The timely detection of psycho-emotional risks has become increasingly important due to the rapid growth of social media platforms. This study examines user-generated text as a potential source of early indicators of psychological vulnerability. The proposed NLP-based framework incorporates behavioral features to improve the interpretation of users’ psycho-emotional states. In addition to text classification, the study considers structured behavioral indicators to support psycho-emotional risk analysis. Particular attention is given to interpretability. SHAP-based techniques are applied to reveal the contribution of individual features and to provide a clearer explanation of model predictions. The evaluation was conducted on publicly available datasets containing textual data and aggregated behavioral/physiological indicators. No raw physiological streams, wearable sensor data, or biometric recordings were used. The two datasets were employed in complementary experimental settings and were not aligned at the individual-sample level; accordingly, the broader analytical perspective explored in this study should not be interpreted as a single end-to-end or fully aligned multimodal learning framework. The proposed BERT-based model with SHAP interpretability achieved an accuracy of 96.3%, an F1-score of 0.96, and a ROC–AUC score of 0.98, showing consistent improvement over baseline models, including Random Forests and Support Vector Machines.

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.

Modern urban areas are characterized by high population density, complex transportation networks, and limited road capacity, which complicate evacuation during emergencies and increase the risk of congestion, panic, and casualties. A pressing scientific and practical challenge is the development of formalized mathematical models to optimize evacuation under realistic urban constraints. This article proposes a dynamic mathematical model of population evacuation that explicitly accounts for temporal characteristics. The problem is formulated as a discrete-time transport optimization using linear programming. The model includes assembly and evacuation points, planning intervals, the number of evacuees, and the permissible capacity of evacuation points. The objective function minimizes total evacuation costs, reducing overall time or other generalized measures while satisfying all constraints. The novelty lies in integrating temporal dynamics with scenario-based modeling, with potential extensions to stochastic and intelligent decision-support systems. Numerical experiments show that the model reduces congestion peaks and improves evacuation efficiency by 20–30% compared to static models. The model can be used by civil defense agencies for developing evacuation plans, territorial safety passports, and emergency response scenarios.