野火疏散地图的 conformal风险控制：表格、空间与图基模型的比较研究
机器学习
2026-03-25 v1 人工智能
摘要
当今部署的每一种野火预测模型都存在一个危险的共性：它们无法对漏掉的火势蔓延提供形式化的保证。尽管针对野火蔓延预测进行了大量深度学习研究，但尚无任何研究将分布无关的安全保证应用于该领域，使疏散规划者只能依赖概率阈值，且没有形式化的保障。我们填补了这一空白，提出了首个应用于野火蔓延预测的conformal风险控制（CRC）方法，提供了关于假阴性率（FNR <= 0.05）的有限样本保证。我们暴露了一个明显的失效现象：在三类模型家族（表格模型：LightGBM，AUROC 0.854；卷积模型：Tiny U-Net，AUROC 0.969；图基模型：Hybrid ResGNN-UNet，AUROC 0.964）中，标准阈值仅捕获了7%-72%的真实火势蔓延。CRC在所有模型上均消除了这一失效。我们的核心发现是，模型架构决定疏散效率，而CRC决定安全性：拥有CRC的空间模型实现约95%的火势覆盖率，仅标记约15%的总像素，比LightGBM高效4.2倍，而图模型相较于简单U-Net的额外复杂度并未带来实质性的效率提升。我们提出了一种考虑偏移的三路CRC框架，将区域分为SAFE/MONITOR/EVACUATE三类，以用于运营分级，并描述了在极端类别不平衡（约5%的火势悖论）下，以患者加权界限的根本性局限。所有模型、校准代码和评估管道均已公开，以便复现。
关键词
引用
@article{arxiv.2603.22331,
title = {Conformal Risk Control for Safety-Critical Wildfire Evacuation Mapping: A Comparative Study of Tabular, Spatial, and Graph-Based Models},
author = {Baljinnyam Dayan},
journal= {arXiv preprint arXiv:2603.22331},
year = {2026}
}