消防部署是城市安全的一個重要問題，如何篩選出城市中的火災高風險區域進行針對性地部署可以幫助更好地進行消防資源的合理分配和火災事件的及時防控。本文將介紹一種利用時空資料和機器學習模型對城市各區域火災風險進行評估的方法。本文工作是由京東城市時空AI團隊和西北工業大學合作的一篇論文《CityGuard: Citywide Fire Risk Forecasting Using A Machine Learning Approach》，目前該論文已經被普適計算領域的頂級會議Ubicomp 2020（CCF A類）接收，論文作者資訊如下：

研究背景：

2019年4月15日，巴黎聖母院大火引起了全球的廣泛關注，燒燬的藝術品也造成了巨大的損失。2020年5月16日，美國加州洛杉磯市中心發生火災，多處建築物起火導致11名消防員受傷其中4人入住重症病房。城市火災是城市安全的重大威脅，火災不僅會造成巨大的財產損失，還會導致大量人員傷亡，甚至造成整個城市毀滅的慘劇。

據世界火災統計中心www.ctif.org 報道，2017年在34個國家共發生火災3,115,061起，造成47,948人受傷、16,808人死亡。其中53.2%的火災是建築物起火和機動車起火，這些火災主要發生在城市。由此可見，城市火災防範對於公眾安全是極其重要的。為了對城市火災進行有效防控，消防部門需要根據城市內各區域發生火災的情況對消防設施進行合理部署。目前一些火災風險評估的工作[1,2]只能靜態分析，不能進行未來風險預測。我們需要思考，如何篩選出未來的火災高風險區域針對性地進行部署？

最直觀的方式就是預測每個區域發生火災的數量或頻次。例如現有的時空預測的工作[3,4,5]利用時空關係進行建模，對每個地塊的流量進行預測。而在火災風險評估工作中，相比每個地區的數值，消防部門更加關心地區之間的相對大小，進而利用有限的消防安全資源對高風險區域進行重點部署。因此，這些方式不利於消防部門利用有限的資源進行消防部署。我們要解決的主要問題是：如何對城市中各區域的火災風險的相對大小進行預測和評估？本文分析了城市時空大資料和城市火災之間的關聯關係，並對各個地區的火災風險進行評估。由於火災在城市中的分類較為稀疏，直接對火災風險進行評級誤差較大。因此，我們首先從城市的區域中篩選出下一時刻可能發生火災的區域，再對這些可能發生火災的區域進行風險排序。系統視覺化如下：

在對火災風險建模的過程中，除火災歷史資料外，城市火災風險還受到很多其他時空資料的影響，在時間維度，不同時間的氣象資料會對整個城市造成大範圍的影響，例如，當溫度較高時整個城市的火災發生的機率急劇上升（圖1（a））；在空間維度，每個區域的功能性也會對火災發生機率造成影響，例如圖1(b)中所示，在餐飲服務和商業服務較多的地區較容易發生火災。除此之外，人口數量和用電量也是影響火災發生的重要指標。在人口密集且用電量大的地區容易發生生活火災。在本文中，我們使用各區域的總消費資料以及電器消費資料來反應各區域的人口數量和用電量。這類資料相比於氣象資料具有一定的延遲，當電器使用電量積累到一定數量後才會增加火災發生的風險，如圖1（c）所示，2月至5月電器消費不斷增長，但是火災頻次在6月才有了明顯的增長（綠色區域）。多個時空資料從多個角度描述了城市的發展狀況和生活動態。如何將這些特徵聯合起來幫助我們預測城市火災風險是本文的難點。

圖1.火災頻次隨時空特徵的變化趨勢

解決方案

系統詳情

對於如何綜合以上時空特徵，我們設計了一種城市火災風險預測的機器學習模型。為了方便火災監測和安全部署，我們基於本文演算法開發了火災檢測和預測系統，根據實時獲取的資料對預測結果進行迭代更新。圖2為我們提出的解決方案的系統流程圖，該系統主要分為兩個部分：本地學習和線上處理。在本地學習階段，我們首先從收集到的城市資料中為每個地塊提取出時空特徵，並對歷史火災發生情況進行地圖匹配和時段分割方便後續查詢，並且使用提取的時空特徵對模型進行訓練以備後續進行預測。在線上處理階段，系統一方面需要不斷爬取最新的城市資料傳向本地伺服器，使得本地伺服器對時空特徵和模型不斷進行更新。另一方面，將更新後的模型預測得到的火災風險和歷史火災風險進行視覺化，並對高風險地塊進行篩選。

圖2. 城市火災時空預測系統流程圖

模型詳情

本文演算法由兩個部分組成，分別為：時序火災發生情況分類和空間火災風險評級。演算法流程如圖3所示。

圖3.演算法流程圖

1. 時序火災發生情況分類

由以上的分析可知，從整個城市火災的分佈上來看，有些區域發生火災的風險持續較高而有些區域發生火災的風險持續較低。我們使用條件隨機場對某一地塊在時序上的發生機率進行計算。在對時序特徵X編碼時我們使用遞迴神經網路GRU學習每個地塊的歷史時序特徵，進而使用時序特徵的編碼對未來的火災情況進行分類。

使用以下損失函式對分類情況進行學習：

2. 空間火災風險評級

相比現有的時空預測模型[3,4,5]進行的真實值預測來說，本文更關注火災風險的相對大小。為了對可能發生火災的區域進行風險排序，我們受BPR[6,7]啟發，我們將火災風險值預測轉化為空間地塊相對風險比較。如圖4所示，根據火災風險的大小y，計算出每兩個地塊的相對大小。

圖4 地塊風險相對大小示意圖

根據地塊之間的相對大小矩陣rt對各地塊的火災風險進行預測，損失函式如下：

實驗結果

本篇文章中，我們與9個相關方法進行了對比。我們的方法在四個指標中都獲得了最佳的效果。從結果可以看出，使用空間火災風險排序相較於直接對整個城市地塊的風險直接預測所產生的效果有明顯提升。

並且相比其他方法，我們的方法可以更好地區分出空間的火災風險相對大小：

圖5 模型結果對比圖

平臺支撐

隨著大資料技術和機器學習領域的技術突破，人工智慧迎來了高速發展時期。無論是科研單位還是商業公司，甚至是政府部門，都把人工智慧作為未來發展戰略的重要方向。現階段各行各業都在談論"落地AI"，希望AI技術可以賦能傳統行業，真正為行業產生創新和價值。正所謂"工欲善其事，必先利其器"，一個高效，易用的機器學習平臺對於企業來說愈發重要，不僅可以提供更好的人工智慧演算法研發支援，還可以減少模型開發內部重複性，提升資源使用率和整體研發效率。京東城市AI團隊主要圍繞著城市交通、規劃、環境、能耗、政務、公共和商業等垂直行業，打造城市時空智慧引擎FAST產品，其最為核心的價值是為政企和合作夥伴提供高效能、低門檻、可擴充套件的企業級AI智慧引擎解決方案，助力政企快速搭建企業級AI應用系統。城市時空智慧引擎FAST產品憑藉先進的分散式訓練引擎、高效能推理引擎，各種異構計算資源和主流計算框架，和多種面向城市時空AI演算法模型等優勢，為智慧城市時空AI各類場景提供完整的端到端人工智慧引擎系統服務，幫助客戶便捷的管理複雜的機器學習應用生命週期，並高效的完成AI建模與AI服務釋出，進而服務多種智慧應用場景，最終建構行業智慧生態。

本文提出的火災風險預測的模型已整理併入FAST產品整合的時空AI演算法庫中，該演算法庫針對城市中的時空應用場景整理了很多相應的演算法模型解決方案，整個演算法庫提供從樣本資料到時空AI運算元，再到時空AI元件，再到時空AI模型幾個層次，在底層各類封裝好的功能模組可供上層模型側搭建模型時使用。城市時空智慧引擎為時空AI演算法庫的持續整合、持續部署、持續訓練等功能提供完整的模型全生命週期管理平臺，最後各種時空AI模型用來為豐富多樣的城市時空應用場景提供AI演算法支援。

圖6 城市時空智慧引擎FAST架構圖