Проектирование динамической экспертной системы по анализу влияния климатических воздействий на малые и средние предприятия

Растущая нестабильность климата создает новые вызовы и риски для устойчивости малых и средних предприятий. В работе предложена архитектура прототипа динамической экспертной системы, интегрирующей несколько ключевых модулей: пользовательский интерфейс, базу знаний, серверное приложение и модуль динамического обновления данных с API-интерфейсами реального времени. Особенностью системы является применение аппарата Z⁺-чисел, реализованного на основе программной библиотеки scikit-fuzzy, что позволяет учитывать градуированную уверенность в оценках. Этот подход дает более обоснованные и адаптивные оценки рисков, чувствительные к изменению качества исходных данных. Интерактивная визуализация результатов реализована на основе картографической платформы OpenStreetMap. Приведены примеры агрегации экспертных оценок в формате Z-чисел, а также описана методика адаптации функций уверенности системы на основе исторических данных.

Z-числа, нечеткая логика, экспертная система, неопределенность, климатические риски, малые и средние предприятия, визуализация данных, принятие решений

1. Zadeh L.A. A Note on Z-numbers // Information Sciences. 2011. Vol. 181. P. 2923–2932.

2. Aliev R.A., Alizadeh A.V., Huseynov O.H. The arithmetic of discrete Z-numbers // Information Sciences. 2015. Vol. 290. P. 134–155.

3. Zeinalova L.M. Choquet aggregation based decision making under Z-information // ICTACT Journal on Soft Computing. 2014. Vol. 4, № 4. P. 819–824.

4. Burnashev R.A., Sergeev Y.V., Nazipova A.F. Metody granulyatsii nechetkikh vremennykh ryadov dlya analiza dannykh // Ontologiya proektirovaniya. 2025. T. 15, No. 3(57). P. 404-417. https://doi.org/10.18287/2223-9537-2025-15-3-404-417.

5. Enikeeva A.I., Burnashev R.A., Farahov R.R. Development of an Expert System Based on Fuzzy Logic for Pneumonia Diagnostics // Automatic Documentation and Mathematical Linguistics. 2024. Vol. 58, No. S4. P. S202–S215. https://doi.org/10.3103/S000510552470027X.

6. Enikeev A.I., Burnashev R.A., Vakhitov G.Z. Software tools and techniques for the expert systems building // Advances in Intelligent Systems and Computing. 2020. Vol. 1041. P. 191-199. https://doi.org/10.1007/978-981-15-0637-6_16

7. Poleshchuk O.M., Poyarkov N.G., Tumor S.V. Prinyatiye resheniy na osnove bayesovskogo podkhoda i Z-chisel // Lesnoy vestnik. 2019. T. 23, No. 4. S. 112–116. https://doi.org/10.18698/2542-1468-2019-4-112-116.

8. Poleshchuk O.M., Chernova T.V. Z - chisla i ikh novyye vozmozhnosti dlya modelirovaniya real'nogo mira // Sovremennyye problemy fiziko-matematicheskogo obrazovaniya: sbornik materialov VI Mezhdunarodnoy zaochnoy nauchno-prakticheskoy konferentsii, Orekhovo-Zuyevo, 12–13 dekabrya 2016 goda / Gosudarstvennyy gumanitarno-tekhnologicheskiy universitet. Orekhovo-Zuyevo: Gosudarstvennyy gumanitarno-tekhnologicheskiy universitet, 2016. P. 33–35.

9. Kostikova A.V., Tereliansky P.V., Shuvaev A.V. [i dr.] Expert Fuzzy Modeling of Dynamic Properties of Complex Systems // ARPN Journal of Engineering and Applied Sciences. 2016. Vol. 11, No. 17. P. 10601–10608.

10. Mozgachev A.V., Rybina G.V., Shantser D.I., Blokhin Y.M. Dinamicheskiye intellektual'nyye sistemy na osnove integrirovannykh ekspertnykh sistem // Pribory i sistemy. Upravleniye, kontrol', diagnostika. 2012. No. 5. S. 13–20.

11. Titov N.A., Makrushin S.V. Tekhnologiya sozdaniya domennoy bazy znaniy vopros-otvetnoy sistemy na osnove krupnomasshtabnoy universal'noy bazy znaniy // Computational Nanotechnology. 2022. V. 9, № 1. P. 115–124. https://doi.org/10.33693/2313-223X-2022-9-1-115-124.

12. Davydenko I.T. Semantic models, method and tools of knowledge bases coordinated development based on reusable components // Otkrytyye semanticheskiye tekhnologii proektirovaniya intellektual'nykh sistem. 2018. No. 8. P. 99–119.

13. Bochkarev A.M. Effektivnost' ispol'zovaniya informatsionnykh platform razrabotki klient-servernykh prilozheniy dlya informatsionnykh sistem promyshlennykh predpriyatiy // Finansovyy biznes. 2021. № 4(214). P. 17–19.

14. Grinyuk D.A., Sukhorukova I.G., Oliferovich N.M. Ispol'zovaniye algoritmov approksimatsii dlya sglazhivaniya trendov izmeritel'nykh preobrazovateley // Trudy BGТU. Seriya 3: Fiziko-matematicheskiye nauki i informatika. 2017. № 2(200). P. 82–87.

15. Bi L., Cao W., Hu W., Wu M. A Dynamic-Attention-Based Heuristic Fuzzy Expert System for the Tuning of Microwave Cavity Filters // IEEE Transactions on Fuzzy Systems. 2022. Vol. 30, No. 9. P. 3695–3707. https://doi.org/10.1109/tfuzz.2021.3124643.

16. Livio J., Hodhod R. AI Cupper: A Fuzzy Expert System for Sensorial Evaluation of Coffee Bean Attributes to Derive Quality Scoring. IEEE Transactions on Fuzzy Systems.2018. Vol. 26 (6). P. 3418–3427. https://doi.org/10.1109/TFUZZ.2018.2832611.

17. Samanta S., Pratama M., Sundaram S. Bayesian Neuro-Fuzzy Inference System for Temporal Dependence Estimation. IEEE Transactions on Fuzzy Systems. 2021. Vol. 29 (9). P. 2479–2490. https://doi.org/10.1109/TFUZZ.2020.3001667.

18. Giiven M.K., Passino K.M. Avoiding exponential parameter growth in fuzzy systems. IEEE Transactions on Fuzzy Systems. 2001. Vol. 9 (1). P. 194–199 https://doi.org/10.1109/91.917125.