Análisis de riesgo de incendio que predice el riesgo de incendio para priorizar las inspecciones de incendios de propiedades comerciales – metro21 smart cities institute – Carnegie Mellon University qué es bitcoin

El riesgo de incendio Análisis El proyecto utiliza datos de incidentes y propiedades de incendios para desarrollar modelos predictivos de riesgo estructural de incendios en asociación con la Oficina de Bomberos de Pittsburgh (PBF) y el Departamento de Innovación y Desempeño (I&PAG). PBF conduce regularmente inspecciones de incendios de propiedades comerciales, según lo estipulado por el código municipal de incendios. Este proyecto ayuda a PBF a priorizar sus inspecciones de propiedad con información basada en datos de los análisis de riesgo de incendio de modelos de aprendizaje automático, implementados en un tablero de datos y visualización de mapas interactivos, para dirigir sus inspecciones a las propiedades con mayor riesgo de incendio.

ESTADO: Nuestro equipo ha desarrollado e implementado un modelo estadístico usando “aprendizaje automático” para predecir la estructura riesgo de incendio en propiedades alrededor de Pittsburgh. Desarrollamos (o “entrenamos”) el modelo usando datos de incendios históricos de PBF, datos de inspección de propiedades del Departamento de Permisos, Licencias e Inspecciones, y datos de evaluación de propiedad de la oficina de evaluación de propiedades del Condado de Allegheny. Evaluamos varios tipos de modelos (por ejemplo, bosques aleatorios, SVM, XGBoost) y afinamos estos modelos para encontrar el modelo de mejor rendimiento y generar puntajes de riesgo para cada uno propiedad comercial en la ciudad, como una función de su probabilidad de que ocurra un incendio en esa dirección. los puntajes de riesgo generados por el modelo se muestran en un tablero de datos y un mapa interactivo desarrollado por el Departamento de Innovación y Desempeño. Estas herramientas son utilizadas por los inspectores de incendios y los jefes de bomberos para informar a la Oficina de Incendio de la priorización de las inspecciones de incendios de la propiedad, para que puedan inspeccionar las propiedades con mayor riesgo de incendio.

El modelo se implementa actualmente en sus servidores y se readapta periódicamente, a medida que se generan nuevos datos. En los meses transcurridos desde que se formó el primer modelo y se generaron puntajes de riesgo, 14 de los 45 (31%) incidentes de incendios relacionados con la construcción (no todos ellos son “incendios operativos”) ocurrieron en una de las propiedades de mediano o alto riesgo, significativamente más alta que la tasa base de 0.20% para incidentes de incendios en la ciudad. Actualmente estamos monitoreando la estabilidad del rendimiento del modelo a lo largo del tiempo y llevando a cabo experimentos usando modelos de “redes neuronales” para capturar mejor algunas de las dinámicas temporales de eventos incidentes en la ciudad. Hemos encontrado que el modelo se ha mantenido bastante estable durante los 6 meses desde su implementación oficial en febrero de 2018, con desviaciones estándar de nuestras métricas de rendimiento clave inferiores a 0,01, en las 16 iteraciones del modelo desde febrero.

Nuestro trabajo futuro incluye la incorporación de nuevos conjuntos de datos, la experimentación con tipos de modelos adicionales (por ejemplo, redes neuronales recurrentes, aprendizaje reforzado y / o “aprendizaje activo”), y la ampliación de este enfoque para predecir riesgo de incendio en propiedades residenciales en el nivel del bloque del censo. Nuestro equipo también está trabajando para que el modelo sea más fácil de usar por las agencias de bomberos de otras ciudades.

Este trabajo fue aceptado recientemente en la conferencia KDD: Singh, B., Hu, Q., Chen, J., Chen, F., Lee, J., Kuo, N., Narang, P., Batts, J., Arnold, G., Madaio, M. (2018). Una tubería dinámica para la predicción de riesgo de fuego espacio-temporal. En Actas de la conferencia ACM SIGKDD 2018 sobre descubrimiento de conocimiento y minería de datos (KDD) (en prensa). [pre-print pdf]

banner