же уровень компетентности, выбирается тот, у которого самый низкий индекс. Этот
метод является стандартом для методик LCA, OLA, MLA.

Diff: выберите базовый классификатор, который значительно лучше, чем
другие в пуле (когда разница между его уровнем компетентности
а уровень компетентности других базовых классификаторов выше, чем
предустановленный порог). Если нет значительно лучшего базового классификатора,
базовый классификатор выбирается случайным образом среди членов с
эквивалентный уровень компетентности.

Random: выбирает случайный базовый классификатор среди всех базовых классификаторов.
которые достигли того же уровня компетентности.

ВСЕ : все базовые классификаторы с оценками максимального уровня компетентности
выбрано (обратите внимание, что в этом случае
метод DCS становится методом DES).

Параметры:
компетенции : массив формы (n_samples, n_classifiers)

Уровень компетентности оценивается для каждого базового классификатора и теста
пример.

Возвраты:
selected_classifiers : массив формы [n_samples]

Индексы выбранного базового классификатора для каждой выборки. Если
для selection_method установлено значение «все», возвращается логическая матрица,
содержащее True для выбранных базовых классификаторов, иначе false.

Статистических концепций априорной и апостериорной классификации рисков в страховании, Катриен Антонио, Эмилиано А. Вальдес :: SSRN

Достижения AStA в области статистического анализа, 2012 г., 96 (2), 187–224.

35 страниц

Опубликовано: 25 августа 2010 г.

Последняя редакция: 17 мая 2017 г.

Просмотреть все статьи Катриен Антонио