人工智慧預測

消防單位在火災初期不了解火場內部存放物質，對進入火場之消防人員安全是極 大危害，因此運用物聯網整合平台以及多元性的環境感知設備，佈建感知模組以監控 環境狀態變化。本實驗透過溫度與氣體的資訊接收傳輸，將室內資訊進行無人方式偵 測，數據結果藉由平台管理進行資訊純化，將資料依照感測模組類型分類，並依照特 定的資料型態儲存，可提供資料庫數據進行模型訓練使用。

本計畫將整合室內火災避難引導技術及人工智慧即時分析演算技術，以建構最佳 化智慧探測模組，提供極早期火災探測(Very Early Fire Detection)技術協助室內環境預 警通報及火源探知，使用 Microsoft Azure ML Studio 平台，透過彙整過後的蒐集數據 導入系統，進行人工智慧演算工程模擬，以大數據方式使演算結果更為準確，將火場

各類型蒐集數據進行分析，預測火勢延種程度與延燒範圍，得出預期的火點探知訓練 模型甚至是避難路線預測等結果，引導避難人員迅速疏散。

一、 人工智慧預測方式

利用 Microsoft Azure ML Studio 平台，選取對火場較具參考價值之氣體進行火災 預測分析，因為依據火災現況採用人工方式標註”火災發生與否”為標籤(Label)，故為 機器學習中的監督式學習預測。除了標註”火災發生與否”為標籤(Label)，針對火場較 具參考價值之氣體特性以選取特徵值(feature)，進而將各氣體的數值中刪除過大或過小 或空缺的異常值，並透過正規化方式將數據起伏訂定一個標準，使原始資料的數據按 比例縮放於同一區間中，資料轉換後可排除資料中單位的限制，以便提供相同的基準 來進行後續分析比較。在人工智慧模型上，採用 75%的資料量為訓練資料及 25%的資 料量為測試資料，並以線性回歸演算法(Linear regression algorithm) 進行資料訓練後再 以測試集資料加以測試，經過多次反覆依照實際情況對誤差值進行微調與重新訓練，

以獲取最佳預測效益。

二、 燃燒實驗預測

本計畫對台南火災場預進行人工智慧分析預測，將實驗過程回收之感測數值，選 用於預測場域內火災是否發生之元素，並依照上述機器學習訓練方式進行監督式學習，

並分類場預中的溫度感測模組 YUT1、3 點作為測試模型，YUT2 為預測模型；氣體感 測模組 YUG1、3、4 作為測試模型，YUG2 為預測模型。從平台中選取應用之數值，

並選取特徵值，剔除異常與空缺的數值。首先依照火場最具參考價值之 CO 作為優先 考量之氣體類別，並加入 H2S 數值後一併訓練，進行綜合預測，套用正規化方式，將 數據起伏訂定一個標準，將原始資料的數據按比例縮放於同一區間中，兩組資料則同 時轉換成純量縮放於此區間中，資料轉換後可排除資料中單位的限制，以便提供相同 的基準來進行後續分析比較。並在預測過程中發現 H2S 其中一點的數據異常，導致數 據在預測時發生誤判，其結果如表 3- 3，修正此誤差後預測結果可上升至約 92.6%。

第三章 極早期火災感知

後續延伸其他的訓練組合方式，將 YUG4+YUT1 作為訓練模型，將 YUG2+YUT2 做為測試模型，套入 CO +H2S+TEMP+NO2 的情形進行預測，以及另外再加入 NH3

表 3- 6 CO +H2S+TEMP+NO2+NH3 預測結果表

資料分析數量(筆) 預測數值

預測總數 19982

預測正確數量 15372

預測錯誤數量 4610

標記為燃燒數量 15469

標記為非燃燒數量 4513

預測結果 0.769292 (資料來源：本研究自行繪製)