Разработка веб-сервиса для поддержки принятия управленческих решений на основе результатов прогнозного моделирования изменения уровня воды в реке

Рассматривается разработка веб-сервиса, осуществляющего мониторинг и прогнозирование уровня воды в реках и водоемах вблизи объектов транспортной инфраструктуры. Представлены результаты разработки моделей прогнозирования уровня воды на основе алгоритмов машинного обучения, которые могут быть успешно интегрированы в систему веб-сервиса, предназначенного для использования управленческим персоналом в процессе принятия решений.

1. Идентификация критических состояний технологических процессов на основе методов предиктивной аналитики / С. М. Ковалев, А. В. Суханов, И. А. Ольгейзер, К. И. Корниенко. Текст : непосредственный // Автоматика и телемеханика. 2023. № 4. С. 115-130. DOI: 10.31857/S0005231023040074. EDN QIGFPH.

2. Долгий, А. И. Применение методов визуальной аналитики в системах интеллектуального мониторинга динамических процессов / А. И. Долгий, С. М. Ковалев. Текст : непосредственный // Интегрированные модели и мягкие вычисления в искусственном интеллекте (ИММВ-2024) : сборник научных трудов XII Международной научно-практической конференции. В 2-х томах, Коломна, 14-17 мая 2024 года. Смоленск : Универсум, 2024. С. 129-139. EDN KEIXPU.

3. Прогнозирование уровней воды на реках Краснодарского края с использованием методов машинного обучения / П. А. Белякова, В. М. Морейдо, А. С. Цыпленков [и др.]. Текст : непосредственный // Водные ресурсы. 2022. Т. 49, № 1. С. 13-26. DOI: 10.31857/S0321059622010047. EDN EVBBEL.

4. Прогнозирование уровней воды на реках Краснодарского края с использованием методов машинного обучения / П. А. Белякова, В. М. Морейдо, А. С. Цыпленков [и др.]. Текст : непосредственный // Водные ресурсы. 2022. Т. 49, № 1. С. 13-26. DOI: 10.31857/S0321059622010047. EDN EVBBEL.

5. Шинкаренко, С. С. Мониторинг последствий наводнения в Оренбургской области при половодье на реке Урал в 2024 году / С. С. Шинкаренко, С. А. Барталев, Е. А. Лупян. Текст : непосредственный // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21, № 3. С. 339347. DOI: 10.21046/2070-7401-2024-21-3-339-347. EDN PGQUUG.

6. Кулин, Н. И. Прогнозирование весеннего половодья рек с использованием методов машинного обучения / Н. И. Кулин, Е. А. Козлов, Ю. А. Жук. Текст : непосредственный // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 1. С. 135-142. DOI: 10.17586/22261494-2021-21-1-135-142. EDN WHEZTK.

7. Возможности краткосрочного прогнозирования стока малой реки с использованием методов машинного обучения / В. М. Морейдо, Б. И. Гарцман, Д. П. Соломатин, З. А. Сучилина. Текст : непосредственный // Гидросфера. Опасные процессы и явления. 2020. Т. 2, № 4. С. 375-390. DOI: 10.34753/HS.2020.2.4.375. EDN PUICFO.

8. Ангудович, Я. И. О применении нейронных сетей в задачах оперативного прогнозирования уровня воды в акватории Обской губы / Я. И. Ангудович, Ю. А. Татаренко. Текст : непосредственный // Гидрометеорология и экология. 2025. № 78. С. 42-65. DOI: 10.33933/2713-3001-2025-78-42-65.

9. Шамсутдинова, Т. М. Применение нейросетевого моделирования в задачах прогнозирования уровня паводка рек / Т. М. Шамсутдинова. Текст : непосредственный // Вестник Новосибирского государственного университета. Серия: Информационные технологии. 2023. Т. 21, № 2. С. 39-50. DOI: 10.25205/18187900-2023-21-2-39-50. EDN KZCOEM.

10. Саноцкая, Н. А. Прогнозирование максимального уровня воды рек как обобщённого параметра состояния сложной нелинейной системы на основе использования многослойной нейронной сети / Н. А. Саноцкая, Д. А. Лоскутов, К. В. Ромашова. Текст : непосредственный // Технологии гражданской безопасности. 2022. Т. 19, № 2 (72). С. 14–20. DOI: 10.54234/CST.19968493.2022.19.2.72. ISSN 1996 8493.

11. Великанова, Л. И. Прогноз уровня воды при прохождении паводков на горных реках с применением нейросетевых технологий и прогноза метеослужбы / Л. И. Великанова. Текст : непосредственный // Информационные системы и технологии. 2012. № 1. С. 66–73. УДК 626:004.942.

12. Vizi, Z. Water level prediction using long short-term memory neural network model for a lowland river: a case study on the Tisza River, Central Europe / Z. Vizi, B. Batki, L. Ratki [et al.] // Environmental Sciences Europe. 2023. Vol. 35, № 92.

13. Shafiee Roudbari, N. From data to action in flood forecasting leveraging graph neural networks and digital twin visualization / N. Shafiee Roudbari, S. R. Punekar, Z. Patterson [et al.] // Scientific Reports. Newton : Nature Portfolio, 2024. Vol. 14, Art. № 18571.

14. Wunsch, A. Groundwater Level Forecasting with Artificial Neural Networks: A Comparison of LSTM, CNN and NARX / A. Wunsch, T. Liesch, S. Broda // Hydrology and Earth System Sciences. 2020. Vol. 24, № 5. P. 2545-2568.

15. Najafi, H. High-resolution impact-based early warning system for riverine flooding / H. Najafi, P. K. Shrestha, O. Rakovec [et al.] // Nature Communications. Newton : Nature Portfolio, 2024. Vol. 15, Art. № 3726.

16. Mohammed, S. J. Application of Metaheuristic Algorithms and ANN Model for Univariate Water Level Forecasting / S. J. Mohammed, S. L. Zubaidi, N. Al-Ansari [et al.] // Advances in Civil Engineering. 2023. Vol. 2023. P. 1-15.

17. Юдина, С. В. Система поддержки принятия решений в сложных предпринимательских структурах как развивающийся инструмент управления / С. В. Юдина, Д. В. Цовма. Текст : непосредственный // Экономические стратегии. 2021. Т. 23, № 1(175). С. 114-121. DOI: 10.33917/es-1.175.2021.114121. EDN PXLZPB.

18. Кирищиева, И. Р. Концептуальная модель управленческой информационной системы корпоративной интегрированной бизнес-системы железнодорожного транспорта / И. Р. Кирищиева. Текст : непосредственный // Экономический вестник Ростовского государственного университета. 2008. Т. 6, № 3-2. С. 267-270. EDN PTUALT.

19. Васильева, М. А. Применение принципов безопасной разработки к проектированию и реализации интеллектуальных транспортных систем / М. А. Васильева, М. В. Ипатов. Текст : непосредственный // Цифровая трансформация образования и транспортной отрасли: анализ опыта и перспективы развития : сборник статей Международного научно-практического IT-форума, Санкт-Петербург, 23-24 ноября 2023 года. Санкт-Петербург : Петербургский государственный университет путей сообщения Императора Александра I, 2024. С. 101-109. EDN KVFYVZ.

20. Исследование технологий машинного обучения во встроенных системах / О. В. Игнатьева, Д. Н. Чупий, Д. С. Журавлев, А. Д. Сокирка. Текст : непосредственный // Транспорт: наука, образование, производство : сборник научных трудов Международной научно-практической конференции, Ростов-на-Дону, 24-26 апреля 2024 года. Ростов-на-Дону : Ростовский государственный университет путей сообщения, 2024. С. 135-139. EDN UUAJKY.

21. Модель оценки показателей безопасности функционирования автоматизированных систем диспетчерского управления движением поездов / А. В. Горелик, В. Ю. Горелик, А. В. Смыслов [и др.]. Текст : непосредственный // Автоматизация в промышленности. 2025. № 1. С. 10-12. EDN FQFPOD.

22. Machine Learning Meets Cancer / E. V. Varlamova, M. A. Butakova, V. V. Semyonova [et al.] // Cancers. 2024. Vol. 16, № 6. P. 1100. DOI: 10.3390/cancers16061100. EDN FRFAEP.

23. Ермуханов, Д. С. Машинное обучение и математика / Д. С. Ермуханов. Текст : непосредственный // Тенденции развития науки и образования. 2024. № 110-18. С. 102-105. DOI 10.18411/trnio-06-2024992. EDN CYNEDP.

24. Иванов, А. Н. Проблема оценки достоверности данных мониторинга и прогнозирования на потенциально опасных объектах / А. Н. Иванов, Д. В. Медведев, А. В. Куянов. Текст : непосредственный // Сервис безопасности в России: опыт, проблемы, перспективы. Мониторинг, предотвращение и ликвидация чрезвычайных ситуаций природного и техногенного характера : материалы международной научно-практической конференции, Санкт-Петербург, 28 октября 2021 года. Санкт-Петербург : Санкт-Петербургский университет Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий, 2021. С. 666-670. EDN XSMLSC.