Architecture of a software system for multi-model ecological risk forecasting for digital management of municipal organic waste
The article investigates the problem of designing a software system for multi-model ecological risk forecasting for digital management of municipal organic waste under conditions of increasing volumes of significant data and the need for prompt decision-making at the local level. An analysis of mode...
Збережено в:
| Дата: | 2026 |
|---|---|
| Автори: | , , , , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
PROBLEMS IN PROGRAMMING
2026
|
| Теми: | |
| Онлайн доступ: | https://pp.isofts.kiev.ua/index.php/ojs1/article/view/889 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Problems in programming |
| Завантажити файл: |  |
Репозитарії
Problems in programming| _version_ | 1863311597673381888 |
|---|---|
| author | Tryhuba, A.M. Koval, N.Ya. Tryhuba, I.L. Firman, I.R. Famuliak, V.Yu. |
| author_facet | Tryhuba, A.M. Koval, N.Ya. Tryhuba, I.L. Firman, I.R. Famuliak, V.Yu. |
| author_sort | Tryhuba, A.M. |
| baseUrl_str | https://pp.isofts.kiev.ua/index.php/ojs1/oai |
| collection | OJS |
| datestamp_date | 2026-04-23T22:26:13Z |
| description | The article investigates the problem of designing a software system for multi-model ecological risk forecasting for digital management of municipal organic waste under conditions of increasing volumes of significant data and the need for prompt decision-making at the local level. An analysis of modern approaches to ecological risk forecasting in municipal management systems has been carried out. It has been concluded that the use of individual models does not ensure sufficient stability of results under conditions of heterogeneous input data and nonlinear influence factors. The expediency of constructing a software system based on a multi-level architecture has been substantiated, including modules for data preparation, predictive analysis, model evaluation, feature interpretation, and digital decision support. A multi-model algorithm has been proposed, incorporating Random Forest, Gradient Boosting, and XGBoost, which makes it possible to automatically determine the most effective model according to the criteria MAE, RMSE, and R². A UML architecture of interaction between the classes DataManager, RiskModelEngine, BenchmarkController, and DecisionSupport has been developed. To explain the results, the permutation feature importance method has been applied, which made it possible to determine the dominance of spatial and infrastructural factors in risk formation. Experimental testing results showed that the highest accuracy is provided by the XGBoost model (MAE=0.039, RMSE=0.055, R²=0.930), confirming the effectiveness of the proposed approach.Problems in programming 2026; 1: 25-39 |
| first_indexed | 2026-04-24T01:00:14Z |
| format | Article |
| fulltext |
Архітектура програмного забезпечення
25
© А.М. Тригуба, Н.Я. Коваль, І.Л. Тригуба, І.Р. Фірман, В.Ю. Фамуляк, 2026
ISSN 1727-4907. Проблеми програмування. 2026. №1
УДК 004.94:628.4:504.064 https://doi.org/10.15407/pp2026.01.025
А. М. Тригуба, Н. Я. Коваль, І. Л. Тригуба, І. Р. Фірман, В. Ю. Фамуляк
АРХІТЕКТУРА ПРОГРАМНОЇ СИСТЕМИ БАГАТОМОДЕЛЬ-
НОГО ПРОГНОЗУВАННЯ ЕКОЛОГІЧНИХ РИЗИКІВ ДЛЯ
ЦИФРОВОГО УПРАВЛІННЯ МУНІЦИПАЛЬНИМИ
ОРГАНІЧНИМИ ВІДХОДАМИ
У статті досліджується проблема проєктування програмної системи багатомодельного прогнозування
екологічних ризиків для цифрового управління муніципальними органічними відходами в умовах зрос-
тання обсягів значущих даних і потреби оперативного ухвалення рішень на локальному рівні. Проведе-
но аналіз сучасних підходів до прогнозування екологічних ризиків у системах муніципального управ-
ління. Встановлено, що використання окремих моделей не забезпечує достатньої стійкості результатів
за умов неоднорідності вхідних даних і нелінійності факторів впливу. Обґрунтовано доцільність побу-
дови програмної системи на основі багаторівневої архітектури, яка включає модулі підготовки даних,
прогнозного аналізу, оцінювання моделей, інтерпретації ознак і підтримки цифрових управлінських
рішень. Запропоновано багатомодельний алгоритм, до складу якого включено Random Forest, Gradient
Boosting та XGBoost, що дозволяє автоматично визначати найефективнішу модель за критеріями MAE,
RMSE і R². Розроблено UML-архітектуру взаємодії класів DataManager, RiskModelEngine,
BenchmarkController і DecisionSupport. Для пояснення результатів використано метод перестановочного
оцінювання важливості ознак, що дозволило визначити домінування просторових та інфраструктурних
факторів у формуванні ризику. Результати експериментального тестування показали, що найкращу то-
чність забезпечує модель XGBoost (MAE=0.039, RMSE=0.055, R²=0.930), що підтверджує ефективність
запропонованого підходу.
Ключові слова: екологічний ризик, багатомодельне прогнозування, муніципальні органічні відходи,
машинне навчання, Random Forest, Gradient Boosting, XGBoost, UML-архітектура, permutation
importance, цифрове управління, інформаційна система, підтримка ухвалення рішень.
A.M. Tryhuba, N.Ya. Koval, I.L. Tryhuba, I.R. Firman, V.Yu. Famuliak
ARCHITECTURE OF A SOFTWARE SYSTEM FOR MULTI-
MODEL ECOLOGICAL RISK FORECASTING FOR DIGITAL
MANAGEMENT OF MUNICIPAL ORGANIC WASTE
The article investigates the problem of designing a software system for multi-model ecological risk forecasting
for digital management of municipal organic waste under conditions of increasing volumes of significant data
and the need for prompt decision-making at the local level. An analysis of modern approaches to ecological
risk forecasting in municipal management systems has been carried out. It has been concluded that the use of
individual models does not ensure sufficient stability of results under conditions of heterogeneous input data
and nonlinear influence factors. The expediency of constructing a software system based on a multi-level
architecture has been substantiated, including modules for data preparation, predictive analysis, model
evaluation, feature interpretation, and digital decision support. A multi-model algorithm has been proposed,
incorporating Random Forest, Gradient Boosting, and XGBoost, which makes it possible to automatically
determine the most effective model according to the criteria MAE, RMSE, and R². A UML architecture of
interaction between the classes DataManager, RiskModelEngine, BenchmarkController, and DecisionSupport
has been developed. To explain the results, the permutation feature importance method has been applied,
which made it possible to determine the dominance of spatial and infrastructural factors in risk formation.
Experimental testing results showed that the highest accuracy is provided by the XGBoost model
(MAE=0.039, RMSE=0.055, R²=0.930), confirming the effectiveness of the proposed approach.
Keywords: ecological risk, multi-model forecasting, municipal organic waste, machine learning, Random
Forest, Gradient Boosting, XGBoost, UML architecture, permutation importance, digital management,
information system, decision support.
https://pp.isofts.kiev.ua
CC BY 4.0
Архітектура програмного забезпечення
26
Вступ
Цифрова трансформація муніципаль-
ного управління відходами поступово пе-
реходить від рівня електронного обліку до
використання інтелектуальних систем,
здатних прогнозувати екологічні наслідки
функціонування міської інфраструктури в
умовах зростаючого антропогенного нава-
нтаження. Особливо це стосується органі-
чних відходів, які у структурі міських по-
токів формують найбільш динамічну час-
тину біологічно активної маси, що супро-
воджується утворенням метану, зміною
температурних режимів, накопиченням
фільтрату та підвищенням ризику локаль-
ного екологічного перевантаження. У та-
ких умовах управлінські рішення повинні
ґрунтуватися не лише на фактичних пока-
зниках утворення відходів, а й на прогнозі
розвитку екологічних ризиків у коротко-
та середньостроковій перспективі [1].
Формування цифрових систем уп-
равління муніципальними органічними
відходами ускладняється тим, що екологі-
чний ризик має багатофакторну природу і
виникає під впливом одночасної дії демо-
графічних, просторових, інфраструктур-
них, сезонних і технологічних чинників.
Підвищення щільності забудови, нерівно-
мірність логістичних потоків, зміна складу
органічної фракції та перевантаження пе-
реробних потужностей створюють нелі-
нійні залежності, які адекватно не опису-
ються традиційними аналітичними моде-
лями. Саме тому сучасні цифрові платфо-
рми управління відходами потребують
програмних архітектур, здатних інтегрува-
ти кілька моделей прогнозування, порів-
нювати їхню ефективність та формувати
адаптивні сценарії підтримки управлінсь-
ких рішень [2].
Складність задачі полягає також у
тому, що екологічні процеси в системах
органічного поводження з відходами хара-
ктеризуються різною швидкістю розвитку,
неоднорідністю просторового розподілу та
високою залежністю від зовнішніх факто-
рів середовища. Наприклад, збільшення
частки урбанізованої території одночасно
впливає на обсяги накопичення органічної
маси, інтенсивність транспортного наван-
таження та рівень локальних викидів, що
унеможливлює використання лише одного
прогнозного алгоритму для всіх типів те-
риторій. За таких умов багатомодельний
підхід стає не просто альтернативою, а
необхідною архітектурною основою циф-
рової системи прогнозування [3].
У сучасних умовах екологічного мо-
ніторингу особливої ваги набуває здат-
ність програмної системи працювати з різ-
норідними даними: статистичними показ-
никами, геопросторовою інформацією,
часовими рядами, результатами сенсорно-
го моніторингу та інфраструктурними ха-
рактеристиками територій. Це вимагає
багаторівневої архітектури, в якій окремі
модулі виконують функції збору, нормалі-
зації, моделювання, оцінювання та інтерп-
ретації результатів [4].
Стан предметної області
Упродовж останніх років у міжнаро-
дній практиці спостерігається активне
впровадження підходів, орієнтованих на
даних у сфері поводження з муніципаль-
ними відходами, де прогнозування вико-
нується на основі алгоритмів машинного
навчання, просторової аналітики та циф-
рових двійників міської інфраструктури
[5]. Водночас більшість досліджень орієн-
тована або на прогнозування кількості від-
ходів, або на оптимізацію маршрутів пере-
везення, тоді як екологічний ризик як інте-
гральний показник розглядається значно
рідше.
Проведений аналіз публікацій пока-
зав, що сучасні системи прогнозування
екологічного ризику використовують пе-
реважно окремі алгоритми, серед яких
найчастіше застосовуються Random Forest,
Gradient Boosting, Support Vector
Regression та XGBoost [6]. Однак у біль-
шості випадків відсутня програмна архіте-
ктура, яка дозволяє виконувати системний
бенчмаркінг моделей, автоматично оціню-
вати якість прогнозу та забезпечувати ада-
птивний вибір алгоритму залежно від
структури вхідних даних.
Виявлено, що існуючі цифрові рі-
шення не забезпечують повної інтеграції
Архітектура програмного забезпечення
27
просторових, інфраструктурних та часових
змінних у межах єдиної програмної систе-
ми. Частина платформ працює лише з таб-
личними даними, інші – лише з GIS-
компонентами, а модулі пояснюваності
моделей часто взагалі відсутні [7].
Аналіз сучасних підходів
Сучасні технології прогнозування
екологічних процесів базуються на кількох
групах методів. Першу групу становлять
класичні статистичні підходи, зокрема,
регресійні моделі та часові ряди, які до-
зволяють оцінювати середні тенденції,
однак мають обмежену здатність описува-
ти складні нелінійні взаємодії [8-10].
Другу групу формують ансамблеві
алгоритми машинного навчання, які забез-
печують кращу стійкість до шуму даних і
здатні працювати з високою розмірністю
ознак. Зокрема, Random Forest добре вияв-
ляє себе у задачах екологічного ризику
через здатність до автоматичного виявлен-
ня значущих взаємодій між змінними [11-
13].
Третя група пов’язана з використан-
ням пояснювального штучного інтелекту,
де поряд із прогнозом формується пояс-
нення впливу кожної ознаки на результат
моделі. Це особливо важливо для муніци-
пального управління, де рішення мають
бути інтерпретованими для органів місце-
вого самоврядування [14-15].
Виявлені протиріччя. Аналіз літе-
ратури дозволив виявити три основні про-
тиріччя. Перше протиріччя виникає між
багатофакторністю екологічного ризику та
використанням у більшості систем лише
одного алгоритму прогнозування. Друге
протиріччя виникає між динамічністю
екологічних процесів та статичністю існу-
ючих програмних архітектур, які не підт-
римують автоматичне оновлення моделей.
Третє протиріччя виявляється між висо-
кою точністю сучасних ансамблевих моде-
лей і недостатнім рівнем їх інтерпретова-
ності у прикладних муніципальних інфор-
маційних системах.
Мета статті полягає у розробленні
архітектури програмної системи багатомо-
дельного прогнозування екологічних ризи-
ків для цифрового управління муніципаль-
ними органічними відходами на основі
інтеграції ансамблевих методів машинного
навчання, модулів оцінювання якості про-
гнозу та засобів інтерпретації результатів.
Виклад основного матеріалу
дослідження
Формування архітектури програм-
ної системи багатомодельного прогнозу-
вання екологічних ризиків. Цей етап є
базовим. Він забезпечує побудову інтелек-
туального інструментарію, здатного забез-
печувати адаптивне аналітичне оцінюван-
ня стану екологічних систем в умовах ди-
намічної зміни зовнішнього середовища.
Особливість такої програмної системи по-
лягає у необхідності одночасного викорис-
тання кількох математичних моделей про-
гнозування, що функціонують паралельно,
забезпечуючи підвищення точності оціню-
вання ризиків за рахунок комбінування
результатів різних алгоритмічних підходів.
У сучасних інформаційних системах
екологічного аналізу архітектурна побудо-
ва має ґрунтуватися на принципі багато-
шаровості, який забезпечує незалежність
функціональних компонентів, масштабо-
ваність, можливість модифікації окремих
модулів без порушення роботи всієї сис-
теми, а також адаптацію до нових джерел
даних і нових моделей прогнозування. У
запропонованій структурі архітектури сис-
тема поділяється на чотири основні функ-
ціональні рівні: 1) рівень збору та підгото-
вки даних; 2) аналітичний рівень; 3) рівень
бізнес-логіки; 4) рівень представлення ре-
зультатів.
Перший рівень формують джерела
первинної інформації, які включають ре-
зультати сенсорного моніторингу, геопро-
сторові набори даних, статистичну еколо-
гічну інформацію, метеорологічні параме-
три, характеристики техногенного наван-
таження території, а також часові ряди
спостережень. Формально множину вхід-
них даних системи доцільно подати як:
1{( , )}N
i i iD x y == , (1)
Архітектура програмного забезпечення
28
де ix – вектор факторних ознак, що харак-
теризують екологічний стан території; iy –
цільове значення показника ризику; N –
кількість спостережень у навчальній ви-
бірці.
Перед надходженням до аналітично-
го рівня дані проходять процедури очи-
щення, нормалізації, усунення пропусків
та приведення до єдиного масштабу. Нор-
малізація ознак здійснюється за виразом:
norm i min
i
max min
x xx
x x
−
=
−
, (2)
де ix – поточне значення ознаки; minx –
мінімальне значення ознаки у вибірці;
maxx – максимальне значення ознаки у ви-
бірці.
Нормалізація ознак дозволяє забез-
печити коректність навчання різнорідних
моделей.
Другий рівень архітектури становить
аналітичне ядро системи, в якому функці-
онують незалежні програмні модулі для
прогнозування. Кожен модуль реалізує
окрему модель варіативності – нейроме-
режеву, ансамблеву, регресійну або стати-
стичну. Відповідно до принципу багато-
модельності результати окремих моделей
об’єднуються у єдиний інтегрований про-
гноз рівня екологічного ризику шляхом
агрегування виходів окремих прогнозних
модулів:
1
( ) ( )
M
k k t
k
R t w f x
=
= ,
(3)
де ( )k tf x – результат k-ої моделі прогнозу-
вання рівня екологічного ризику; kw – ва-
говий коефіцієнт моделі; M – кількість
моделей у системі.
Використання кількох моделей одно-
часно дозволяє мінімізувати похибку ок-
ремих алгоритмів та підвищити стійкість
прогнозу рівня екологічного ризику до
нестабільності даних.
У межах аналітичного рівня особли-
ву роль виконує модуль аналізу поведінко-
вої інформації, який акумулює результати
функціонування окремих моделей і вико-
нує оцінювання їхньої адаптивності до
поточних змін проєктного середовища.
Саме цей модуль забезпечує перехід від
статичної моделі прогнозування до дина-
мічної архітектури, в якій система здатна
змінювати ваги моделей залежно від пото-
чної ефективності.
Третій рівень формує бізнес-логіку
системи. Тут реалізуються правила інтерп-
ретації прогнозних результатів, порогові
значення небезпеки, механізми генерації
попереджень та сценарії ухвалення рішень.
Для цього вводиться функція ризикової
інтерпретації:
1, ( )
0, ( )
crit
crit
R t R
Z
R t R
=
,
(4)
де critR – порогове значення ризику.
Якщо прогнозований рівень ризику
перевищує порогове значення, система
формує сигнал для управлінського реагу-
вання.
Четвертий рівень архітектури забез-
печує представлення результатів користу-
вачу. Він включає інтерфейс візуалізації,
аналітичні панелі, графіки часової динамі-
ки, карти ризиків і таблиці показників.
Саме цей рівень забезпечує інтеграцію
системи з кінцевим користувачем і дозво-
ляє застосовувати результати прогнозу-
вання у практичній діяльності.
Запропонована архітектура програм-
ної системи побудована за принципом мо-
дульної декомпозиції, що дозволяє неза-
лежно розширювати кількість моделей
прогнозування без перебудови всієї систе-
ми. Кожен новий програмний модуль інте-
грується у загальну архітектуру через уні-
фікований інтерфейс передачі функціона-
льних потоків даних.
На відміну від класичних однотип-
них систем прогнозування, багатомодель-
на архітектура забезпечує одночасне вра-
хування різних закономірностей у струк-
турі екологічних даних, що особливо важ-
ливо в умовах нелінійності екологічних
процесів, сезонної варіативності та бага-
тофакторності ризиків.
Архітектура програмного забезпечення
29
Багатомодельний алгоритм про-
гнозування екологічного ризику. Основ-
ною особливістю запропонованої програ-
мної системи є реалізація багатомодельно-
го алгоритму прогнозування екологічного
ризику, який ґрунтується на паралельному
використанні кількох ансамблевих методів
машинного навчання. Такий підхід зумов-
лений тим, що екологічні ризики у систе-
мах управління муніципальними органіч-
ними відходами формуються під впливом
великої кількості неоднорідних факторів,
між якими існують складні нелінійні
зв’язки. За цих умов використання лише
одного алгоритму не завжди забезпечує
достатню стійкість прогнозу, тоді як порі-
вняльне застосування кількох моделей дає
змогу виявити ту архітектуру, яка найкра-
ще відображає структуру даних і забезпе-
чує найменшу похибку.
У межах дослідження до складу бага-
томодельного прогнозного контуру вклю-
чено три ансамблеві алгоритми: Random
Forest, Gradient Boosting та XGBoost. Їх
вибір обумовлений тим, що всі три моделі
добре працюють із багатовимірними набо-
рами даних, здатні враховувати неліній-
ність взаємозв’язків між ознаками та ці-
льовою змінною, а також демонструють
високу ефективність у задачах регресійно-
го прогнозування зі складною внутріш-
ньою структурою факторів.
У загальному вигляді множину моде-
лей, що входять до складу системи, пред-
ставлено виразом:
{ , , }RF GB XGBM M M M= , (5)
де RFM – модель Random Forest; GBM –
модель Gradient Boosting; XGBM – модель
XGBoost.
Для кожної моделі прогнозне зна-
чення інтегрального екологічного ризику
визначається залежністю:
( )ˆ ( )k
i k iy M x= , (6)
де ix – вектор ознак для i-го об’єкта спо-
стереження; kM – k-та модель із множини
M ; ( )ˆ k
iy – прогнозоване значення ризику.
Алгоритм Random Forest належить до
методів bagging і формує підсумковий
прогноз шляхом усереднення результатів
великої кількості дерев рішень, побудова-
Рис. 1. Схема архітектури програмної системи багатомодельного прогнозування
екологічних ризиків
Архітектура програмного забезпечення
30
них на випадкових підвибірках даних та
випадкових підмножинах ознак. Завдяки
цьому знижується дисперсія прогнозу, під-
вищується стійкість моделі до шуму та
зменшується ризик перенавчання. У зада-
чах екологічного прогнозування така мо-
дель є особливо корисною тоді, коли фак-
тори ризику мають складну структуру, а
частина ознак є слабоформалізованими або
корельованими між собою.
Модель Gradient Boosting реалізує
іншу логіку побудови ансамблю. На відмі-
ну від Random Forest, у цій архітектурі
дерева формуються послідовно, причому
кожне наступне дерево намагається ком-
пенсувати помилки попередніх. Такий ме-
ханізм дозволяє краще вловлювати тонкі
нелінійні закономірності у даних та забез-
печує вищу чутливість до складних лока-
льних залежностей. Водночас ця модель
потребує ретельнішого налаштування гли-
бини дерев, швидкості навчання та кілько-
сті ітерацій, оскільки надмірне підсилення
призводить до погіршення узагальнюваль-
ної здатності.
Модель XGBoost є розвитком ідеоло-
гії бустингу та поєднує високу прогности-
чну потужність із засобами регуляризації,
контролем складності дерев і ефективною
обробкою великих масивів даних. Для за-
дач прогнозування екологічного ризику ця
модель є особливо цінною, оскільки до-
зволяє не лише підвищити точність про-
гнозу, а й забезпечити гнучке врахування
складних комбінацій ознак, які формують
інтегральний показник ризику. Саме тому
XGBoost доцільно розглядати як одну з
базових архітектур у системі багатомоде-
льного прогнозування.
Оцінювання ефективності моделей
здійснюється за допомогою метрик, що
характеризують середнє відхилення про-
гнозу від фактичного значення цільової
змінної. Однією з базових метрик є серед-
ня абсолютна похибка:
1
1 ˆ
N
i i
i
MAE y y
N =
= − ,
(7)
де iy – фактичне значення інтегрального
ризику; ˆ iy – прогнозоване значення інтег-
рального ризику; N – кількість спостере-
жень.
Середньоквадратична похибка ви-
значається за формулою:
2
1
1 ˆ( )
N
i i
i
RMSE y y
N =
= − .
(8)
На відміну від MAE, ця метрика си-
льніше реагує на великі відхилення, тому є
особливо корисною у тих випадках, коли
необхідно контролювати точність прогно-
зів у сегментах підвищеного екологічного
ризику.
Для повнішого аналізу якості про-
гнозу доцільно також використовувати
коефіцієнт детермінації:
2
2 1
2
1
ˆ( )
1
( )
N
i i
i
N
i
i
y y
R
y y
=
=
−
= −
−
.
(9)
де y – середнє значення цільової змінної у
вибірці.
Метрика (9) відображає, яку частку
варіації інтегрального індексу ризику по-
яснює модель.
Багатомодельний алгоритм у межах
програмної системи реалізується як послі-
довність взаємопов’язаних операцій. Спо-
чатку підготовлений набір ознак надхо-
дить на вхід усіх трьох моделей. Далі кож-
на з них виконує незалежне навчання та
формує прогнозні значення. Після цього
розраховуються метрики якості, на підста-
ві яких виконується порівняння моделей і
визначається та архітектура, що найкраще
відображає структуру конкретних даних. У
такий спосіб система не фіксує одну “жор-
стко задану” модель, а працює в адаптив-
ному режимі вибору найефективнішого
інструмента прогнозування.
З методологічної точки зору такий
підхід є виправданим, оскільки екологіч-
ний ризик не має універсальної аналітич-
ної форми. Для одних територіальних су-
купностей кращі результати забезпечують
моделі типу bagging, для інших – boosting-
підходи. Саме тому багатомодельність у
Архітектура програмного забезпечення
31
даній роботі розглядається не як дублю-
вання алгоритмів, а як спосіб підвищення
достовірності прогнозного контуру та зме-
ншення залежності системи від структур-
них обмежень одного методу.
Таблиця 1. Порівняння моделей для прогнозування екологічних ризиків
Модель Принцип побудо-
ви Переваги Обмеження
Доцільність у зада-
чі прогнозування
екологічного ризи-
ку
Random
Forest
Bagging ансамбль
дерев рішень
Стійкість до шуму,
низька чутливість
до перенавчання,
добра робота з ве-
ликою кількістю
ознак
Менша чутли-
вість до слабких
локальних зале-
жностей
Ефективна для ста-
більного прогнозу
за неоднорідних і
частково зашумле-
них даних
Gradient
Boosting
Послідовне під-
силення дерев
Висока точність,
здатність моделю-
вати складні нелі-
нійні залежності
Чутливість до
параметрів і ри-
зик перенавчан-
ня
Доцільна для вияв-
лення складних
взаємозв’язків між
чинниками ризику
XGBoost Регуляризований
boosting
Висока прогностич-
на потужність,
швидкодія, конт-
роль складності
моделі
Вища складність
налаштування та
інтерпретації
Найбільш придатна
для побудови точ-
ного прогнозу інте-
грального індексу
ризику
Таким чином, багатомодельний алго-
ритм прогнозування екологічного ризику
формує аналітичне ядро всієї програмної
системи. Його використання дозволяє не
лише порівнювати різні ансамблеві архіте-
ктури, а й обґрунтовано обирати ту мо-
дель, яка забезпечує найкращу якість про-
гнозування для конкретної структури еко-
логічних, просторових та інфраструктур-
них даних. Саме це створює передумови
для подальшого формування адаптивної
системи цифрового управління муніципа-
льними органічними відходами на основі
надійних прогнозних оцінок.
UML-архітектура програмної вза-
ємодії модулів. Для забезпечення струк-
турованої реалізації багатомодельного
прогнозування екологічного ризику про-
грамну систему доцільно організувати за
модульним принципом, у якому окремі
функціональні блоки реалізують незалеж-
ні, але логічно пов’язані етапи обробки
даних, навчання моделей, оцінювання ре-
зультатів та формування управлінських
висновків. Такий підхід дозволяє підтри-
мувати масштабованість архітектури, роз-
ширювати систему новими аналітичними
компонентами без зміни базової логіки та
забезпечувати повторне використання ок-
ремих програмних модулів у суміжних
задачах екологічного аналізу.
У структурі програмної архітектури
центральне місце займає клас
DataManager, який відповідає за організа-
цію вхідних даних. Його функціональна
роль полягає у завантаженні даних із різ-
них джерел, приведенні їх до єдиного фо-
рмату, виконанні нормалізації, перевірці
повноти записів, формуванні навчальної та
тестової вибірок, а також підготовці маси-
Архітектура програмного забезпечення
32
вів ознак для передачі у прогнозні модулі.
Саме через цей клас реалізується первинна
взаємодія між табличними даними, гео-
просторовими характеристиками територій
та інтегральними показниками, що вико-
ристовуються в моделюванні ризику.
Після завершення підготовчого етапу
інформаційний потік передається до класу
RiskModelEngine, який реалізує ядро бага-
томодельного прогнозування. У межах
цього класу відбувається ініціалізація мо-
делей машинного навчання, їх навчання,
тестування, генерація прогнозів та збере-
ження результатів. Архітектурно цей мо-
дуль повинен забезпечувати можливість
підключення різних алгоритмів через уні-
фікований інтерфейс, що дозволяє легко
додавати нові методи без зміни загальної
логіки системи. У цьому класі формується
множина прогнозних моделей, описаних
виразом (5). Водночас кожна модель реалі-
зується як окремий внутрішній об’єкт про-
гнозного контуру.
Для порівняння результатів різних
моделей використовується клас
BenchmarkController, який виконує аналі-
тичну функцію оцінювання точності про-
гнозів. У цьому модулі обчислюються ме-
трики якості, формується ранжування мо-
делей за ефективністю, визначається мо-
дель з мінімальною похибкою та здійсню-
ється формування порівняльної таблиці
результатів. Саме цей клас забезпечує ада-
птивність системи, оскільки дозволяє ав-
томатично вибирати найкращу модель для
конкретної структури вхідних даних.
Остаточний етап програмної логіки
реалізується класом DecisionSupport, який
перетворює числовий прогноз ризику на
управлінське рішення. Його функціональ-
на роль полягає у класифікації територій за
рівнями ризику, генерації текстових реко-
мендацій, підготовці аналітичних повідом-
лень та передачі результатів у зовнішні
цифрові сервіси.
Таким чином, UML-архітектура сис-
теми відображає логіку послідовної взає-
модії між чотирма базовими класами: 1)
підготовка даних; 2) прогнозування; 3)
оцінювання; 4) підтримка управлінських
рішень. Саме така структурна декомпози-
ція забезпечує оновлення окремих частин
системи без зміни її загальної функціона-
льної логіки.
Рис. 2. UML-архітектура програмної системи
Архітектура програмного забезпечення
33
Модуль інтерпретації важливості
ознак. Однією з принципових вимог до
сучасних інтелектуальних систем прогно-
зування є не лише отримання точного ре-
зультату, а й пояснення причин, які фор-
мують конкретне прогнозне значення. У
задачах екологічного ризику це особливо
важливо, оскільки управлінські рішення
повинні спиратися на зрозумілу аналітич-
ну аргументацію. Для цього у програмній
системі реалізовано модуль інтерпретації
важливості ознак, який дозволяє оцінити
внесок кожного фактора у формування
інтегрального індексу ризику.
В межах дослідження використову-
ється підхід permutation importance, що
базується на вимірюванні зміни функції
втрат після випадкового перемішування
значень окремої ознаки:
ˆ ˆ( , ( )) ( , ( ))perm
j jPI E L y f X L y f X = −
.
(10)
де jPI – відображає важливість j-ї ознаки;
( )L – функція втрат моделі; ˆ ( )f X – базо-
вий прогноз моделі; perm
jX – набір даних із
випадково переставленими значеннями j-ю
ознаки.
Ідея цього підходу полягає в тому,
що у разі, якщо після перемішування зна-
чень конкретної змінної якість прогнозу
екологічного ризику різко погіршується,
це означає високу аналітичну значущість
відповідного фактора.
У прикладних умовах екологічного
прогнозування система часто виявляє до-
мінування просторових ознак. Це поясню-
ється тим, що територіальні параметри
безпосередньо визначають доступність
інфраструктури, логістику збору відходів,
щільність забудови, близькість до природ-
них об’єктів і транспортних коридорів.
Саме тому змінні типу площі території,
відстані до водних об’єктів, щільності за-
будови або просторової структури населе-
ного пункту часто демонструють найбіль-
ші значення permutation importance.
Водночас інфраструктурні змінні та-
кож мають високу аналітичну вагу. На-
приклад, показники інтенсивності транс-
портної доступності, наявності полігонів,
кількості логістичних вузлів чи рівня ко-
мунального забезпечення визначають по-
тенційну здатність території до ефективно-
го управління органічними потоками. У
цьому випадку високий внесок змінної
означає, що саме вона формує найбільший
вплив на зміну інтегрального ризику.
Отож, модуль інтерпретації дозволяє
перейти від “чорної скриньки” прогнозу до
аналітично поясненого механізму ухва-
лення рішень.
Формування цифрових управлін-
ських рішень. Отримане числове значен-
ня прогнозного ризику має бути перетво-
рене на форму, придатну для практичного
використання в системах муніципального
управління. Для цього у програмній сис-
темі реалізовано механізм класифікації
прогнозу за трьома рівнями ризику:
1
2
3
, 0.33
( ) , 0.33 0.66
, 0.66
C R
C x C R
C R
=
, (11)
де R – прогнозне значення інтегрального
індексу ризику.
Клас 1C відповідає низькому рівню
ризику. У цьому випадку система фіксує
стабільний стан екологічної ситуації, від-
сутність критичних тенденцій накопичен-
ня негативних факторів та достатню ефек-
тивність існуючих управлінських механіз-
мів. Клас 2C характеризує середній рівень
ризику. Такий стан означає наявність фак-
торів, які у середньостроковій перспективі
призводять до погіршення ситуації. У цьо-
му випадку система формує рекомендації
щодо посиленого моніторингу, уточнення
логістичних маршрутів, корекції графіків
вивезення відходів або підвищення часто-
ти контролю окремих зон.
Клас 3C відображає високий рівень
ризику. Для таких територій система гене-
рує рекомендації щодо пріоритетного
управлінського втручання: перегляду ін-
фраструктурної конфігурації, коригування
просторової схеми збору відходів, підси-
лення контролю критичних ділянок, зміни
сценарію управління ресурсами.
Архітектура програмного забезпечення
34
Цифрові рекомендації формуються
автоматично через набір правил, які
пов’язують клас ризику з типовими сцена-
ріями реагування. Таким чином прогноз
переходить у форму готового управлінсь-
кого інструмента.
Особливості програмної реалізації
системи. Програмна реалізація системи
виконана мовою Python, що забезпечує
високу гнучкість побудови аналітичних
модулів, широкі можливості інтеграції з
бібліотеками машинного навчання та про-
сторового аналізу.
Основним середовищем експеримен-
тальної реалізації виступає Google Colab,
що дозволяє організовувати повний цикл
дослідження без локального розгортання
серверної інфраструктури, виконувати на-
вчання моделей у хмарному середовищі та
зберігати результати експериментів у єди-
ному репозиторії.
Для табличної обробки використову-
ється бібліотека Pandas, через яку реалізу-
ються операції очищення, агрегації, нор-
малізації та трансформації ознак. Саме на
цьому рівні формується аналітичний дата-
фрейм, який далі передається у модельний
контур.
Моделі Random Forest і Gradient
Boosting реалізовані через бібліотеку
Scikit-learn, що дозволяє використовувати
стандартизовані механізми навчання, крос-
валідації, оцінювання та побудови інтерп-
ретаційних характеристик.
Для XGBoost використовується ок-
ремий пакет XGBoost, який забезпечує
ефективне регуляризоване навчання анса-
мблевих дерев та високу швидкодію у ро-
боті з багатовимірними наборами даних.
Особливістю системи є інтеграція з
GIS-даними, що реалізується через суміс-
ність із геопросторовими структурами да-
них. Це дозволяє використовувати коор-
динатні характеристики, просторові індек-
си, територіальні відстані та інфраструкту-
рні параметри як повноцінні ознаки -
моделі.
У результаті сформована програмна
система поєднує аналітичну гнучкість
Python, обчислювальні можливості ансам-
блевих алгоритмів та просторову логіку
цифрового управління, що створює основу
для масштабованого використання у зада-
чах екологічного прогнозування.
Результати експериментального
тестування системи. Експериментальне
тестування розробленої програмної систе-
ми виконувалося з метою перевірки здат-
ності багатомодельного алгоритму забез-
печувати достовірне прогнозування інтег-
рального екологічного ризику в умовах
неоднорідності просторових, інфраструк-
турних та соціально-економічних характе-
ристик територій. Основна увага приділя-
лася порівнянню точності ансамблевих
моделей, аналізу стійкості прогнозу та ви-
значенню тієї архітектури, яка найкраще
відображає закономірності формування
ризику в умовах муніципального управ-
ління органічними відходами.
Для проведення тестування сформо-
вано експериментальний масив даних, що
включав територіальні одиниці з різними
характеристиками щільності населення,
площі, транспортної доступності, близько-
сті до водних об’єктів, рівня урбанізації,
доходів населення та показників утворення
органічних відходів. Перед початком нав-
чання всі змінні були приведені до безроз-
мірної форми, а вибірка поділена на на-
вчальну та тестову частини у співвідно-
шенні 80:20. Такий підхід дозволив забез-
печити коректну перевірку узагальнюючої
здатності моделей.
На першому етапі проведено навчан-
ня трьох моделей: Random Forest, Gradient
Boosting та XGBoost. Для кожної з них
виконано однакову процедуру побудови
прогнозу, після чого здійснено оцінювання
за критеріями середньої абсолютної похи-
бки, середньоквадратичної похибки та ко-
ефіцієнта детермінації. Порівняльний ана-
ліз показав, що всі три алгоритми забезпе-
чують прийнятну якість прогнозування,
однак між ними спостерігається суттєва
різниця в точності.
У випадку моделі Random Forest
отримано стабільний результат із низькою
чутливістю до локальних коливань вибір-
ки. Середня абсолютна похибка цієї моделі
склала 0.061, середньоквадратична похиб-
ка – 0.082, а коефіцієнт детермінації ста-
новив 0.881. Такі значення свідчать про
достатньо високу узагальнювальну здат-
Архітектура програмного забезпечення
35
ність алгоритму, однак модель менш чут-
ливо відображає слабкі нелінійні залежно-
сті між окремими просторовими парамет-
рами.
Модель Gradient Boosting продемон-
струвала вищу адаптивність до складних
нелінійних залежностей. Отримане зна-
чення середньої абсолютної похибки ста-
новило 0.048, а RMSE – 0.069. Коефіцієнт
детермінації досяг 0.907, що підтверджує
кращу здатність моделі пояснювати варіа-
цію інтегрального індексу ризику порівня-
но з Random Forest.
Найвищу точність прогнозування за-
безпечила модель XGBoost. Для неї зафік-
совано мінімальне значення середньої аб-
солютної похибки 0.039MAE = та найме-
нше значення середньоквадратичної похи-
бки – 0.055RMSE = . Коефіцієнт детермі-
нації досяг рівня – 2 0.93R = .
Отримані результати свідчать про
найвищу прогностичну стійкість саме цієї
архітектури. Це пояснюється тим, що
XGBoost поєднує механізм послідовного
підсилення слабких моделей із регуляри-
зацією, яка стримує перенавчання та за-
безпечує кращу узагальнюючу здатність.
Таблиця 2. Результати експериментального тестування моделей
Модель MAE RMSE R² Узагальнена оцінка
Random Forest 0.061 0.082 0.881 Стабільний прогноз за високої неоднорідності
даних
Gradient
Boosting 0.048 0.069 0.907 Висока чутливість до нелінійних залежностей
XGBoost 0.039 0.055 0.930 Найвища точність прогнозування
Порівняння прогнозних значень із
фактичними показало, що найбільші від-
хилення виникають у територіальних оди-
ницях із комбінованим впливом просторо-
вих та інфраструктурних факторів. Саме у
цих випадках роль складних взаємодій між
ознаками найбільш виражена, а перевага
XGBoost проявляється найчіткіше.
Додатковий аналіз permutation
importance підтвердив, що найбільший
внесок у формування прогнозу мають
змінні, пов’язані з просторовою структу-
рою території. Найвищі значення важливо-
сті було зафіксовано для ознак, що харак-
теризують площу території, частку урбані-
зованої забудови, відстань до водних
об’єктів і рівень транспортної доступності.
Це свідчить про те, що геопросторові па-
раметри визначають базову архітектуру
формування екологічного ризику.
Окремо проведено аналіз поведінки
системи у процесі класифікації прогнозів
за рівнями ризику. Встановлено, що біль-
шість територій із високими значеннями
індексу ризику належать до класу 3C , де
необхідне активне управлінське втручан-
ня. Для середнього рівня ризику система
формує сценарії посиленого моніторингу,
тоді як для низького рівня ризику пропо-
нується збереження чинної організації уп-
равління.
Із технологічної точки зору тесту-
вання підтвердило стабільність програмної
реалізації у середовищі Python та відсут-
ність критичних обмежень при масштабу-
ванні набору даних. Навіть у разі збіль-
шення кількості спостережень система
зберігала стійкість виконання, а час побу-
дови прогнозу залишався прийнятним для
практичного використання.
Таким чином, результати експериме-
нтального тестування підтвердили, що за-
пропонована програмна система здатна
забезпечувати високоточне прогнозування
екологічного ризику, а багатомодельний
підхід створює аналітичну основу для ада-
птивного цифрового управління муніципа-
льними екологічними процесами.
Архітектура програмного забезпечення
36
Висновки
У роботі розроблено архітектуру
програмної системи багатомодельного
прогнозування екологічного ризику для
вирішення задачі цифрового управління
муніципальними органічними відходами.
Вона базується на інтеграції методів ма-
шинного навчання, модульної програмної
організації, механізмів інтерпретації важ-
ливості ознак та цифрової підтримки
управлінських рішень. Запропонований
підхід орієнтований на обробку неоднорі-
дних просторових, інфраструктурних і
соціально-економічних даних, що дозволяє
формувати аналітично обґрунтовані про-
гнози інтегрального екологічного ризику.
У межах дослідження сформовано
багатомодельний алгоритм прогнозування
екологічного ризику, до складу якого
включено ансамблеві методи Random
Forest, Gradient Boosting та XGBoost. Реа-
лізовано формальну схему побудови про-
гнозу екологічного ризику, в якій кожна
модель функціонує як окремий аналітич-
ний модуль, а підсумкова оцінка якості
здійснюється за критеріями MAE, RMSE
та R². Це дозволило забезпечити не лише
порівняння моделей, а й забезпечити адап-
тивний вибір тієї архітектури, яка найкра-
ще відповідає структурі конкретних даних.
Розроблено UML-архітектуру про-
грамної системи, у якій передбачена функ-
ціональна взаємодія між класами
DataManager, RiskModelEngine,
BenchmarkController та DecisionSupport,
що забезпечує повний цикл обробки – від
завантаження і нормалізації даних до фор-
мування цифрових управлінських рекоме-
ндацій. Така модульна побудова уможлив-
лює масштабування системи, підключення
нових моделей та інтеграції із зовнішніми
аналітичними сервісами.
Важливою складовою системи є мо-
дуль інтерпретації важливості ознак, реалі-
зований на основі підходу permutation
importance, що дозволяє оцінювати реаль-
ний внесок окремих факторів у формуван-
ня прогнозу. Це забезпечує пояснюваність
результатів машинного навчання та дозво-
ляє виявляти фактори, які найбільше впли-
вають на зміну екологічного ризику. В
результаті досліджень встановлено, що
найбільшу аналітичну вагу мають просто-
рові характеристики територій, показники
транспортної доступності, рівень урбані-
зації та інфраструктурні параметри.
Експериментальне тестування про-
грамної системи багатомодельного про-
гнозування екологічних ризиків підтвер-
дило високу ефективність запропонованої
архітектури. Найкращі результати проде-
монструвала модель XGBoost, для якої
отримано MAE = 0.039, RMSE = 0.055 та
R² = 0.930, що свідчить про високий рівень
узагальнювальної здатності моделі та її
придатність до використання у приклад-
них задачах цифрового екологічного уп-
равління.
Запропонований підхід дозволяє пе-
реводити числові результати прогнозуван-
ня екологічного ризику у цифрові управлі-
нські рішення шляхом автоматичного від-
несення територій до класів ризику, що
створює основу для формування рекомен-
дацій щодо організації логістики, моніто-
рингу, просторового планування та еколо-
гічного реагування на муніципальному
рівні.
Подальші дослідження доцільно про-
водити у напрямку розширення набору
моделей за рахунок нейромережевих архі-
тектур, інтеграцію потокових сенсорних
даних у реальному часі, використання гео-
інформаційних платформ для автоматич-
ного оновлення просторових ознак, а та-
кож розроблення цифрового двійника еко-
логічної системи муніципального управ-
ління органічними відходами. Перспекти-
вним напрямом також є інтеграція системи
з міськими інформаційними платформами
для підтримки стратегічного управління
сталим розвитком територій міських -
громад.
Література
1. P. Xu, H. Zheng, A multi-AI approach to
predicting municipal solid waste generation
and recycling demand in Hong Kong,
Resources, Conservation and Recycling.
2026. Vol. 225. Art. 108590. DOI:
https://doi.org/10.1016/j.resconrec.2025.1085
90
Архітектура програмного забезпечення
37
2. W. Xia, J. Chen, X. Li, Application of
machine learning algorithms in municipal
solid waste management: a review, Waste
Management & Research. 2022. Vol. 40, №
1. P. 7–19. DOI:
https://doi.org/10.1177/0734242X211033716
3. S. D. Latif, N. A. B. Hazrin, M. K. Younes,
A. N. Ahmed, A. Elshafie, Evaluating
different machine learning models for
predicting municipal solid waste generation:
A case study of Malaysia, Environment,
Development and Sustainability. 2024. Vol.
26, № 5. P. 12875–12898. DOI:
https://doi.org/10.1007/s10668-023-03882-x.
4. 4. K. Ameri, M. Hempel, H. Sharif, J. Lopez,
K. Perumalla, Design of a novel information
system for semi-automated management of
cybersecurity in industrial control systems,
ACM Transactions on Management
Information Systems. 2022. Vol. 14, № 1. P.
4–35. DOI: https://doi.org/10.1145/3546580.
5. A. Tryhuba, T. Hutsol, S. Glowacki,
European Green Deal: Justification of the
relationships between the functional
indicators of bioenergy production systems
using organic residential waste, Energies.
2024. Vol. 17, № 6. Art. 1461. DOI:
https://doi.org/10.3390/en17061461
6. A. N. Ahmed, A. F. Ghani, N. S. A. Wahid,
Comparative analysis of machine learning
algorithms for municipal waste prediction,
Science of the Total Environment. 2023. Vol.
857. Art. 159493. DOI:
https://doi.org/10.1016/j.scitotenv.2022.15949
3.
7. M. S. Islam, R. Hyder, Explainable artificial
intelligence in environmental decision systems:
limitations and future challenges,
Environmental Modelling & Software. 2024.
Vol. 176. Art. 106008. DOI:
https://doi.org/10.1016/j.envsoft.2024.106008.
8. H. Zheng, P. Xu, Statistical forecasting
approaches for municipal waste generation
under urban dynamics, Waste Management.
2022. Vol. 138. P. 1–10. DOI:
https://doi.org/10.1016/j.wasman.2021.11.018.
9. B. Liu, J. Chen, Forecasting municipal solid
waste generation using long short-term
memory neural networks, Environmental
Earth Sciences. 2024. Vol. 83. Art. 399. DOI:
https://doi.org/10.1007/s12665-024-11702-2.
10. J. Kaza, L. Yao, S. Bhada-Tata, F. Van
Woerden, What a Waste 2.0: A Global
Snapshot of Solid Waste Management to
2050. World Bank, 2023 update. Accessed:
28.01.2026. URL:
https://www.worldbank.org/en/publication/wh
at-a-waste
11. J. Chen, Y. Yang, Z. Feng, R. Huang, G.
Zhou, H. You, X. Han, Ecological Risk
Assessment and Prediction Based on Scale
Optimization - A Case Study of Nanning, a
Landscape Garden City in China, Remote
Sensing. 2023. Vol. 15, № 5. Art. 1304. DOI:
https://doi.org/10.3390/rs15051304.
12. D. Zhou, Y. Jia, N. Zhang, H. Hou, F. Wang,
Z. Wang, An ensemble machine-learning
model with online learning strategy for
building load forecasting, Applied Thermal
Engineering. 2026. Vol. 288, Part 1. Art.
129434. DOI:
https://doi.org/10.1016/j.applthermaleng.2025
.129434.
13. A. Tryhuba, T. Hutsol, S. Glowacki, V.
Tryhuba, Prediction of biogas production
volumes from household organic waste based
on machine learning, Energies. 2024. Vol. 17,
№ 7. Art. 1786. DOI:
https://doi.org/10.3390/en17071786.
14. А. М. Тригуба, О. Я. Андрушків, І. Л.
Тригуба, Циркуляційно-ціннісна модель
управління проєктами енергозабезпечення
житлових масивів, Управління розвитком
складних систем. 2025. № 64. С. 138–152.
DOI: https://doi.org/10.32347/2412-
9933.2025.64.138-152
15. А. Тригуба, Р. Шолудько, О. Андрушків, Р.
Олійник, М. Коциловський, Інтелектуальні
моделі управління інфраструктурними
проєктами розвитку громад в умовах
багаторівневих ризиків, Вісник Львівського
державного університету безпеки
життєдіяльності. 2025. № 31. С. 213–226.
DOI:
https://doi.org/10.32447/20784643.31.2025.21
References
1. P. Xu, H. Zheng, A multi-AI approach to
predicting municipal solid waste generation
and recycling demand in Hong Kong, in:
Resources, Conservation and Recycling 225
(2026) 108590. doi:
10.1016/j.resconrec.2025.108590.
2. W. Xia, J. Chen, X. Li, Application of
machine learning algorithms in municipal
solid waste management: a review, in: Waste
Management & Research 40(1) (2022) 7–19.
doi: 10.1177/0734242X211033716.
3. S. D. Latif, N. A. B. Hazrin, M. K. Younes,
A. N. Ahmed, A. Elshafie, Evaluating
different machine learning models for
predicting municipal solid waste generation: a
Архітектура програмного забезпечення
38
case study of Malaysia, in: Environment,
Development and Sustainability 26(5) (2024)
12875–12898. doi: 10.1007/s10668-023-
03882-x.
4. K. Ameri, M. Hempel, H. Sharif, J. Lopez, K.
Perumalla, Design of a novel information
system for semi-automated management of
cybersecurity in industrial control systems, in:
ACM Transactions on Management
Information Systems 14(1) (2022) 4–35. doi:
10.1145/3546580.
5. A. Tryhuba, T. Hutsol, S. Glowacki,
European Green Deal: justification of the
relationships between the functional
indicators of bioenergy production systems
using organic residential waste, in: Energies
17(6) (2024) 1461. doi: 10.3390/en17061461.
6. A. N. Ahmed, A. F. Ghani, N. S. A. Wahid,
Comparative analysis of machine learning
algorithms for municipal waste prediction, in:
Science of the Total Environment 857 (2023)
159493. doi:
10.1016/j.scitotenv.2022.159493.
7. M. S. Islam, R. Hyder, Explainable artificial
intelligence in environmental decision
systems: limitations and future challenges, in:
Environmental Modelling & Software 176
(2024) 106008. doi:
10.1016/j.envsoft.2024.106008.
8. H. Zheng, P. Xu, Statistical forecasting
approaches for municipal waste generation
under urban dynamics, in: Waste
Management 138 (2022) 1–10. doi:
10.1016/j.wasman.2021.11.018.
9. B. Liu, J. Chen, Forecasting municipal solid
waste generation using long short-term
memory neural networks, in: Environmental
Earth Sciences 83 (2024) 399. doi:
10.1007/s12665-024-11702-2.
10. J. Kaza, L. Yao, S. Bhada-Tata, F. Van
Woerden, What a Waste 2.0: A Global
Snapshot of Solid Waste Management to
2050, World Bank (2023 update). URL:
https://www.worldbank.org/en/publication/wh
at-a-waste.
11. J. Chen, Y. Yang, Z. Feng, R. Huang, G.
Zhou, H. You, X. Han, Ecological risk
assessment and prediction based on scale
optimization: a case study of Nanning, a
landscape garden city in China, in: Remote
Sensing 15(5) (2023) 1304. doi:
10.3390/rs15051304.
12. D. Zhou, Y. Jia, N. Zhang, H. Hou, F. Wang,
Z. Wang, An ensemble machine-learning
model with online learning strategy for
building load forecasting, in: Applied
Thermal Engineering 288 (2026) 129434. doi:
10.1016/j.applthermaleng.2025.129434.
13. A. Tryhuba, T. Hutsol, S. Glowacki, V.
Tryhuba, Prediction of biogas production
volumes from household organic waste based
on machine learning, in: Energies 17(7)
(2024) 1786. doi: 10.3390/en17071786.
14. A. M. Tryhuba, O. Ya. Andrushkiv, I. L.
Tryhuba, Circular-value model of
management of energy supply projects for
residential areas, in: Management of
Development of Complex Systems 64 (2025)
138–152. doi: 10.32347/2412-
9933.2025.64.138-152. [in Ukrainian]
15. A. Tryhuba, R. Sholudko, O. Andrushkiv, R.
Oliinyk, M. Kotsylovskyi, Intelligent models
of management of infrastructure development
projects of communities under multilevel
risks, in: Bulletin of Lviv State University of
Life Safety 31 (2025) 213–226. doi:
10.32447/20784643.31.2025.21. [in
Ukrainian]
Дата першого надходження до видання:
29.01.2026
Внутрішня рецензія отримана: 06.02.2026
Зовнішня рецензія отримана: 08.02.2026
Дата прийняття статті до друку: 19.03.2026
Дата публікації: 16.04.2026
Архітектура програмного забезпечення
39
Про авторів:
1Тригуба Анатолій Миколайович,
доктор технічних наук, професор,
завідувач кафедри інформаційних
технологій
1 Tryhuba Anatoliy,
Ph.D (doctor, technical sciences), professor,
head of department
https://orcid.org/0000-0001-8014-5661
2Коваль Назарій Ярославович,
доктор філософії, проректор
2 Koval Nazariy,
Ph.D, deputy president
https://orcid.org/0000-0001-7846-2924
1Тригуба Інна Леонтіївна,
кандидат сільськогосподарських наук,
доцент, завідувач кафедри генетики,
селекції та захисту рослин
1 Tryhuba Inna,
Ph.D (agricaltural sciences),
associate professor, head of department
https://orcid.org/0000-0002-5239-5951
2Фірман Ігор Романович,
здобувач кафедри інформаційних
технологій та систем електронних
комунікацій
2 Firman Igor,
Candidate for a scientific degree
https://orcid.org/0009-0005-5840-9815
1Фамуляк Володимир Юрійович,
аспірант кафедри інформаційних
технологій
1 Famuliak Volodymyr,
Post-graduate student
https://orcid.org/0009-0005-5347-9427
Місце роботи авторів:
1 Львівський національний університет
ветеринарної медицини та біотехнологій
імені Степана Ґжицького
1 Lviv National University of Veterinary
Medicine and Biotechnology named
after S. Gzhytsky
E-mail: trianamik@gmail.com,
trinle@ukr.net, vovfam@gmail.com
Сайт: https://lvet.edu.ua/
2 Львівський державний університет
безпеки життєдіяльності
2 Lviv State University of Life Safety
E-mail: kovaln870@gmail.com,
firmanigorromanovuch@gmail.com
Сайт: https://ldubgd.edu.ua
|
| id | pp_isofts_kiev_ua-article-889 |
| institution | Problems in programming |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-04-24T01:00:14Z |
| publishDate | 2026 |
| publisher | PROBLEMS IN PROGRAMMING |
| record_format | ojs |
| resource_txt_mv | ppisoftskievua/e4/3eebbc3ec1007388cffd6bf2607763e4.pdf |
| spelling | pp_isofts_kiev_ua-article-8892026-04-23T22:26:13Z Architecture of a software system for multi-model ecological risk forecasting for digital management of municipal organic waste Архітектура програмної системи багатомодельного прогнозування екологічних ризиків для цифрового управління муніципальними органічними відходами Tryhuba, A.M. Koval, N.Ya. Tryhuba, I.L. Firman, I.R. Famuliak, V.Yu. ecological risk; multi-model forecasting; municipal organic waste; machine learning; Random Forest; Gradient Boosting; XGBoost; UML architecture; permutation importance; digital management; information system; decision support UDC 004.94:628.4:504.064 екологічний ризик; багатомодельне прогнозування; муніципальні органічні відходи; машинне навчання; Random Forest; Gradient Boosting; XGBoost; UML-архітектура; permutation importance; цифрове управління; інформаційна система; підтримка ухвалення рішень УДК 004.94:628.4:504.064 The article investigates the problem of designing a software system for multi-model ecological risk forecasting for digital management of municipal organic waste under conditions of increasing volumes of significant data and the need for prompt decision-making at the local level. An analysis of modern approaches to ecological risk forecasting in municipal management systems has been carried out. It has been concluded that the use of individual models does not ensure sufficient stability of results under conditions of heterogeneous input data and nonlinear influence factors. The expediency of constructing a software system based on a multi-level architecture has been substantiated, including modules for data preparation, predictive analysis, model evaluation, feature interpretation, and digital decision support. A multi-model algorithm has been proposed, incorporating Random Forest, Gradient Boosting, and XGBoost, which makes it possible to automatically determine the most effective model according to the criteria MAE, RMSE, and R². A UML architecture of interaction between the classes DataManager, RiskModelEngine, BenchmarkController, and DecisionSupport has been developed. To explain the results, the permutation feature importance method has been applied, which made it possible to determine the dominance of spatial and infrastructural factors in risk formation. Experimental testing results showed that the highest accuracy is provided by the XGBoost model (MAE=0.039, RMSE=0.055, R²=0.930), confirming the effectiveness of the proposed approach.Problems in programming 2026; 1: 25-39 У статті досліджується проблема проєктування програмної системи багатомодельного прогнозування екологічних ризиків для цифрового управління муніципальними органічними відходами в умовах зрос тання обсягів значущих даних і потреби оперативного ухвалення рішень на локальному рівні. Проведе но аналіз сучасних підходів до прогнозування екологічних ризиків у системах муніципального управ ління. Встановлено, що використання окремих моделей не забезпечує достатньої стійкості результатів за умов неоднорідності вхідних даних і нелінійності факторів впливу. Обґрунтовано доцільність побу дови програмної системи на основі багаторівневої архітектури, яка включає модулі підготовки даних, прогнозного аналізу, оцінювання моделей, інтерпретації ознак і підтримки цифрових управлінських рішень. Запропоновано багатомодельний алгоритм, до складу якого включено Random Forest, Gradient Boosting та XGBoost, що дозволяє автоматично визначати найефективнішу модель за критеріями MAE, RMSE і R². Розроблено UML-архітектуру взаємодії класів DataManager, RiskModelEngine, BenchmarkController і DecisionSupport. Для пояснення результатів використано метод перестановочного оцінювання важливості ознак, що дозволило визначити домінування просторових та інфраструктурних факторів у формуванні ризику. Результати експериментального тестування показали, що найкращу то чність забезпечує модель XGBoost (MAE=0.039, RMSE=0.055, R²=0.930), що підтверджує ефективність запропонованого підходу.Problems in programming 2026; 1: 25-39 PROBLEMS IN PROGRAMMING ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ ПРОБЛЕМИ ПРОГРАМУВАННЯ 2026-04-23 Article Article application/pdf https://pp.isofts.kiev.ua/index.php/ojs1/article/view/889 PROBLEMS IN PROGRAMMING; No 1 (2026); 25-39 ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ; No 1 (2026); 25-39 ПРОБЛЕМИ ПРОГРАМУВАННЯ; No 1 (2026); 25-39 1727-4907 uk https://pp.isofts.kiev.ua/index.php/ojs1/article/view/889/942 Copyright (c) 2026 PROBLEMS IN PROGRAMMING |
| spellingShingle | ecological risk multi-model forecasting municipal organic waste machine learning Random Forest Gradient Boosting XGBoost UML architecture permutation importance digital management information system decision support UDC 004.94:628.4:504.064 Tryhuba, A.M. Koval, N.Ya. Tryhuba, I.L. Firman, I.R. Famuliak, V.Yu. Architecture of a software system for multi-model ecological risk forecasting for digital management of municipal organic waste |
| title | Architecture of a software system for multi-model ecological risk forecasting for digital management of municipal organic waste |
| title_alt | Архітектура програмної системи багатомодельного прогнозування екологічних ризиків для цифрового управління муніципальними органічними відходами |
| title_full | Architecture of a software system for multi-model ecological risk forecasting for digital management of municipal organic waste |
| title_fullStr | Architecture of a software system for multi-model ecological risk forecasting for digital management of municipal organic waste |
| title_full_unstemmed | Architecture of a software system for multi-model ecological risk forecasting for digital management of municipal organic waste |
| title_short | Architecture of a software system for multi-model ecological risk forecasting for digital management of municipal organic waste |
| title_sort | architecture of a software system for multi-model ecological risk forecasting for digital management of municipal organic waste |
| topic | ecological risk multi-model forecasting municipal organic waste machine learning Random Forest Gradient Boosting XGBoost UML architecture permutation importance digital management information system decision support UDC 004.94:628.4:504.064 |
| topic_facet | ecological risk multi-model forecasting municipal organic waste machine learning Random Forest Gradient Boosting XGBoost UML architecture permutation importance digital management information system decision support UDC 004.94:628.4:504.064 екологічний ризик багатомодельне прогнозування муніципальні органічні відходи машинне навчання Random Forest Gradient Boosting XGBoost UML-архітектура permutation importance цифрове управління інформаційна система підтримка ухвалення рішень УДК 004.94:628.4:504.064 |
| url | https://pp.isofts.kiev.ua/index.php/ojs1/article/view/889 |
| work_keys_str_mv | AT tryhubaam architectureofasoftwaresystemformultimodelecologicalriskforecastingfordigitalmanagementofmunicipalorganicwaste AT kovalnya architectureofasoftwaresystemformultimodelecologicalriskforecastingfordigitalmanagementofmunicipalorganicwaste AT tryhubail architectureofasoftwaresystemformultimodelecologicalriskforecastingfordigitalmanagementofmunicipalorganicwaste AT firmanir architectureofasoftwaresystemformultimodelecologicalriskforecastingfordigitalmanagementofmunicipalorganicwaste AT famuliakvyu architectureofasoftwaresystemformultimodelecologicalriskforecastingfordigitalmanagementofmunicipalorganicwaste AT tryhubaam arhítekturaprogramnoísistemibagatomodelʹnogoprognozuvannâekologíčnihrizikívdlâcifrovogoupravlínnâmunícipalʹnimiorganíčnimivídhodami AT kovalnya arhítekturaprogramnoísistemibagatomodelʹnogoprognozuvannâekologíčnihrizikívdlâcifrovogoupravlínnâmunícipalʹnimiorganíčnimivídhodami AT tryhubail arhítekturaprogramnoísistemibagatomodelʹnogoprognozuvannâekologíčnihrizikívdlâcifrovogoupravlínnâmunícipalʹnimiorganíčnimivídhodami AT firmanir arhítekturaprogramnoísistemibagatomodelʹnogoprognozuvannâekologíčnihrizikívdlâcifrovogoupravlínnâmunícipalʹnimiorganíčnimivídhodami AT famuliakvyu arhítekturaprogramnoísistemibagatomodelʹnogoprognozuvannâekologíčnihrizikívdlâcifrovogoupravlínnâmunícipalʹnimiorganíčnimivídhodami |