Алгоритм действий при пожаре дома: Правила поведения при пожаре в вашем доме — Рекомендации населению

Алгоритм действий при пожаре – МО Коломна

Отдел надзорной деятельности и профилактической работы Адмиралтейского района напоминает,

как действовать в случае возникновения пожара:

Если начался пожар необходимо сделать все возможное, что бы избежать жертв  и свести до минимума ущерб от пожара. Исход любого пожара зависит от того, насколько своевременно была вызвана служба спасения.

— Человек, заметивший пожар или малейшие признаки возгорания (дыма, запаха гари), в первую очередь должен немедленно вызвать пожарных по телефону – 01, с мобильного –112. Сделать это необходимо независимо от размеров и места пожара. Первоочередность этого действия не вызывает сомнения, так как чем быстрее прибудет помощь, тем легче и успешнее будет ликвидирован пожар, быстрее будут спасены люди, находящимся в опасности.

— Затем, необходимо принять меры к эвакуации людей из горящего здания, оповестить об этом всех находящихся в здании.

— При обнаружении небольшого возгорания, после того, как вы вызвали пожарных, следует попытаться потушить пожар имеющимися в наличии средствами пожаротушения – огнетушителями, водой, можно накрыть место возгорания плотной тканью или сбить пламя подручными средствами. Но случается и так: пожар в начальной стадии возникновения обнаружен, но пожарную помощь не вызывали, решив справиться с ним своими силами. Это удается не всегда, и пожар принимает большие размеры. Нередко пожарную охрану вызывают со значительным опозданием, затрачивая бесценное время на выяснение причин задымления и поиски места возникновения пожара, на неумелые действия по устранению пожара.

-При передаче сообщения о пожаре по телефону необходимо соблюдать следующие правила. Услышав ответ дежурного диспетчера, следует сказать, что передается сообщение о пожаре, назвать адрес — наименование улицы, номер дома. Укажите (по возможности) место пожара, внешние признаки, наличие угрозы людям, удобный проезд, где и как лучше проехать, сообщить свою фамилию и, если есть, номер телефона.

Такое правильное и полное сообщение о пожаре позволит пожарной охране предвидеть возможную обстановку и принять необходимые предварительные решения, дающие возможность в кратчайший срок сосредоточить у места пожара необходимые силы и средства для его ликвидации.

— Вызвать пожарную охрану необходимо даже в том случае, если пожар уже потушен своими силами. Огонь может остаться незамеченным в скрытых местах (в пустотах деревянных перегородок, под полом, в других местах) и через некоторое время разгореться вновь еще сильнее. Поэтому место пожара должно быть обязательно осмотрено специалистами пожарной охраны. Только они могут подтвердить полную ликвидацию пожара.

— После вызова пожарной охраны необходимо обеспечить встречу пожарного подразделения. Встречающий должен проинформировать пожарных о сложившейся обстановке, сообщить, все ли люди эвакуированы из горящего дома, рассказать о степени угрозы людям, сколько их осталось, где они находятся и на каком этаже, в каких помещениях, как в эти помещения быстрее проникнуть. Кроме того, следует сказать, какие помещения охвачены огнем и куда он распространяется.

— Соблюдение такой последовательности действий при возникновении пожара, поможет вам сохранить жизнь и здоровье людей, оказавшихся в горящем здании, минимизировать ущерб имуществу и самому зданию.

Граждане!

Будьте осторожны в обращении с огнем!!!

Это гарантия Вашей безопасности, безопасности Ваших родных и близких!

Соблюдайте правила пожарной безопасности!

Телефон вызова пожарной охраны 01,

а с мобильного для всех операторов 112.

Информацию предоставил: Инспектор отдела надзорной деятельности и профилактической работы Адмиралтейского района

старший лейтенант внутренней службы Талеронок Т.В.

Владивосток | Алгоритм действий при пожаре в квартире

Фото: 25. mchs.gov.ru

Пожары в многоквартирных домах не частое явление, однако, в случае их возникновения неверная оценка ситуации и неразумные действия могут привести к серьезным последствиям. В связи с этим Главное управление МЧС России по Приморскому краю напоминает, если у вас или у ваших соседей случился пожар, главное – сразу же вызвать пожарную охрану по телефону «101» или «112». Во время звонка вы должны предоставить четкую информацию о месте пожара, его причине и вероятной угрозе для людей. Надо назвать свое имя и дать свой номер телефона для получения дальнейших указаний.

Покидая квартиру в случае пожара:

— не задерживайтесь, собирая вещи.

— плотно закройте за собой все двери.

— по возможности отключите электричество на щитке, расположенном на лестничной площадке.

— предупредите соседей.

— спускайтесь по лестнице, не пользуйтесь лифтом.

— ждите приезда пожарных возле дома.

— Небольшой очаг пожара, возникший на ваших глазах, можно потушить самостоятельно, но если вы видите, что ликвидировать возгорание своими силами в течение 10 секунд не удается, немедленно уходите.

— Если путь к входной двери отрезан огнем и дымом – спасайтесь на балконе и привлекайте внимание окружающих.

— Горящее помещение следует преодолевать, накрывшись с головой мокрым одеялом, плотной тканью или верхней одеждой.

— Постарайтесь перейти на нижний этаж через балконный люк или по смежному балкону к соседям, если это возможно. Но помните: Крайне опасно спускаться по веревкам, простыням и водосточным трубам. Тем более не следует прыгать вниз.

— Еще один путь спасения – через окно. Уплотните дверь в комнату тряпками и позовите на помощь. Как только убедитесь, что ваш призыв о помощи услышали, ложитесь на пол, где меньше дыма.

Ещё новости о событии:

Приморцам напомнили о необходимых действиях при пожаре в квартире

Фото: 25. mchs.gov.ru

Пожары в многоквартирных домах не частое явление, однако в случае их возникновения неверная оценка ситуации и неразумные действия могут привести к серьезным последствиям.
16:30 23.10.2022 PrimPress.Ru — Владивосток

Алгоритм действий при пожаре в квартире

Пожары в многоквартирных домах не частое явление, однако, в случае их возникновения неверная оценка ситуации и неразумные действия могут привести к серьезным последствиям.
11:50 23.10.2022 МЧС по Приморскому краю — Владивосток

Новости соседних регионов по теме:

Памятка

ИНФОРМАЦИЯ ОТ ПОЖАРНО-СПАСАТЕЛЬНОЙ СЛУЖБЫ.

Что делать если начался пожар…

Самое ПЕРВОЕ правило – вызовите пожарно-спасательную службу по телефону 101 или 112 (с мобильного телефона).
03:23 24.10.2022 Город Сосновоборск — Сосновоборск

В Апатитах горит квартира [видео]

Видео: ВКонтакте / «ХибИнформбюро»

В Апатитах в воскресенье произошёл пожар.
18:42 23.10.2022 SeverPost.ru — Мурманск

В Чурилово произошел пожар в квартире жилого дома

Загорелись вещи на балконе.

Фото: pixabay.com

Сегодня,  рано утром, 22 октября, произошло возгорание вещей на балконе одной из квартир по улице Вторая Эльтонская.
09:31 22.10.2022 31TV.RU — Челябинск

VostokMedia.Com

Следователем отдела МВД России по городу Находке завершено расследование уголовного дела о дорожно-транспортном происшествии, в результате которого погиб пешеход.
УМВД Приморского края

5 июня в 11.00 у Мемориала Воинам правопорядка, погибшим при исполнении служебного долга, у Свято-Игоревского храма состоится митинг, посвященный празднованию 305-летию российской полиции.
УМВД Приморского края

Магазин находится рядом с образовательным учреждением

В результате профилактических рейдов стражи правопорядка установили,
Primorye24. Ru

Следственными органами СУ СК РФ по Приморскому краю завершено расследование уголовного дела в отношении бывшего начальника управления, архитектуры и рекламы городской администрации Находкинского городского округа.
Следственный комитет

17 мая 2023 г. издан Указ Президента Российской Федерации № 358 «О Стратегии комплексной безопасности детей в Российской Федерации на период до 2030 года» (далее – Стратегия).
УМВД Приморского края



Роспотребнадзор

Об этом этом рассказали в Дальневосточной транспортной прокуратуре.

В ходе прокурорской проверки установлено,
Prim.News



VostokMedia.Com



Администрация г. Арсеньев




фото: pixabay.com

Новый циклон не обойдет стороной, сообщает KONKURENT. RU.

Деловой еженедельник Конкурент



3 июня исполняется 31 год со дня трагической гибели командира отделения вневедомственной охраны по Первомайскому району города Владивостока Виктора Алексеевича Гриченко.

Росгвардия



В субботу, 3 июня, во Владивостоке ветер южный, юго-западный, 6…11 м/с (умеренный), с середины дня 9…14 м/с (умеренный до сильного).

NewsVl.Ru


Всем гражданам была оказана медицинская помощь

За минувшие сутки на территории Приморского края зарегистрировано 43 аварии.

Primorye24.Ru



В 11 государственных поликлиниках с 1 июня открылись кабинеты медико-психологического консультирования.

НИА Владивосток



Двенадцатилетняя девочка, которую 17 мая в Лесозаводске сбил на тротуаре автомобиль, скончалась в больнице.

NewsVl.Ru




Лекция «Как правильно помочь, если у близкого деменция»

На площадке Центральной городской библиотеки 3 июня состоялась лекция практикующего врача–психиатра Белова Евгения Владимировича на тему «Жизнь на пределе.

Централизованная библиотечная система



На первую летнюю смену во Всероссийский детский центр «Океан» приехали 50 школьников из посёлков Усть-Камчатского района.

Всероссийский детский центр Океан



3 июня Народная цирковая студия «Искорка», совместно с барабанным шоу «Catchers groove kids» представили отчётный концерт «Лето».

Ussur.Net

Могут ли алгоритмы предсказывать пожары в домах?

• 6 марта 2017 г.
• Общественная безопасность

Пожар на складе в Окленде, штат Калифорния, в декабре прошлого года стал самым смертоносным структурным пожаром в США за более чем десятилетие. Тридцать шесть человек погибли во время электронной танцевальной вечеринки на складе, где располагался коллектив артистов и который был известен как «Корабль-призрак».

Через несколько недель после пожара городские власти Окленда обнародовали тревожные подробности о неудачной системе инспекции, из-за которой в течение многих лет объект был намного ниже стандартов безопасности.

Пожарный осматривает ущерб после пожара на складе корабля-призрака в Окленде, Калифорния Источник: New York Times

Тем не менее пробелы в информации и межведомственном сотрудничестве, которые привели к пожару, вряд ли уникальны для Окленда. После этого стихийного бедствия каждый город должен пересмотреть то, как он контролирует безопасность зданий и снижает риск возникновения пожара.

Города могут использовать легкодоступные данные, чтобы повысить безопасность зданий. Более качественные данные позволяют агентствам не только отслеживать, какие здания требуют осмотра, но и максимально эффективно использовать свои ограниченные ресурсы.

Несколько городов уже приступили к развертыванию аналитических стратегий нового поколения для определения приоритетов своей деятельности. В этой статье я рассматриваю логику этих алгоритмов и сообщаю о проекте, вдохновленном ими: вместе с моим коллегой Крисом Уилаханом я использовал общедоступные наборы данных для ранжирования каждого адреса в Батон-Руж, штат Луизиана, в соответствии с пожароопасностью.

Прогноз пожаров в зданиях на 2016 год: Батон-Руж, Луизиана

Наш алгоритм, как и вдохновившие его проекты в Атланте, Джорджия, и Новом Орлеане, Лос-Анджелес, значительно превосходит обычный подход. Это показывает, что гораздо больше городов могут использовать прогнозы, чтобы сделать дома и рабочие места более безопасными.

«Этот склад ускользнул в щели»

Всего лишь беглый взгляд внутрь корабля-призрака обнаружил бы то, что бывшие жители называли «смертельной ловушкой»: на складе, разрешенном только для коммерческого использования, проживало не менее 10 жителей. В нем была оголенная проволока и отсутствовали спринклеры пожаротушения. Несмотря на проведение крупных мероприятий, таких как концерт в ночь пожара, проходы через здание были узкими и захламленными.

Однако городские инспекторы не заходили в здание уже 30 лет, несмотря на то, что в Департамент строительства поступили жалобы и началось расследование. Как New York Times сообщила, что здание было «невидимым» для пожарной охраны, чей список проверок не содержал даже записи о складе.

«Я не могу ответить, как этот склад проскользнул сквозь щели и обошёл нашу систему — или как он обошёл городскую систему», — сказал CNN начальник пожарной охраны Окленда.

Ведение полных и актуальных списков коммерческой недвижимости, требующей проверки, — нетривиальная задача для пожарных служб. Когда пожарная служба Атланты наняла специалистов по данным для выявления объектов, которые могут нуждаться в проверке, их список внезапно вырос с 2573 до 19 объектов.397 зданий.

Тем не менее, после трагедии с кораблем-призраком общественность не удовлетворила проблемы соблюдения норм охраны труда и техники безопасности. «Я знаю, что у них не хватает персонала; Я знаю, что они недофинансированы», — сказал один житель Окленда Los Angeles Times . — Но у вас должны быть приоритеты.

Заказ инспекций

Даже если бы Корабль-призрак появился в списке инспекций Окленда, на его инспекцию могли уйти годы. В дополнение к нехватке персонала, член городского совета сказал New York Times , что пожарная служба проводила проверки «то тут, то там в произвольном порядке по улице», — сказала она.

Невозможно узнать, является ли место небезопасным, без расследования. Но можно заранее оценить вероятность проблемы, имея некоторую дополнительную информацию.

Оценка вероятностей, а затем соответствующее распределение ресурсов лежит в основе предиктивной полицейской деятельности, провозглашенной «волной будущего» в правоохранительных органах. Тот же подход можно использовать и для городских проверок: например, в Чикаго использование статистических моделей для определения приоритетности проверок ресторанов значительно увеличило вероятность обнаружения нарушений кодекса, что означало более раннее обнаружение рисков для здоровья.

Для пожарных частей Ghost Ship доказывает опасность устаревшего подхода к данным. В то время как Национальная ассоциация противопожарной защиты собрала собственную группу по работе с большими данными и назвала аналитику данных «изменением правил игры», лишь несколько городов использовали статистические прогнозы для предотвращения пожаров. Хотя некоторые из этих систем, в том числе нью-йоркская FireCast, являются собственностью, другие обнародовали свои методы и результаты.

Новый Орлеан, например, работал с учеными по данным, чтобы разработать инструмент для прогнозирования городских кварталов с домами с наибольшим риском возгорания, в которых также, скорее всего, отсутствовали детекторы дыма. Фирма Enigma разработала методы сопоставления информации из разных наборов данных переписи населения США, что позволяет им экстраполировать результаты недавних опросов, в которых выясняется, есть ли у респондентов детекторы дыма. Пожарная служба Нового Орлеана вместе с Американским Красным Крестом использовали расчеты по кварталам в своих программах по раздаче бесплатных детекторов дыма. Этот инструмент данных под названием «Дымовые сигналы» доступен и для других городов; Сиракузы предпринимают аналогичные усилия.

Интерфейс данных дымовых сигналов Enigma

В Атланте пожарная служба наняла местных аналитиков Data Science for Social Good для выявления коммерческой недвижимости, отсутствующей в списке инспекций. Этот новый список, как обсуждалось выше, был значительно длиннее исходного. Увидев необходимость расставить приоритеты перед проверками, департамент запросил список имущества, подлежащего проверке, с учетом рисков.

Аналитики обучили алгоритм, чтобы определить, как такие атрибуты, как размер, состояние, местоположение и возраст зданий, повлияли на распространение прошлых пожаров, и предсказать будущие. Они скрыли часть пожаров — самого последнего года — от модели, а затем использовали эти пожары, чтобы проверить, насколько хорошо сработают прогнозы.

Интерфейс прогнозирования рисков из проекта Atlanta Firebird

Аналитики настроили алгоритм так, чтобы около 20% подходящих коммерческих объектов оценивались как объекты высокого риска, полагая, что департамент сможет справиться с таким количеством проверок. Если бы департамент случайным образом проинспектировал такое количество объектов, можно было бы ожидать, что они посетят около 20% зданий, которым в противном случае суждено было сгореть в наступающем году.

Однако модель команды из Атланты предсказала 71%. Их стратегия, которую они назвали Firebird, была в два с половиной раза эффективнее той, которой придерживается большинство инспекционных отделов.

Оливер Хеймсон, аспирант по информатике Калифорнийского университета в Ирвине, который работал над проектом, сказал мне, что одним из самых больших сюрпризов проекта было то, что, казалось, не имело большого значения, было ли здание старым или находилось в плохом районе. Переменные, которые лучше всего предсказывали пожары, отражали количество людей, которые могут находиться вокруг: размер этажа здания, площадь земли и количество квартир.

Иглы в стоге сена

Прочитав о Firebird, я задался вопросом, сработает ли подобная стратегия для всего городского фонда зданий. В конце концов, большинство смертей от пожаров происходит в домах. Я просмотрел порталы открытых данных в поисках городов, в которых прошлые пожары можно было идентифицировать по типу, дате и местоположению, а также сопоставить с другими наборами данных на уровне собственности. Мой коллега Крис Уилахан и я выбрали Батон-Руж, штат Луизиана.

Батон-Руж, столица штата Луизиана, с населением около 230 000 человек, был 9-й столицей штата Луизиана.7 ^-й -й крупнейший город США по состоянию на 2015 год. Оценка риска для каждого адреса — более 121 000 из них — означала поиск иголок в огромном стоге сена. Из этих адресов только 194 сообщили о пожаре в здании в 2016 году.

Вот как выглядят 194 точки, увеличенные (для наглядности) на фоне 121 000 точек:

Мы хотели проверить, насколько хорошо модель, обученная на 826 пожарах с 2012 по 2015 год, может предсказать эти пожары в 2016 году. Мы быстро собрали данные по каждому свойству для предсказателей, включая площадь участка; тип зонирования; оценочная стоимость; стоимость улучшений; недавнее преступление; и плотность населения вокруг. Мы протестировали несколько алгоритмов машинного обучения и получили наилучшие результаты с моделью случайного леса. (См. этот пост в блоге для получения более подробной технической информации о наших методах и результатах. )

Модель выдала длинный список оценочных вероятностей — по одной на адрес. Одним из наиболее сильных предикторов оказалась взаимосвязь между размером имущества и его оценочной стоимостью. В этом есть смысл: небольшая недвижимость с низкой стоимостью, вероятно, не в лучшем состоянии и может быть более подвержена пожару. В то же время на более крупных и дорогих участках, скорее всего, будет больше жильцов.

Насколько сбылись предсказания? Используя общий критерий для оценки моделей прогнозирования, наша (площадь под кривой = 0,81) набрала чуть меньше очков Firebird (0,824). Эта оценка отражает, сколько возгораний модель предсказала правильно, по сравнению с количеством ложных тревог, которые она произвела.

Что означает оценка на практике?

Предположим, в Батон-Руж запустили информационно-просветительскую программу, которая посещала в среднем четыре здания за рабочий день — 1000 в год. Выбирая здания в произвольном порядке, мы ожидаем, что команда посетит один или два объекта (если быть точным, 1. 6), которые в противном случае обречены на пожар.

Если бы команда использовала наш алгоритм, согласно нашим тестам, он поразил бы 29 объектов, предназначенных для пожара. Программа будет предвидеть 15% пожаров, при этом отдавая приоритет менее чем 1% от общего числа адресов.

Для домов на одну семью команда может обучать жителей и предлагать пожарные извещатели или добровольные проверки; многоквартирные дома, общежития и другие крупные объекты могут потребовать обхода пожарной охраны, презентаций по технике безопасности или других расширенных процедур. Эта область созрела для инноваций: возможно, простая отправка писем в 20% объектов недвижимости с самым высоким прогнозируемым риском была бы экономически эффективным вмешательством, учитывая, что в этой группе было 63% фактических пожаров в нашем тесте.

Включение предсказуемого города

Эти результаты показывают, что любой город может решиться на прогнозную аналитику, а не только самые большие города с самыми большими бюджетами. Эта первая итерация нашего исследования заняла всего пару человеко-недель с использованием бесплатного статистического программного обеспечения (R и Python) и нескольких наборов данных, которые уже собирает почти каждый город.

Для Уоррена Крона, ГИС-менеджера Батон-Руж, проект ответил на вопрос, который не давал ему покоя после многих лет создания городских и районных порталов данных: «У нас есть все эти данные. Что дальше?»

Однако прогнозы — это всего лишь один шаг к предотвращению пожаров. Пожарная служба Батон-Руж не уполномочена проверять типичные жилые дома, поэтому стратегия может отличаться от стратегии Атланты. Как мы уже начали обсуждать с городскими властями, ключевыми партнерами могли бы стать городские жилищные инспекторы или работники общественного здравоохранения. Могут потребоваться новые правовые инструменты. Подобные изменения требуют терпения, сотрудничества и политической воли.

Кроме того, использование алгоритмов прогнозирования, вероятно, вызовет недоумение у жителей. Некоторые могут справедливо задаться вопросом, почему они были выбраны для вмешательства. Этот процесс требует прозрачности и четкой коммуникации.

Такие проблемы, безусловно, удержат некоторые города от внедрения прогнозной аналитики. Но более амбициозные города увидят преимущества отказа от предоставления услуг «в произвольном порядке». Для этих правительств прогнозы могут стать основой для более стратегического подхода. Хотя они не защитят каждый корабль-призрак, они могут увеличить шансы в пользу безопасности.

Предсказание пожаров в домах с помощью машинного обучения

Эстонское спасательное управление (ERB) в 2017 году зарегистрировало в общей сложности 1110 пожаров в зданиях, прямой ущерб от которых составил 7,2 миллиона евро [1]. Всего в 2018 г. в результате пожара погибло 50 человек, 102 получили ранения [2]. В то время как количество пожаров на душу населения в Эстонии сравнимо со странами Северной Европы, количество пожаров со смертельным исходом значительно выше [1]. В рамках проекта «Машинное обучение и предоставление государственных услуг на основе искусственного интеллекта» мы используем методы машинного обучения для оценки показателей риска и находим важные функции, которые помогают прогнозировать пожары в зданиях в Эстонии, чтобы предотвратить их.

Данные

Чтобы начать предсказывать пожары, нам нужны данные о пожарах, которые произошли в прошлом. Эти данные собирает Спасательный департамент и состоит из места и времени пожара, а также некоторых подробностей о зданиях, в которых произошли пожары. Спасательный департамент любезно поделился с нами этими данными. Однако, чтобы удостовериться, что пострадавшие здания невозможно идентифицировать, их точное местонахождение не раскрывается, вместо этого нам были предоставлены более крупные площади, на которых они находились.

Чтобы предсказать будущие пожары, нам нужна была наша модель, чтобы различать здания, которые с меньшей вероятностью загорятся, и те, которые с большей вероятностью загорятся. С этой целью мы заглянули в строительный реестр Эстонии [3]. Используя данные о зданиях и существующие данные о пожарах, мы могли бы построить модель, которая могла бы предсказать, какие здания с большей вероятностью загорятся в будущем. Однако это ничего не говорит нам о том, когда произойдут пожары. Чтобы решить эту проблему, мы добавили в нашу базу данных наблюдения за погодой, сделанные во время каждого пожара. Это позволило нам использовать данные прогноза погоды, чтобы предсказать, какие здания имеют более высокий риск возгорания в ближайшие дни.

Прежде чем мы могли начать строить наши модели, нам нужно было очистить данные реестра здания. Во-первых, мы отфильтровали признаки, которых не было в нашей базе данных пожаров здания, потому что они не могли быть использованы для нашей задачи. Во-вторых, для функций, которые были в обеих базах данных, нам нужно было проверить, были ли они правильно и одинаково заполнены. В противном случае наша модель изучила бы различия в базах данных вместо основных различий между зданиями, которые загорелись, и зданиями, которые не загорелись. Например, в обеих базах данных была колонка, состоящая из лет, когда были построены здания. После некоторой проверки мы заметили, что эта функция не была должным образом заполнена для зданий, которые были построены до 19 века.94, когда был создан реестр зданий. Поэтому в обеих базах мы рассмотрели только здания, построенные после 1993 года.

После этапа исследования данных мы остановились на нескольких функциях из реестра зданий. Кодекс использования здания различает типы зданий, такие как фабрики, офисные помещения, отдельные дома и дома с террасами, а также многоквартирные дома. Статус здания говорит нам, используется ли оно до сих пор или нет.

Данные о погоде не нуждались в особой очистке, потому что методы их сбора не менялись в течение последних лет. Данные о погоде состояли из таких атрибутов, как температура, влажность, атмосферное давление. Мы также рассчитали почасовое изменение этих характеристик, чтобы увидеть, могут ли быстрые изменения погоды вызвать больше пожаров.

Задача

Прежде чем мы смогли начать обучение наших моделей машинного обучения, нам нужно было точно определить задачу, которую необходимо решить. В нашем случае мы решили задачу бинарной классификации, где модель должна была смотреть на данные о здании и погоде и решать, взята ли точка данных из базы данных с пожарами или без них. Результат этой задачи может помочь нам присвоить оценки риска зданиям, как только мы получим более точные данные, это позволит нам прогнозировать количество пожаров в разных регионах, это может сказать нам, каковы важные особенности в прогнозировании пожаров, и это позволит нам дайте нам понять, возможно ли прогнозирование пожаров и насколько хорошо это можно сделать с помощью машинного обучения.

Основные проблемы

Перед выбором алгоритмов машинного обучения нам пришлось решить несколько проблем. Во-первых, наши данные были дико несбалансированы. У нас было около 8000 точек данных (пожары в зданиях) в базе данных пожаров в зданиях. Однако в строительном реестре было около 900 000 зданий. Это число сократилось вдвое после того, как мы исключили здания, построенные до 1994 года, но разница все равно была огромной. Для решения этой проблемы нам нужно было выбрать метод машинного обучения, который бы учитывал несбалансированность данных.

Вторая проблема, с которой мы столкнулись, заключалась в том, что для получения наилучших результатов наша модель должна была иметь возможность использовать все наши данные. Однако данные о зданиях статичны и неизменны, а данные о погоде меняются каждый час. Итак, для пожаров в зданиях у нас были точные данные о здании и погоде за определенное время, но не было единого фиксированного экземпляра данных о погоде, который можно было бы привязать к зданию, которое не загорелось. Если бы мы добавляли данные о погоде каждый час с 2014 года, мы бы еще больше разбалансировали данные и сделали бы модель чрезвычайно чувствительной к погоде, тем самым сделав данные о зданиях устаревшими.

Мы решили эту проблему, добавив наблюдение за погодой в случайно выбранный час для каждого здания в реестре зданий. Поскольку количество экземпляров в этом реестре велико, это должно дать достаточно большую выборку наблюдений за погодой, чтобы выяснить, важны ли погодные условия для прогнозирования пожаров.

Обучающие модели и взвешенный XGBoost

При выборе методов машинного обучения нашей первой мыслью было использовать XGBoost [4], алгоритм обучения, использующий деревья решений с градиентным усилением, который можно использовать как для задач регрессии, так и для задач классификации. и было показано, что он дает самые современные результаты во многих задачах машинного обучения и интеллектуального анализа данных. Хотя XGBoost хорошо работает даже с несбалансированными классификационными наборами данных, мы решили использовать его модифицированную версию, называемую взвешенным XGBoost [5]. Это было связано с серьезностью дисбаланса классов в наших наборах данных. Взвешенный XGBoost уделяет больше внимания неправильной классификации класса меньшинства, которым в нашем случае был класс загоревшихся зданий. Хотя обученная модель могла бы дать нам больше ложных срабатываний (здания, которые не загорятся, но модель неправильно размещает их с пожарами), до тех пор, пока уровень ложных срабатываний не был слишком высоким, он казался приемлемым.

Наконец, прежде чем мы смогли начать обучение наших моделей, нам нужно было разделить наши данные на обучающие и тестовые данные. Обучающие данные — это данные, которые модель видит и использует во время обучения, а тестовые данные необходимы для проверки того, насколько хорошо модель справляется с данными, которых она раньше не видела. Для обучения модели мы использовали данные о пожарах, произошедших до 2020 года. Это позволило нам протестировать обученную модель на пожарах 2020 года, что дало нам наилучшее представление о том, насколько хорошо модель будет работать в будущем.

Результаты

Результаты классификации нашей модели XGBoost можно увидеть в следующей таблице.

Здесь точность говорит нам о количестве истинных положительных результатов среди предсказанных меток, что означает, что 99% точек данных с пометкой «Нет возгорания» были правильно классифицированы. При этом только 79% случаев с пометкой «Пожар» действительно были из базы данных пожаров (21% не загорелись, но были классифицированы ошибочно). Однако, поскольку в базе данных о пожарах было намного меньше точек данных, это число приемлемо. Вероятно, самая важная часть прогноза представлена ​​отзывом «пожарных» экземпляров. Это говорит нам, сколько пожаров мы поймали. Мы видим, что модель неправильно классифицировала 10% пожаров. Оценка F1 суммирует точность и полноту и говорит нам, насколько хорошо модель работала с данными с соответствующей меткой.

В целом, эти результаты вселили в нас надежду на то, что машинное обучение можно использовать для оценки и прогнозирования пожарной опасности. Несмотря на то, что мы не можем предсказать количество пожаров в конкретных зданиях из используемых здесь баз данных, мы можем использовать эти модели для прогнозирования количества пожаров в определенных областях.