公私協力模式—以資料英雄計畫「高雄火災風險地圖2.0」為例
Download as PPTX, PDF1 like727 views
本文件介绍了以高雄火灾风险地图2.0为例的公私协力模式，旨在提升台湾的医疗防灾能力。通过分析火灾相关数据，建立风险模型，以识别高风险住宅，促进社区消防宣传。该项目结合了多方利益相关者的协作，以提高火灾应对效率和减少损失。
公私協力模式—以資料英雄計畫「高雄火災風險地圖2.0」為例
- 2. 劉憲錡 Toby Liu http://blog.toby.taipei [email protected] 國立中央大學經濟系畢 鈦坦科技軟體工程師 國立清華大學資應所碩二生 文字探勘、情緒分析 數巨飛船工作室
- 6. 火災風險地圖1.0
- 10. 為什麼是鳳山區?
- 12. 資料說明
- 14. 資料來源 建照資料 稅捐資料 100年~105年 火災報案紀錄 身障、低收入、 獨居長者紀錄 狹小巷弄數據 223 11,150 28,912 130,000 130,490 鳳山火災建物 394 • 陳國瑋, 高志瀚, “應用類神經網路建構建築物火災財物損失預測模式—以金門縣為例”, 建築學會2010第22屆第2 次建築研究成果發表會.
- 16. 模型建構
- 19. 機率模型：非平衡學習 精準度 99.9% 模型預測全部建物不會失火 Balance Cascade (Liu, 2009) • X. Y. Liu, J. Wu and Z. H. Zhou, “Exploratory Undersampling for Class-Imbalance Learning,” in IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 39, no. 2, pp. 539-550, April 2009.
- 20. 機率模型：非平衡學習 對一般建築分類 基於 Backpropagation KNN演算法(K-Nearest Neighbors algorithm) • https://en.wikipedia.org/wiki/Backpropagation
- 21. 機率模型：非平衡學習 將每一群和失火建築物放在 一起訓練小模型 XGBoost (Random Forest) (Chen, 2016) M1 • Tianqi Chen and Carlos Guestrin. XGBoost: A Scalable Tree Boosting System. In 22nd SIGKDD Conference on Knowledge Discovery and Data Mining, 2016
- 22. 機率模型：非平衡學習 137個小模型產生的機率總 和取平均 準確度 Accuracy 88% 召回率 Recall Rate 78% M2
- 23. 重要因素
- 24. 重要因素
- 25. 重要因素
- 27. 損失模型：深度學習演算法 400 棟失火建物、62個屬性 三層 Fully Connected DNN (Chollet, 2015) 預測建物失火所造成的損失 MSE epoch • Fran ̧cois Chollet et al. Keras. https://github.com/fchollet/keras, 2015.
- 29. 高雄市鳳山區 火災機率熱圖
- 30. 高雄市鳳山區 住宅性質分布
- 31. 高雄市鳳山區 火災損失熱圖
- 32. 高雄市鳳山區 火災風險熱圖
- 33. 精準有效的 防火診斷
- 35. 居家訪視 隨機抽取示意圖
- 36. 居家訪視 指定名單示意圖
- 37. 參與心得
- 38. 參與心得 Imbalanced data 火災風險背後的社會結構性因素 資料科學時代的資料基礎建設 表面的 KPI 制度 考慮時序和空間的模型
- 39. 探索式 資料分析
- 40. 年度比例圖
- 41. 月均火災數
- 42. 連續假期日均火災數