优化消防安全：利用先进机器学习技术减少误报
机器学习
2025-03-14 v1 人工智能
摘要
消防安全实践对于减少火灾造成的破坏程度至关重要。虽然烟雾报警器有助于挽救生命，但消防员面临着误报数量不断增加的挑战。本文提出了一种精确且高效的加权集成模型，用于减少误报。该模型估计密度，根据高密度和低密度区域计算权重，将高密度区域权重传递给KNN，低密度区域权重传递给XGBoost，并融合预测结果。所提出的模型在减少响应时间、提高消防安全以及最小化火灾造成的损害方面效果显著。一个专门设计的烟雾检测数据集被用于测试所提出的模型。此外，还利用了多种机器学习模型，如逻辑回归(LR)、决策树(DT)、随机森林(RF)、朴素贝叶斯(NB)、K近邻(KNN)、支持向量机(SVM)、极端梯度提升(XGBoost)、自适应提升(ADAB)。为了充分利用烟雾检测数据集，所有算法均采用SMOTE重采样技术。在评估各项指标后，本文对所有模型的对比结果进行了全面总结。
引用
@article{arxiv.2503.09960,
title = {Optimizing Fire Safety: Reducing False Alarms Using Advanced Machine Learning Techniques},
author = {Muhammad Hassan Jamal and Abdulwahab Alazeb and Shahid Allah Bakhsh and Wadii Boulila and Syed Aziz Shah and Aizaz Ahmad Khattak and Muhammad Shahbaz Khan},
journal= {arXiv preprint arXiv:2503.09960},
year = {2025}
}