Перед началом использования, в систему необходимо импортировать все необходимые данные – точки жилых домов и объектов инфраструктуры, связь объектов теплоснабжения друг с другом, факты случившихся в жилых домах аварий разных типов, показания счетчиков ОДПУ (общедомовой прибор учета).

При промышленном использовании системы все данные должны быть загружены заранее, а данные, требующие частого обновления (факты аварий и показания счетчиков ОДПУ), должны передаваться в систему автоматически посредством интеграций с соответствующими информационными системами ЖКХ.

После попадания в систему данных о фактах аварий формируется обучающая выборка, состоящая из фактов возникновения аварии определенного типа в определенных жилых домах в конкретные даты и фактов отсутствия аварий. Также формируются множество признаков для модели, среди которых тип стен, год постройки, этажность, данные по капитальному ремонту разных частей системы водопровода жилых домов и др. (всего около 50 признаков), погодные условия. При построении модели решается задача бинарной классификации – модель определяет склонность каждого жилого дома к разным типам аварий (например, течь в трубе в квартире или подъезде, отсутствие отопления и др.). Результат прогнозной склонности жилых домов выводится на карту с возможностью использования множества фильтров.

После попадания в систему показаний счетчиков ОДПУ показания по давлению и температуре воды в трубе на входе в дом сравниваются с нормативными. При отклонениях от нормативов фиксируется факт аварии на источнике – тепловом пункте. Далее, аналогично с фактами аварий в жилых домах строится ML-модель, определяющая склонность теплового пункта к аварии.

При прогнозировании мы используем сложные модели, позволяющие интерпретировать склонность к аварийности понятным для пользователя образом – прогноз можно разложить на вклады всех задействованных в модели факторов и лучше понять, какие именно факторы оказываются наиболее значимыми.

В системе возможно создание симуляции уже возникшей аварии на тепловом пункте для оценки количества потребителей (жилых домов и объектов социально-экономического назначения), оказавшихся в зоне аварии и скорости их остывания, для формирования оптимальной очередности реагирования и исправления аварийной ситуации.

Функционал системы Heat emergency на основе анализа данных и методов машинного обучения позволяет улучшить контроль над городской системой теплоснабжения, улучшить понимание закономерностей в возникновении аварийных ситуаций, их профилактику и предотвращение.