neural network and ga approaches for dwelling fire occurrence prediction
TRANSCRIPT
โ ป โ ป วธโครงขายประสาทเทยมและวธจนเนตกอลกอรทมสาหรบวธโครงขายประสาทเทยมและวธจนเนตกอลกอรทมสาหรบ
การทานายการเกดไฟไหมในทพกอาศยการทานายการเกดไฟไหมในทพกอาศยNeural network and GA approaches for dwelling fire occurrence predictionNeural network and GA approaches for dwelling fire occurrence prediction
L Yang C W Dawson M R Brown L Yang C W Dawson M R Brown M GellM GellL.Yang, C.W.Dawson, M.R.Brown L.Yang, C.W.Dawson, M.R.Brown M.GellM.Gell
อาจารยทปรกษาอาจารยทปรกษา
ผชวยศาสตราจารย ดรผชวยศาสตราจารย ดร กมลชนก พานชการกมลชนก พานชการ ผชวยศาสตราจารย ดรผชวยศาสตราจารย ดร..กมลชนก พานชการกมลชนก พานชการ
นาเสนอโดยนาเสนอโดย
นางสาวสรกลยา ประมวล รหสประจาตว นางสาวสรกลยา ประมวล รหสประจาตว 5030420750304207นางสาวสรกลยา ประมวล รหสประจาตว นางสาวสรกลยา ประมวล รหสประจาตว 5030420750304207
รายวชาสมมนา รายวชาสมมนา 2 2 ปการศกษา ปการศกษา 25522552
หวขอทนาเสนอหวขอทนาเสนอหวขอทนาเสนอหวขอทนาเสนอ
1. บทนา (Introduction)
2 การเลอกตวแปร (I t l ti )2. การเลอกตวแปร (Input selection)
3. การลดจานวนตวแปร (Reducing input dimension)
4. การสรางโมเดลโดยวธโลจสตก (A logistic model for prediction)
5. การสรางโมเดลโดยวธโครงขายประสาทเทยม (Neural network based prediction 5. การสรางโมเดลโดยวธโครงขายประสาทเทยม (Neural network based prediction
model)
6 การสรางโมเดลโดยวธจเนตกอลกอรทม (GA b d di ti d l)6. การสรางโมเดลโดยวธจเนตกอลกอรทม (GA based prediction model)
7. การเปรยบเทยบโมเดลทงสามโมเดล
8. อภปรายและสรปผล (Discussion and conclusions)
บทนา บทนา (Introduction)(Introduction)บทนา บทนา (Introduction)(Introduction)
1. พยากรณการเกดไฟไหมในทพกอาศยเมอง Derbyshire ทเปนพนทในประเทศ
องกฤษ 189 เขตองกฤษ 189 เขต
2. ใชวธวเคราะหองคประกอบหลกในการลดตวแปร โดยพจารณาทงหมด 7 ตวแปร
ป เหลอเพยง 3 ตวแปร
3. วธการสรางโมเดลทใชในการพยากรณทงหมด 3 วธ ไดแก
3.1 วธโลจสตกโมเดล
3.2 วธโครงขายประสาทเทยม
3.3 วธจเนตกอลกอรทม
4 เปรยบเทยบความแมนยาของโมเดล โดยใชเกณฑเปรยบเทยบโมเดลดวย Mean 4. เปรยบเทยบความแมนยาของโมเดล โดยใชเกณฑเปรยบเทยบโมเดลดวย Mean
Square Error
ป ใ โ ป ใ โการเลอกตวแปรในการสรางโมเดลการเลอกตวแปรในการสรางโมเดล
การเลอกตวแปร การเลอกตวแปร (Input selection)(Input selection)การเลอกตวแปร การเลอกตวแปร (Input selection)(Input selection)
Table 1
Correlation between the number of dwelling fires and the possible influencing factors
Correlation Population Unemployment Maximum
temperature
Minimum
temperature
Number of
Dwelling fires0.528 0.554 -0.044 -0.0306
Table 2 Correlation between the number of dwelling fires and the population distribution
Correlation Population in various ages
0~4 5~11 12~18 19~64 65~74 Over 75
Number of
Dwelling fires0.564 0.527 0.496 0.50 0.486 0.523
การเลอกตวแปร การเลอกตวแปร (Input selection)(Input selection)การเลอกตวแปร การเลอกตวแปร (Input selection)(Input selection)
ตวแปรทนามาพจารณาไดแก
ตวแปรท 1 AGE0 คอประชากรทมอายตากวา 4 ป
ตวแปรท 2 AGE5 คอประชากรทมอาย 5 ถง 11 ป
ตวแปรท 3 AGE12 คอประชากรทมอาย 12 ถง 18 ป
ตวแปรท 4 AGE19 คอประชากรทมอาย 19 ถง 64 ป ตวแปรท 4 AGE19 คอประชากรทมอาย 19 ถง 64 ป
ตวแปรท 5 AGE65 คอประชากรทมอาย 65 ถง 74 ป
ป ป ป ไปตวแปรท 6 AGE75 คอประชากรทมอาย 75 ปขนไป
ตวแปรท 7 UNEMP คอประชากรทวางงาน
ป ป การลดจานวนตวแปรอสระการลดจานวนตวแปรอสระ
การลดจานวนตวแปร การลดจานวนตวแปร (Reduce Input dimension)(Reduce Input dimension)การลดจานวนตวแปร การลดจานวนตวแปร (Reduce Input dimension)(Reduce Input dimension)
ใชวธ Principal Component Analysis: PCA ในการลดจานวนตวแปร
การเลอกตวแปร การเลอกตวแปร (Input selection)(Input selection)การเลอกตวแปร การเลอกตวแปร (Input selection)(Input selection)
โครงสรางการพยากรณการเกดไฟไหม
การแบงขอมลในการสรางและตรวจสอบโมเดลการแบงขอมลในการสรางและตรวจสอบโมเดลการแบงขอมลในการสรางและตรวจสอบโมเดลการแบงขอมลในการสรางและตรวจสอบโมเดล
ขอมลทใชในการสรางโมเดลและตรวจสอบโมเดล
ขอมลไฟไหมจาก 189 เขต
181 เขต 8 เขต
Training Set Test Set
ตวเปรยบเทยบผลลพธตวเปรยบเทยบผลลพธตวเปรยบเทยบผลลพธตวเปรยบเทยบผลลพธ
ตวเปรยบเทยบผลลพธทใชกบชดขอมลทดสอบ
คาความคลาดเคลอนเฉลยกาลงสอง (Mean squared error :MSE)
=
−∑n
2
i i
i 1
(A M )== i 1MSE
n
โดยท Ai คอจานวนไฟไหมทเกดขนจรง
M คอเปนคาพยากรณจานวนการเกดไฟไหม Mi คอเปนคาพยากรณจานวนการเกดไฟไหม
n คอจานวนขอมลของชดทดสอบ
ใ ใ โ ใ ใ ใ โ ใ วธการทใชในการสรางโมเดลในการพยากรณวธการทใชในการสรางโมเดลในการพยากรณ
L i i R i A l iL i i R i A l iLogistic Regression AnalysisLogistic Regression Analysis
การพยากรณโดยวธโลจสตก การพยากรณโดยวธโลจสตก (A logistic model for prediction)(A logistic model for prediction)การพยากรณโดยวธโลจสตก การพยากรณโดยวธโลจสตก (A logistic model for prediction)(A logistic model for prediction)
โมเดลการถดถอยโลจสตก
log(FIRE + l) = a b × PC1 c × PC2 d × PC3+ + + 1
การประมาณคาพารามเตอร a, b, c และ d สามารถหาไดจากวธการประมาณคากาลง
( )สองนอยสด (Least Square Estimation: LSE)
Table 3 Estimates of the parameters of the logistic model
Model Constant (a) PC1(b) PC(c) PC(d)
Parameter estimate 0.421 0.07099 -0.0165 0.0432
Standard error 0.019 0.008 0.026 0.028
การพยากรณโดยวธโลจสตก การพยากรณโดยวธโลจสตก (A logistic model for prediction)(A logistic model for prediction)การพยากรณโดยวธโลจสตก การพยากรณโดยวธโลจสตก (A logistic model for prediction)(A logistic model for prediction)
ผลลพธทได คา MSE มคาเทากบ 4 875คา MSE มคาเทากบ 4.875
N l N k N l N k Neural Network Neural Network
การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)
โมเดลโครงขายประสาทเทยม (Neural Network Model)
คอโมเดลทางคณตศาสตร สาหรบประผลสารสนเทศดวยการคานวณแบบโครงขาย
โดยไดรบแนวคดจากการทางานของโครงขายประสาทในสมองมนษย
รปท ก. โมเดล Neuron ในสมองมนษย รปท ข. โมเดล Neuron ในคอมพวเตอร
การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)
1 Feedback network ขอมลทประมวลผลในวงจรขายจะมการปอนกลบเขาไปยงวงจรขาย
สถาปตยกรรมของโครงขาย
1. Feedback network ขอมลทประมวลผลในวงจรขายจะมการปอนกลบเขาไปยงวงจรขาย
หลายๆ ครงจนกระทงไดคาตอบออกมา (Recurrent network)
Input nodes Output nodes
รปท ค. สถาปตยกรรมของ Feedback network
การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)
2. Feedforward network ขอมลทประมวลผลในวงจรขายจะถกสงไปในทศทางเดยวโดย
ไมมการยอนกลบของขอมล หรอ Node ใน layer เดยวกนกไมมการเชอมตอกน y
Output layerInput layer Hidden layers
รปท ง. สถาปตยกรรมของ Feedforward network
การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)
Transfer Function
1. Sigmoid Function
2. Binary Functiony
3. Linear Function
Algorithm
1. Backpropagation Algorithm
2. Levenberg-Marquardt Algorithm
3. Quasi-Newton Algorithm
4. Conjugate Gradient Algorithm
การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)
ขอมลทใชในการสรางโมเดลและตรวจสอบโมเดล
ขอมลไฟไหมจาก 189 เขต
181 เขต 8 เขต
Training Set Test SetValidation Set
การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)
โมเดลโครงขายประสาทเทยมทเหมาะสมกบปญหามากทสด
PC1Sigmoid Linear
PC1
PC2 YLevenberg-Marquardt
PC3
Input(3 i )
Output(1 t t)
Hidden1(10 d )
Hidden2(25 d )(3 inputs) (1 output)(10 nodes) (25 nodes)
การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)การพยากรณโดยวธโครงขายประสาทเทยม การพยากรณโดยวธโครงขายประสาทเทยม (Neural network model)(Neural network model)
ผลลพธทได
คา MSE มคาเทากบ 2 375 คา MSE มคาเทากบ 2.375
G ti Al ithG ti Al ithGenetic AlgorithmGenetic Algorithm
การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)
จเนตกอลกอรทม (Genetic algorithm: GA)
เปนวธการคนหาคาตอบซงเปนคาตอบทเหมาะสมทสด
โดยไดแนวความคดมาจากทฤษฎววฒนาการ Charles Darwin
จเนตกอลกอรทมเปนการคานวณอยางหนงทกลาวไดวาม
“ววฒนาการ” อยในขนตอนของการหาคาตอบ
การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)
องคประกอบของจเนตกอลกอรทม
1. รปแบบโครโมโซม ใชนาเสนอรปแบบของคาตอบทเปนไปไดสาหรบปญหา1.1 Binary Encoding 1.2 Permutation Encoding1.3 Valued Encoding 1 4 di1.4 Tree Encoding
2 การสรางประชากรตนกาเนด (Initial Population) คอการสรางกลมประชากร 2. การสรางประชากรตนกาเนด (Initial Population) คอการสรางกลมประชากร เรมตนทใชสาหรบหาคาตอบ (ใชแบบ Random)
3. ฟงกชนประเมนคาความเหมาะสม (Fitness Evaluation) เพอใหคะแนนแตละ ทางเลอก
การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)
องคประกอบของจเนตกอลกอรทม
โ ป ใ ใ 4. จเนตกโอเปอเรเตอร(Genetic Operator) ซงใชในการพฒนาหาคาตอบทดกวาจาก ประชากรเดมทมอย ไดแก
4 1 Reproduction4.1 Reproduction4.2 Crossover4.3 Mutation
5. คาพารามเตอรตางๆ ทตองใชสาหรบจเนตกอลกอรทม ไดแก5 1 C P b bilit5.1 Crossover Probability5.2 Mutation Probability5.3 Population sizep
การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)
การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)
ขอมลเขตท PC1 PC2 PC3 Y
1 X1 Y1 Z1 01 1 1
2 X2 Y2 Z2 3
3 X3 Y3 Z3 93 X3 Y3 Z3 9
4 X4 Y4 Z4 5
5 X Y Z 15 X5 Y5 Z5 1
6 X6 Y6 Z6 2
7 X7 Y7 Z7 7
8 X8 Y8 Z8 0
9 X9 Y9 Z9 0
181 X181 Y181 Z181 12
การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)
กระบวนการแยกคณลกษณะ
1 Guide point = Xpi , Ypi , Zpi
โดยท P คอลาดบของ Guide point
i คอจานวน Guide point (i= 1 2 k)
Xp1 Y p1 Zp1 . . . Xpk Y pk Zpk = 1 Chromosome
i คอจานวน Guide point (i= 1,2,…,k)
p1 p1 p1 pk pk pk
N1 N k2 2 2 1/ 2
fitness i pj i pj i pjj 1
i 1
1f min((X X ) (Y Y ) (Z Z ) ) (1 E / k)
N ==
= − + − + − +∑ 2
การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)
Start
k=1 k is the number of guide point
Desired valued = 50Run GA k=k+1
Desired valued 50
Generation = 20
Fitness
<=the desired valueno
E d
yes
End
Fig 6 An Iterative GAFig. 6 An Iterative GA
การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)
X Y Z X Y Z = 1 Chromosome Xp1 Y p1 Zp1 . . . Xpk Y pk Zpk = 1 Chromosome
ในรอบท 1 Xp1 Y p1 Zp1
ในรอบท 2 Xp1 Y p1 Zp1 Xp2 Y p2 Zp2
ใ ในรอบท k Xp1 Y p1 Zp1 . . . Xpk Y pk Zpk
การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)การพยากรณโดยวธจเนตกอลกอรทม การพยากรณโดยวธจเนตกอลกอรทม (Genetic Algorithm)(Genetic Algorithm)
ผลลพธทได
คา MSE มคาเทากบ 2 875 คา MSE มคาเทากบ 2.875
ป โป โสรปผลจากการทดสอบโมเดลสรปผลจากการทดสอบโมเดล
เปรยบเทยบการพยากรณ เปรยบเทยบการพยากรณ 3 3 วธวธเปรยบเทยบการพยากรณ เปรยบเทยบการพยากรณ 3 3 วธวธ
Logistic Model Neural Network Model Genetic Algorithm Model
MSE = 4.875 MSE = 2.375 MSE = 2.875
ขอด ขอด ขอด
- แกปญหาความไมเปนเชงเสนไมยงยากและงายตอการใชงาน
คานวณผลลพธไดรวดเรว
ขอด ขอด ขอด
- งายตอความเขาใจและเหนกระ
บวนการทกขนตอน ใ ป ป คานวณผลลพธไดรวดเรว บวนการทกขนตอน- มความสามารถในการปรบเปลยน
และสามารถเรยนรสภาพแวดลอม
ใหมๆได
ขอเสย ขอเสย ขอเสย
ใหมๆได
ความสมพนธจรงซบซอน
มากกวาทจะใช Logistic
model
- การคานวณผลลพธเสยเวลามาก
ในการคานวณแตละโครงขาย
กระบวนการซบซอน และคาตอบ
ทไดอาจไมใชคาตอบทดทสด
model
สรปผลสรปผลสรปผลสรปผล
ขอสรปจากงานวจย
1. ผลลพธการทานายไมเปนทนาพอใจ เนองจากขาดตวแปรทมผลตอการเกดไฟ
ไหมเชนขอมลทางดานพฤตกรรมในชวตประจาวนของมนษย
2. อณหภมสง/ตา มผลตอจานวนการเกดไฟไหมนอยมาก
ฤ
3. เทคโนโลยดานโครงขายประสาทเทยมและจเนตกอลกอรทม สามารถ
ป ใ ใ ไฟไ ไ นามาประยกตใชและพฒนาตวแบบในการทานายการเกดไฟไหมได