[논문 리뷰] Firebird: Predicting Fire Risk and Prioritizing Fire Inspections in Atlanta

Michael Madaio, Shang-Tse Chen외 6명|arXiv (Cornell University)|2016. 02. 29.

Fire effects on ecosystems참고 문헌 8인용 수 6

한 줄 요약

Firebird는 기계학습과 지리공간 시각화를 활용해 화재 위험을 예측하고 애틀랜타의 상업용 부동산 점검을 우선순위화하는 데이터 기반 프레임워크입니다. 8개의 데이터셋을 통합하여 기존에 점검되지 않은 6,096개의 고위험 부동산을 식별하고, 화재 예측에서 71.36%의 참 양성률을 기록하여 점검 효율성과 안전성을 크게 향상시켰습니다.

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.

연구 동기 및 목표

• 애틀랜타 소방구조국(Atlanta Fire Rescue Department, AFRD)의 상업용 부동산 점검 과정에서 데이터 기반 우선순위 설정의 부족을 해결하기 위해.
• 통합된 정부 및 민간 데이터 소스를 활용해 기존에 점검되지 않은 상업용 부동산을 식별하기 위해.
• 화재 위험에 따라 부동산을 순위 매겨 제한된 점검 자원을 효율적으로 배분할 수 있는 예측 모델을 개발하기 위해.
• AFRD의 의사결정 및 운영 계획 지원을 위한 상호작용 가능한 시각화 도구를 구축하기 위해.
• 유사한 데이터 과제를 안고 있는 다른 도시에 적용 가능한 확장 가능한 모델을 시범적으로 구현하기 위해.

제안 방법

• 건물 허가, 화재 사고 보고서, 부동산 평가, 지오코딩 데이터를 포함한 8개의 다양한 데이터셋을 분석을 위한 통합 데이터셋으로 통합했습니다.
• 건물 및 편도 수준의 특성에 기반해 화재 위험을 예측하기 위해 지도 학습 모델인 서포트 벡터 머신(Support Vector Machines, SVM)과 랜덤 포레스트를 적용했습니다.
• 일관성 없는 데이터를 해결하고 이질적인 데이터 소스 간의 기록을 연결하기 위해 지오코딩 및 데이터 매칭 기법을 사용했습니다.
• 모델 출력 결과를 바탕으로 5,022개의 부동산(현재 점검된 1,975개와 점검 가능할 만한 3,047개 포함)에 대해 화재 위험 점수를 생성했습니다.
• 실시간 의사결정 지원을 위해 화재 사고, 부동산 정보 및 위험 점수를 시각화할 수 있는 상호작용 가능한 웹 기반 지도를 개발했습니다.
• 참 양성률(TPR)과 위양성률(FPR)을 사용해 모델 성능을 검증하였으며, FPR이 20%일 때 TPR이 71.36%에 도달했습니다.

실험 결과

연구 질문

• RQ1 도시 소방국은 가용한 데이터 소스를 활용해 기존에 점검되지 않은 상업용 부동산을 어떻게 식별할 수 있는가?
• RQ2 정적 건물 및 편도 수준의 특성을 활용해 상업용 건물의 화재 위험을 효과적으로 예측할 수 있는 기계학습 모델은 무엇인가?
• RQ3 자원 제약 하에서 예측 모델링이 화재 점검 우선순위 설정에 얼마나 기여할 수 있는가?
• RQ4 상호작용 가능한 시각화 도구는 화재 점검 담당자 및 부서 지도자들의 의사결정을 어떻게 향상시킬 수 있는가?
• RQ5 크기, 가치, 단위 수와 같은 건물 특성은 화재 위험 예측에 어떤 역할을 하는가?

주요 결과

• Firebird는 AFRD의 기준에 따라 기존에 점검되지 않은 6,096개의 상업용 부동산을 식별하여 점검 대상 범위를 크게 확장했습니다.
• 예측 모델은 이후 화재를 겪은 부동산을 71.36%의 참 양성률로 식별했으며, 위양성률은 20%였습니다.
• 랜덤 포레스트 모델에서 건물 크기, 단위 수, 부동산 가치가 화재 위험 예측에 가장 유의미한 특성으로 나타났습니다.
• 로지스틱 회귀 모델은 일부 지역과 부동산 소유주가 상당히 높거나 낮은 화재 발생률을 보이는 것으로 드러났습니다.
• 이 프레임워크는 총 5,022개 부동산(현재 점검된 1,975개 및 잠재적으로 점검 가능한 3,047개 포함)에 대해 위험 점수를 부여했으며, 이 중 454개는 중간 또는 높은 위험으로 분류되었습니다.
• 상호작용 가능한 지도 통합을 통해 AFRD는 점검 우선순위, 화재 사고 및 위험 점수를 시각화할 수 있었으며, 이는 데이터 기반 운영 계획 수립을 지원했습니다.