А. Майлыбаева

Современные города характеризуются высокой плотностью населения, сложной транспортной инфраструктурой, значительной концентрацией промышленных объектов и критически важных систем жизнеобеспечения. В этих условиях риск возникновения чрезвычайных ситуаций природного, техногенного и социального характера существенно возрастает. Землетрясения, наводнения, выбросы опасных веществ, крупные пожары, теракты, аварии на промышленных объектах или энергетической инфраструктуре требуют оперативной и координированной эвакуации населения. Практика показывает, что эффективность эвакуации напрямую зависит от готовности органов гражданской защиты, качества планирования, зрелости транспортной системы, осведомлённости населения и доступности достоверной информации. Важность научного анализа и моделирования процессов массового перемещения людей усиливается в условиях роста городов-миллионников, высокой мобильности населения и увеличения сложности дорожной сети. Кроме того, развитие цифровых технологий, интеграция интеллектуальных транспортных систем и средств мониторинга открывают новые возможности для оптимизации эвакуационных мероприятий. Поэтому исследование механизмов, моделей и инструментов организации эвакуации является актуальным направлением, имеющим практическое значение для обеспечения безопасности населения, минимизации потерь и повышения устойчивости городской среды к чрезвычайным ситуациям. В работе исследована возможность применения методов линейного программирования к проблеме эвакуации населения. В статье рассмотрена математическая модель эвакуации населения на основе транспортной задачи линейного программирования. Разработана формальная постановка задачи, сформулированы ограничения и целевая функция, описан алгоритм решения и программная реализация на языке Python. Показано, что применение методов оптимизации позволяет повысить эффективность планирования эвакуационных мероприятий и снизить временные и ресурсные затраты.

Современное развитие автономных морских робототехнических систем обусловлено глобальными задачами в области экологии, охраны акваторий, морской безопасности, навигации и ресурсного мониторинга. БНС активно внедряются в такие сферы, как картографирование, мониторинг загрязнений, контроль территориальных вод, научные исследования, обслуживание морской инфраструктуры и поиск-спасение. При проектировании автономных судов критически важным является наличие адекватной математической модели, обеспечивающей предсказуемость поведения платформы. Без такой модели невозможно гарантировать безопасную эксплуатацию, корректную стабилизацию курса и эффективную адаптацию к морским возмущениям. Таким образом, развитие методов моделирования динамики БНС представляет собой актуальную научно-техническую задачу. В работе рассматривается устойчивость динамики беспилотного надводного судна. Показана как на основе линеаризации возможен вывод моделей Номота первого и второго порядка. Для линеаризованной системы сформулирован критерий интервальной устойчивости, который учитывает неточность задания параметров беспилотного надводного аппарата.

Бұл жұмыста қара-ақ бейнелерді колоризациялау үшін автокодировщик үлгісін әзірлеу қарастырылады. Зерттеудің мақсаты — пейзаждармен сәулеттік көріністер мысалында түстік ақпаратты қалпына келтіру. Модель Python тілінде Keras және TensorFlow кітапханаларының көмегімен іске асырылды және Landscape color and grayscale images деректер жинағында оқытылды (14 258 бейне, оның ішінде 7129 түрлі-түсті және 7129 қара-аққа түрлендірілген). Барлық бейнелер RGB форматында 150×150 пиксель өлшеміне келтірілді. Архитектура құрамына свёрточты және dropout-қабаттарына негізделген кодировщик, сондай-ақ транспозициялық свёрткелерменде кодировщикенді. Жалпылау қабілетін арттыру үшін деректер аугментациясы қолданылды. Эксперименттер нәтижесінде валидациялық жиынтықта шамамен 82,5 % дәлдікке қолжеткізілді. Қосымша метрикалар: MSE = 0.018, PSNR ≈ 27,6 dB, SSIM ≈ 0.83. Визуалды талдау негізгі түстердің ( аспан, өсімдіктер, ғимараттар) дұрыс қалпына келтірілгенін растады, алайда күрделі көріністерде кейбір артефактілер сақталады. U-Net және GAN архитектураларымен салыстырғанда ұсынылған модель төменірек дәлдікті көрсеткенімен, қарапайымдылығымен, қайта жаңғыртылуы мен және төмен есептеу шығындарымен ерекшеленеді. Ол оқу және зерттеу мақсаттарына базалық шешім ретінде, сондай-ақ одан әрі жетілдіру үшін бастапқы нүктеретінде қолданылуы мүмкін.

Изменение климата, рост населения и увеличение антропогенного давления на природные ресурсы требуют разработки эффективных инструментов управления водными ресурсами. Гидрологический мониторинг играет ключевую роль в управлении водными ресурсами, прогнозировании паводков, оценке качества воды и обеспечении устойчивого развития регионов. Традиционные методы хранения информации о водоёмах (бумажные архивы, разрозненные электронные таблицы) не позволяют эффективно обрабатывать большие объёмы данных и обеспечивать их доступность для анализа. В этой связи создание специализированной гидрологической базы данных, интегрирующей данные о водоёмах, климатических условиях, стоке и антропогенной нагрузке, является актуальной задачей. Цель работы состоит в разработке модели и прототипа гидрологической базы данных для хранения, систематизации и анализа информации о водоёмах. В данной работе представлена гидрологическая база данных, позволяющая осуществлять мониторинг водоемов в реальном времени, получать оперативный прогноз гидрологической ситуации и способная оценивать последствия селевых прорывов. Разработанная система базируется на методах математического моделирования. Для внедрения системы в практику создано программное обеспечение на СУБД Visual FoxPro 9. Проведенные эксперименты показали, что модель достоверно отражает реальные условия и может успешно применяться в различных сценариях. Практическая значимость разработки заключается в возможности использования базы данных в научных исследованиях, государственном управлении водными ресурсами, экологическом мониторинге и образовательных целях.

The emergence of 5G networks has emerged as innovative solutions for traffic grooming and resource management in optical fronthaul networks. Traditional methods are often incapable of managing the complexity of different traffic patterns, low latencies, and high bandwidth consumption, which leads to suboptimal resource allocation and, consequently, high operating costs. The objective is to develop an innovative machine learning (ML) architecture called Intelligent Multi‐Attentive Generative Adversarial Networks (IMAGAN) for maximizing resource utilization and traffic grooming (TG) in 5G optical fronthaul networks. The suggested IMAGAN‐based architecture consists of a multi‐attentive model for identifying spatiotemporal traffic patterns combined with a generative adversarial model to provide synthetic network scenarios. The findings indicate that the IMAGAN‐based architecture enhances the performance of energy management systems in terms of resource utilization ratio, bandwidth utilization ratio, rejection ratio, MAE, and RMSE. The findings of the study offer a strong foundation for further improvements in intelligent 5G network design and management.

Весной 2010 года в Алматинской области, в 2014 году в Карагандинской области, а также в начале 2024 года в северных регионах Казахстана произошли разрушительные наводнения, сопровождавшиеся человеческими жертвами и значительным ущербом. Эти события подчеркнули необходимость создания эффективных систем мониторинга для гидротехнических сооружений. Современные системы мониторинга гидрологической ситуации на водоемах позволяют заранее выявлять потенциальные угрозы для человека и окружающей среды. Основная цель мониторинга заключается в предоставлении точных данных, необходимых для прогнозирования чрезвычайных ситуаций. Проектирование таких систем включает разработку и анализ математических моделей, способных в режиме реального времени рассчитывать объем воды, который может вместить водоем, а также предсказывать момент его заполнения и угрозы прорыва плотины. Применение таких систем способствует принятию оперативных мер по обеспечению экологической безопасности. В данной работе представлена система прогнозирования, способная оценивать последствия селевых прорывов. Разработанная система базируется на методах математического моделирования. В отличие от аналогов, предложенная модель учитывает, как параметры водоема, так и особенности русла реки. Для внедрения системы в практику создано программное обеспечение на языке Python. Проведенные эксперименты показали, что модель достоверно отражает реальные условия и может успешно применяться в различных сценариях.

This paper examines the use of convolutional neural networks (CNNs) to improve traffic sign recognition systems, precisely in non-weather conditions. An extended dataset of the German Traffic Sign Recognition Test (GTSRB), based on a new CNN model, is also used, which contains more than fifty thousand labeled images covering more than forty categories. The model presents adaptive object selection layers designed to eliminate visibility problems caused by weather factors such as rain, fog, and snow. Advanced data augmentation techniques are applied to model different weather scenarios, which increases the diversity of the training dataset. Through an analysis of theoretical and practical aspects, the study demonstrates how CNNs enhance the accuracy and efficiency of road sign detection systems in a different weather condition. This study not only examines the theoretical and practical improvements provided by CNNs for traffic sign detection in unfavorable conditions, but also verifies the effectiveness of the model through metrics such as accuracy, responsiveness, and F1 score. The results confirm the effectiveness of the model in minimizing false positives and accurately identifying traffic signs. The paper emphasizes the importance of careful dataset preparation, model optimization and improved training to enhance the performance of the detection system. This has positive implications for intelligent transportation systems, autonomous driving and road safety, indicating future progress in robust traffic sign recognition technologies.