[论文解读] 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 6

一句话总结

Firebird 是一个数据驱动的框架，利用机器学习和地理空间可视化技术预测火灾风险，并优先对亚特兰大地区的商业物业进行检查。通过整合8个数据集，该框架识别出6,096处新的高风险物业，火灾预测的真正例率高达71.36%，显著提升了检查效率与安全性。

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.

研究动机与目标

• 解决亚特兰大消防救援局（AFRD）在商业物业检查流程中缺乏数据驱动优先级划分的问题。
• 利用整合的政府与商业数据源，识别此前未被检查的商业物业。
• 开发预测模型，根据火灾风险对物业进行排序，从而实现有限检查资源的高效分配。
• 开发交互式可视化工具，支持AFRD的决策制定与运营规划。
• 展示一种可扩展的市政火灾风险预测模型，适用于其他面临类似数据挑战的城市。

提出的方法

• 将8个多样化数据集——包括建筑许可、火灾事件报告、物业评估和地理编码数据——整合为统一数据集以供分析。
• 应用监督式机器学习模型，特别是支持向量机（SVM）和随机森林，基于建筑与地块层面的特征预测火灾风险。
• 使用地理编码和数据匹配技术解决数据源之间的不一致问题，并实现跨异构数据源的记录关联。
• 基于模型输出，为5,022个物业（包括1,975个当前已检查的物业和3,047个潜在可检查的物业）生成火灾风险评分。
• 开发基于网络的交互式地图，可视化火灾事件、物业详情与风险评分，实现实时决策支持。
• 通过真正例率（TPR）与假正例率（FPR）验证模型性能，在20%的FPR下达到71.36%的TPR。

实验结果

研究问题

• RQ1 市政消防部门如何利用现有数据源识别此前未被检查的商业物业？
• RQ2 哪些机器学习模型能有效利用静态建筑与地块层面特征预测商业建筑的火灾风险？
• RQ3 在资源受限的条件下，预测建模在多大程度上可改善火灾检查的优先级划分？
• RQ4 交互式可视化工具如何提升消防检查人员与部门领导的决策能力？
• RQ5 建筑特征（如面积、价值和单位数量）在预测火灾风险方面发挥何种作用？

主要发现

• Firebird 根据 AFRD 的标准识别出6,096处新的商业物业需要检查，显著扩大了潜在检查范围。
• 预测模型在识别后续发生火灾的物业方面实现了71.36%的真正例率，假正例率为20%。
• 在随机森林模型中，建筑规模、单位数量和物业价值是预测火灾风险最关键的特征。
• 逻辑回归模型显示，某些社区和物业所有者与显著更高或更低的火灾发生率相关。
• 该框架为5,022个物业（其中1,975个已检查，3,047个潜在可检查）完成了风险评分，其中454个被归类为中等或高风险。
• 交互式地图的集成使 AFRD 能够可视化检查优先级、火灾事件与风险评分，支持数据驱动的运营规划。