В работе разработан и апробирован комплексный метод построения адаптивной цепи Маркова для прогнозирования риска аварийных состояний системы. Предложенная архитектура легко масштабируется и может быть перенесена на другие предметные области, где доступны дискретные состояния и временные ряды инцидентов. выбор стартовых параметров для адаптивной настройки (они были получены на основе эмпирических формул, но могут требовать дополнительной калибровки); влияние разреженности данных для редких состояний – несмотря на высокое покрытие, некоторые состояния могут иметь мало переходов, что снижает надёжность оценок; необходимость периодического пересмотра целевой доли инцидентов (0.15) в зависимости от требований бизнеса. Основные результаты: Реализовано пакетное обучение на исторических данных с имитацией потокового режима. Введён механизм адаптивного забывания с динамическим коэффициентом, зависящим от времени с последнего инцидента и стабильности вероятностей. Разработана итеративная процедура коррекции множества критических состояний и подбора горизонта прогноза, обеспечивающая целевую долю инцидентов. Экспериментально подтверждена калибровка прогнозов (Brier ≈0.1, ECE ≈0.06) и достигнут высокий рейтинг достоверности (4/5) на реальных данных.
