人工智能如何帮助预测火灾风险

匹兹堡消防局(PBF)的负责人和检查员一眼就能看清仪表板和交互式地图，可以看到城市中哪些建筑物发生火灾的风险最高，并相应地对安全检查进行了优先排序。

卡内基梅隆大学的一个团队开发了火灾风险分析模型，该模型使用机器学习来预测给定财产发生火灾的可能性。CMU模型于2018年2月实施，并在六个月后进行了重新评估，发现在六个月的时间里，发生了约45起火灾事故，其中三分之一发生在该模型被列为高风险的建筑物中。

CMU人机交互研究所的研究生研究助理Michael Madaio说：“这告诉我们和消防检查人员的是，他们应该使用这组高风险属性来告知他们正在检查的地方。”该项目。

消防队长和检查员获得了检查房屋是否遵守安全法规的数据。他们还拥有着火数据以及发生事故的地点，“但他们并不十分清楚自己是否针对的是最需要检查的房屋。”他说。为了建立模型，Madaio通过局与大学Metro21智慧城市研究所之间的谅解备忘录，从PBF和其他城市机构获得的大约15,000座商业建筑物的火灾和财产评估的八年历史数据开始。充当智慧城市项目的实验室。他还与匹兹堡的创新与绩效部门合作，该部门负责协调各机构之间的数据共享。

接下来，他和团队确定了哪个数据集对预测最有用，并努力以一致的格式获取数据。例如，一些城市机构使用街道地址来识别物业，而其他城市机构则使用地块，因此他合并并调整了数据以使其与地址一起使用，因为这就是PBF用于事件报告的原因。

一旦数据成为可用格式，他就转向机器学习-尤其是监督学习。他将价值6到7年的数据作为训练数据输入到模型中，从中了解到哪些属性与要预测的事件相关联。他使用第八年的数据来测试系统如何识别特定地址在特定时间范围内(例如在接下来的6到12个月内)发生火灾的可能性。

“从分析中我们可以得出，哪些功能总体上最具预测性，” Madaio说。“模型无法针对特定属性说出哪个属性或哪些特征最具预测性。”

该模型生成事件发生的可能性，范围为1到10，并将结果集成到该城市现有的开放数据平台Burgh's Eye View中。

“这是一个交互式地图仪表板。各种城市机构已经将其用于监视311呼叫或其他警报和城市数据。那是消防部门已经在使用的东西，因此我们将这些财产风险评分集成到了现有的交互式地图中，”他说。

酋长和检查员可以根据物业使用情况(例如高层公寓或医院)在地图上过滤结果。当他们缩小地图时，地图将高风险属性与数字聚在一起，因此用户一眼就能看到特定邻域具有35种高风险属性。这样，如果检查员在一栋大楼内，他们便可以检查地图以查看附近是否有高风险物业并在旁边晃荡。

同样，仪表板还允许用户按属性类型，邻里和火灾区域进行过滤。

火灾风险预测模型当前已部署到PBF的服务器上，每周都会在该服务器上重新运行，并根据最新的火灾和财产数据生成新的风险评分。

Madaio说：“我们不想取代检查人员的决策。”“这应该只是他们工具箱中的另一个工具。”

Metro21执行董事Karen Lightman说：“这是开放数据源与内部文档的结合。”她说：“通常，事情可能会以Excel电子表格或PDF的形式粘贴在某人的笔记本电脑上。”“这是一个简单的例子，很好的例子。...[Madaio]花时间研究了这个问题，并找到了优化和提高效率的方法。”

在成为博士学位之前，Madaio在亚特兰大消防局开始了火灾风险分析工作。CMU的候选人。根据一份报告，他帮助创建了Firebird框架，这是一个类似的模型，可计算约5,000座建筑物的火灾风险评分，真实阳性率高达71%。