ПРИМЕНЕНИЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ В КАЧЕСТВЕ СРЕДСТВА ОПРЕДЕЛЕНИЯ КОДА ОКТМО ПО ГЕОГРАФИЧЕСКИМ КООРДИНАТАМ

За последние несколько лет увеличилась роль региональной статистики на федеральном уровне, расширился круг показателей и увеличился объем информации, характеризующий региональное развитие. В России ежемесячно за 15 дней сводится информация по 89 субъектам федерации[3]. С появлением мобильных устройств открылась возможность для более удобного ведения региональной статистики для различных государственных служб, таких как налоговая инспекция, служба здравоохранения и других. Однако, задача по определению региона, все еще лежит на сотрудниках служб.

Для ведения статистики требуются специальные коды регионов, например, код ОКТМО (Общероссийский классификатор территорий муниципальных образований). На данный момент выбор нужного кода производится вручную.

Благодаря оснащению мобильных устройств модулями определения географических координат текущего местоположения, появилась возможность автоматизировать процесс определения региона. Но на настоящее время проблема определения кода объектов по географическим координатам остается до конца нерешенной. Большинство предложенных решений представляют собой сложные ресурсозатратные вычислительные процессы или требуют наличия Интернет-соединения, что не всегда представляется возможным.

Один из вариантов решения подобной задачи – это применение интеллектуальной системы, для определения кода ОКТМО по входным данным, представленным в виде географическим координат. В качестве такой системы может выступать искусственная нейронная сеть.

Рассматривая множество координат, принадлежащих отдельным регионам, как набор образцов, а коды ОКТМО этих регионов как классы, можно отнести поставленную задачу определения кода ОКТМО по координатам к задаче классификации, пример которой представлен на рисунке 1. Задачу классификации может эффективно решать искусственная нейронная сеть.

Рисунок 1. Пример классификации географических объектов

Отличительная особенность нейронных сетей состоит в том, что они не программируются в привычном смысле этого слова, а обучаются. Благодаря обучению, сеть приобретает способность правильно реагировать не только на шаблоны, предъявленные в процессе тренировки, но также хорошо справляться с другими наборами данных из допустимого пространства входов, которые она никогда не «видела» ранее[2]. В этом смысле можно сказать, что ИНС (искусственная нейронная сеть) обладает свойством обобщения, что поможет в решении поставленной задачи. В качестве шаблонов обучения, можно принимать границы географических объектов. Пример разделения региона на классы представлен на рисунке 2.

Рисунок 2. Административная карта Смоленской области

В качестве альтернативного решения задачи определения кода ОКТМО по географическим координатам был рассмотрен проект Геокладр[4]. Проект представляет собой совокупность базы географических названий GNS (англ. GEOnet Names Server - свободно распространяемая база данных имён географических объектов) и КЛАДР (классификатор адресов Российской Федерации). Цель проекта - создание полностью открытой базы данных по населенным пунктам с географическими координатами на основе общероссийского классификатора КЛАДР.

Из основных недостатков использования этого проекта в решения поставленной задачи можно выделить следующие:

• границы регионов состоят из большого количества координат, что затрудняет определение принадлежности координат к региону;
• количество записей географических объектов в таблице превышает 270 тысяч, что увеличивает время поиска требуемого кода;
• для классификации географических объектов используются коды ОКАТО (общероссийский классификатор административно-территориального деления объектов), таким образом для получения кодов ОКТМО следует пользоваться дополнительными конверторами;
• в связи с большим количеством записей в базе, при локальном использовании базы данных на мобильном устройстве процесс является весьма ресурсозатратным.

Однако применение ИНС для решения данной задачи также имеет ряд существенных недостатков:

• проблемы, возникающие при подготовке обучающей выборки, связанные со сложностью формирования достаточного количества обучающих примеров;
• проблемы, возникающие при определении характеристик нейронной сети, так как требуется экспериментально подобрать такие параметры сети, как число слоев и нейронов в них (при выборе количества слоев и нейронов в них следует исходить из того, что способности сети к обобщению тем выше, чем больше суммарное число связей между нейронами, но с другой стороны, число связей ограничено сверху количеством записей в обучающих данных[1]).

Однако, по сравнению с проектом Геокладр, использование ИНС имеет следующие преимущества:

• низкая ресурсозатратность для мобильных устройств, так как нейронная сеть настраивается и обучается заранее на более производительном устройстве;
• высокое быстродействие, обеспечивающееся за счет использования массового параллелизма обработки информации;
• может использоваться локально, при отсутствии постоянного Интернет-соединения.

В заключении статьи, можно сделать вывод, что применение искусственных нейронных сетей для определения кода ОКТМО по географическим координатам позволит не только упростить ведение региональной статистики, но и сократить время её формирования.

Список литературы:

1. Беркинблит М. Б. Нейронные сети: учеб. пособие. М.: МИРОС и ВЗМШ РАО, 1993. – 96 с.
2. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Х.: Основа, 1997. – 112 с.
3. Деятельность Росстата // GKS.RU: оф. сайт ФСГС. – 2016. – [электронный ресурс] – Режим доступа. –  URL: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/about/activities/ (дата обращения: 25.06.2016).
4. Проект Геокладр // GIS-Lab.info: сообщество специалистов в области ГИС и ДЗЗ. – 2014. – [электронный ресурс] – Режим доступа. –  URL: http://gis-lab.info/forum/viewtopic.php?f=3&t=3841 (дата обращения: 25.06.2016).