МЕТОД ПРОГНОЗУВАННЯ КІЛЬКОСТІ ПОЖЕЖ В ЖИТЛОВОМУ СЕКТОРІ НА ОСНОВІ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ

Анотація

Пожежі в житловому секторі є серйозною загрозою для безпеки населення. Вони спричиняють значні збитки та потребують ефективних методів прогнозування для їх профілактики. У цій статті представлено метод прогнозування кількості пожеж у житловому секторі на основі алгоритмів машинного навчання, який базується на аналізі даних про виїзди рятувальних підрозділів Львівського району. Дані включають інформацію про час, місце й характер подій, агреговану за шестикутниками площею 3 км². Як предиктори використано густоту населення (осіб/км²) і місяць року, закодований як набір із 11 dummy-змінних для врахування сезонності. Для тренування моделей обрано дані за 5 років (2016-2020), для тестування використовувалися дані за 2021 рік. Загальний обсяг даних перевищив 3 тисячі записів, що забезпечує надійну основу для аналізу. 
У дослідженні використано чотири моделі: лінійну регресію, поліноміальну регресію (другого степеня), випадковий ліс і нейронну мережу (багатошаровий перцептрон). Лінійна регресія дала змогу оцінити базовий лінійний зв’язок між предикторами та кількістю пожеж, тоді як поліноміальна регресія дозволила врахувати нелінійні ефекти, такі як квадратичний вплив густоти. Випадковий ліс створив передумови для моделювання складних взаємодій між змінними, а нейронна мережа дала можливість виявити приховані закономірності. Точність оцінено за метриками MAE, RMSE і R² на тренувальній вибірці. Найкращі результати показав випадковий ліс із найнижчими похибками, що свідчить про його перевагу в задачах із вираженою сезонністю й середнім обсягом даних. Нейронна мережа виявилася чутливою до обсягу вибірки, а недоліками лінійної та поліноміальної регресій стала обмежена гнучкість. Модель випадкового лісу також було застосовано для прогнозування кількості пожеж на тестових даних. Порівняння прогнозів із реальними значеннями показало задовільну точність, хоча відхилення в зимові місяці вказують на потребу врахування додаткових факторів (наприклад, погодних умов). Метод дозволяє ідентифікувати зони підвищеного ризику, що може бути використано для перерозподілу ресурсів підрозділів цивільного захисту і планування профілактичних заходів. Перспективи включають додавання температури, опадів і просторових моделей, таких як GWR, для підвищення точності.