[論文レビュー] Firebird: Predicting Fire Risk and Prioritizing Fire Inspections in Atlanta

Michael Madaio, Shang-Tse Chen+6 more|arXiv (Cornell University)|Feb 29, 2016

Fire effects on ecosystems参考文献 8被引用数 6

ひとこと要約

Firebird は、機械学習と地理空間可視化を活用して火災リスクを予測し、アトランタの商業施設点検の優先順位をつけるデータ駆動型フレームワークです。8つのデータセットを統合することで、6,096件の新たな高リスク物件を同定し、火災予測の真正陽性率が71.36％に達し、点検の効率性と安全性が顕著に向上しました。

ABSTRACT

The Atlanta Fire Rescue Department (AFRD), like many municipal fire departments, actively works to reduce fire risk by inspecting commercial properties for potential hazards and fire code violations. However, AFRD's fire inspection practices relied on tradition and intuition, with no existing data-driven process for prioritizing fire inspections or identifying new properties requiring inspection. In collaboration with AFRD, we developed the Firebird framework to help municipal fire departments identify and prioritize commercial property fire inspections, using machine learning, geocoding, and information visualization. Firebird computes fire risk scores for over 5,000 buildings in the city, with true positive rates of up to 71% in predicting fires. It has identified 6,096 new potential commercial properties to inspect, based on AFRD's criteria for inspection. Furthermore, through an interactive map, Firebird integrates and visualizes fire incidents, property information and risk scores to help AFRD make informed decisions about fire inspections. Firebird has already begun to make positive impact at both local and national levels. It is improving AFRD's inspection processes and Atlanta residents' safety, and was highlighted by National Fire Protection Association (NFPA) as a best practice for using data to inform fire inspections.

研究の動機と目的

• アトランタ消防局（AFRD）の商業施設点検プロセスにおいて、データ駆動型の優先順位付けが不足している問題に対処する。
• 統合された政府機関および民間のデータソースを活用して、これまで点検が行われていなかった商業施設を同定する。
• 火災リスクに応じて施設をランク付けする予測モデルを開発し、限られた点検リソースを効率的に配分できるようにする。
• AFRDの意思決定および運用計画を支援するためのインタラクティブな可視化ツールを構築する。
• 他の都市において同様のデータ課題を抱える地域に適用可能なスケーラブルな市町村火災リスク予測モデルを示す。

提案手法

• 建築許可、火災事故報告、不動産評価、ジオコーディングデータを含む8つの多様なデータセットを統合し、分析用の統一データセットを構築した。
• 建築物およびパーセルレベルの特徴量を用いて火災リスクを予測するため、教師あり機械学習モデル（特にサポートベクターマシン（SVM）およびランダムフォレスト）を適用した。
• ジオコーディングおよびデータマッチング技術を用いて、異なるデータソース間の不整合を解消し、レコードをリンクした。
• モデルの出力に基づき、5,022件の物件（うち1,975件は既に点検済み、3,047件は点検可能とされる可能性がある）に対して火災リスクスコアを算出。
• 火災事故、物件の詳細、リスクスコアをリアルタイムで可視化するためのインタラクティブなウェブマップを開発。
• 真正陽性率（TPR）および偽陽性率（FPR）を用いてモデルの性能を検証し、FPRが20％の条件下でTPRが71.36％に達した。

実験結果

リサーチクエスチョン

• RQ1 市町村の消防局は、利用可能なデータソースを活用して、これまで点検が行われていなかった商業施設をどのように同定できるか？
• RQ2 静的建築物およびパーセルレベルの特徴量を用いて、どのような機械学習モデルが商業建築物の火災リスクを効果的に予測できるか？
• RQ3 予測モデリングは、リソース制約下での火災点検の優先順位付けをどの程度改善できるか？
• RQ4 インタラクティブな可視化ツールは、火災点検担当者および部門のリーダーの意思決定をどのように向上させられるか？
• RQ5 建物のサイズ、価値、部屋数といった建物の特徴は、火災リスクを予測する上でどのような役割を果たすか？

主な発見

• Firebird は、AFRDの基準に基づき、点検がまだ行われていない6,096件の商業施設を同定し、点検の対象範囲を顕著に拡大した。
• 予測モデルは、火災が発生した物件を真正陽性で71.36％の割合で特定し、偽陽性率は20％であった。
• ランダムフォレストモデルにおいて、建物のサイズ、部屋数、不動産価値が最も予測力の高い特徴量であった。
• ロジスティック回帰モデルは、特定の地域や不動産所有者が、顕著に高いまたは低い火災発生率と関連していることを示した。
• フレームワークにより、5,022件の物件（うち1,975件は既に点検済、3,047件は点検可能とされる）に対してリスクスコアが算出され、そのうち454件が中程度または高リスクと分類された。
• インタラクティブマップの統合により、AFRDは点検優先順位、火災事故、リスクスコアを可視化でき、データに基づいた運用計画が可能になった。