Оптимізація архітектури прогнозної інтелектуальної агентної сппр для підтримки якісних рішень на основі даних про стан атмосферного повітря міста

Abstract

Сучасні системи підтримки прийняття рішень (СППР) у сфері екологічного моніторингу мають забезпечувати високу якість рекомендацій, зокрема – гарну точність, достовірність, робастність, обґрунтованість та інтерпретованість результатів за умов динамічних, нерегулярних та неповних даних. У статті запропоновано формалізацію задачі оптимізації архітектури прогнозної інтелектуальної агентної СППР (ІАСППР), орієнтованої на надання природномовних рекомендацій різним групам користувачів (населенню, екологам, органам влади) за принципами моделі «DPSIR» (Drivers, Pressures, State, Impacts, Responses). Введено інтегральний критерій оптимальності як середньозважену суму критеріїв якості рекомендацій, серед яких виділено такі основні: урахування достовірності даних, точності аналізу ситуації, обчислювальної ефективності та робастності, обґрунтованості й інтерпретованості рекомендацій для відповідних категорій користувачів. Доведено теорему про Парето-оптимальність архітектури, яка максимізує цей інтегральний критерій якості за виконання низки умов. Як наслідок цієї теореми сформульовано вимоги до оптимальної структури агент-бенчмарку, що з високою ймовірністю забезпечує коректний вибір оптимальної архітектури ІАСППР. Як наслідок доведеної теореми обґрунтовано оптимальну структуру агент-бенчмарку, який названо «Air-DSS Agent Benchmark» і який генерує репрезентативну множину сценаріїв чи ситуацій, забезпечує їх збалансованість, дозволяє порівнювати різні архітектури ІАСППР та гарантує їх оцінювання за узгодженими критеріями якості. Наведено спрощений приклад для реальних даних громадського моніторингу стану атмосферного повітря м. Вінниці за 2019 – 2025 рр., отриманих по 20 станціях з мережі моніторингу EcoCity. Було порівняно дві архітектури агентів А і В. Проведене тестування підтвердило, що архітектура А демонструє значно вищу точність класифікації сценаріїв та дещо меншу похибку прогнозів порівняно з архітектурою B, що узгоджується з теоретичними передумовами. Отримані результати показують, що правильний вибір архітектури ІАСППР істотно впливає на якість рекомендацій, а розроблений агент-бенчмарк є коректним та ефективним інструментом для її оптимізації.