1. วิิธโครงขายประสาทเทียมและวิธีจีนเนติกอัลกอริทมสําหรับ
ี  ป ี ิ ิ ั ิ ึ ํ ั
การทํานายการเกิดไฟไหมในทีพักอาศัย
่
Neural network and GA approaches for dwelling fire occurrence prediction
L.Yang, C W Dawson M.R.Brown M.Gell
L Yang C.W.Dawson, M R Brown M Gell
อาจารยที่ปรึกษา
ผชวยศาสตราจารย ดร.กมลชนก พานิชการ
ผู วยศาสตราจารย ดร. พานชการ
นําเสนอโดย
นางสาวสิริกัลยา ประมวล รหสประจาตว 50304207
นางสาวสรกลยา รหัสประจําตัว
รายวิชาสัมมนา 2 ปการศึกษา 2552

2. หวขอทนาเสนอ
หัวขอที่นาเสนอ
ํ
1. บทนํา (Introduction)
2.
2 การเลอกตวแปร (Input l ti )
การเลือกตัวแปร (I t selection)
3. การลดจํานวนตัวแปร (Reducing input dimension)
4. การสรางโมเดลโดยวิธีโลจิสติก (A logistic model for prediction)
5. การสรางโมเดลโดยวธโครงขายประสาทเทยม
การสรางโมเดลโดยวิธีโครงขายประสาทเทียม (Neural network based prediction
model)
6.
6 การสรางโมเดลโดยวธจเนตกอลกอรทม
การสรางโมเดลโดยวิธีจีเนติกอัลกอริทึม (GA based prediction model)
b d di ti d l)
7. การเปรียบเทียบโมเดลทั้งสามโมเดล
8. อภิปรายและสรุปผล (Discussion and conclusions)

3. บทนา
บทนํา (Introduction)
1. พยากรณการเกิดไฟไหมในที่พักอาศัยเมือง Derbyshire ที่เปนพื้นที่ในประเทศ
องกฤษ
อังกฤษ 189 เขต
2. ใชวิธีวิเคราะหองคประกอบหลักในการลดตัวแปร โดยพิจารณาทั้งหมด 7 ตัวแปร
เหลืือเพีียง 3 ตััวแปร
ป
3. วิธีการสรางโมเดลที่ใชในการพยากรณทั้งหมด 3 วิธี ไดแก
3.1 วิธโลจิสติกโมเดล
ี
3.2 วิธโครงขายประสาทเทียม
ี
3.3 วิธจีเนติกอัลกอริทึม
ี
4. เปรยบเทยบความแมนยาของโมเดล โดยใชเกณฑเปรียบเทียบโมเดลดวย
4 เปรียบเทียบความแมนยําของโมเดล โดยใชเกณฑเปรยบเทยบโมเดลดวย Mean
Square Error

4. การเลอกตวแปรในการสรางโมเดล
ื ั ปใ  โ

5. การเลือกตัวแปร (Input selection)
การเลอกตวแปร
Table 1
Correlation between the number of dwelling fires and the possible influencing factors
Correlation Population Unemployment Maximum Minimum
temperature temperature
Number of
0.528 0.554 -0.044 -0.0306
Dwelling fires
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
0.564 0.527 0.496 0.50 0.486 0.523
Dwelling fires

6. การเลือกตัวแปร (Input selection)
การเลอกตวแปร
ตัวแปรที่นํามาพิจารณาไดแก
ตัวแปรที่ 1 AGE0 คือประชากรที่มีอายุต่ํากวา 4 ป
ตัวแปรที่ 2 AGE5 คือประชากรที่มีอายุ 5 ถึง 11 ป
ตัวแปรที่ 3 AGE12 คือประชากรที่มีอายุ 12 ถึง 18 ป
ตวแปรท
ตัวแปรที่ 4 AGE19 คือประชากรที่มีอาย 19 ถึง 64 ป
คอประชากรทมอายุ ถง ป
ตัวแปรที่ 5 AGE65 คือประชากรที่มีอายุ 65 ถึง 74 ป
ตััวแปรทีี่ 6
ป AGE75 คือประชากรที่มีอายุ 75 ปขึ้นไป
ืป ี
ตัวแปรที่ 7 UNEMP คือประชากรที่วางงาน

7. การลดจานวนตวแปรอสระ
ํ ั ป ิ

8. การลดจํานวนตัวแปร (Reduce Input dimension)
การลดจานวนตวแปร
ใชวิธี Principal Component Analysis: PCA ในการลดจํานวนตัวแปร

9. การเลือกตัวแปร (Input selection)
การเลอกตวแปร
โครงสรางการพยากรณการเกิดไฟไหม

10. การแบงขอมูลในการสรางและตรวจสอบโมเดล
การแบงขอมลในการสรางและตรวจสอบโมเดล
ขอมูลที่ใชในการสรางโมเดลและตรวจสอบโมเดล
ขอมูลไฟไหมจาก 189 เขต
181 เขต 8 เขต
Training Set Test Set

11. ตวเปรยบเทยบผลลพธ
ตัวเปรียบเทียบผลลัพธ
ตัวเปรียบเทียบผลลัพธที่ใชกับชุดขอมูลทดสอบ
คาความคลาดเคลื่อนเฉลี่ยกําลังสอง (Mean squared error :MSE)
n
∑ (A i − Mi ) 2
MSE = i =1
n
โดยที่ Ai คือจํานวนไฟไหมที่เกิดขึ้นจริง
Mi คือเปนคาพยากรณจํานวนการเกิดไฟไหม
คอเปนคาพยากรณจานวนการเกดไฟไหม
n คือจํานวนขอมูลของชุดทดสอบ

12. วิิธีการทีี่ใชในการสรางโมเดลในการพยากรณ
 โ ใ

13. Logistic R
L i i Regression A l i
i Analysis

14. การพยากรณโดยวธโลจสตก
การพยากรณโดยวิธีโลจิสติก (A logistic model for prediction)
โมเดลการถดถอยโลจิสติก
log(FIRE + l) = a + b × PC1 + c × PC2 + d × PC3 1
การประมาณคาพารามิเตอร a, b, c และ d สามารถหาไดจากวิธีการประมาณคากําลัง
สองนอยสุด (
(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

15. การพยากรณโดยวธโลจสตก
การพยากรณโดยวิธีโลจิสติก (A logistic model for prediction)
ผลลัพธที่ได
คา
คา MSE มีคาเทากับ 4 875
มคาเทากบ 4.875

16. Neural N
N l Network
k

17. การพยากรณโดยวธโครงขายประสาทเทยม
การพยากรณโดยวิธโครงขายประสาทเทียม (Neural network model)
ี
โมเดลโครงขายประสาทเทียม (Neural Network Model)
คือโมเดลทางคณิตศาสตร สําหรับประผลสารสนเทศดวยการคํานวณแบบโครงขาย
โดยไดรับแนวคิดจากการทํางานของโครงขายประสาทในสมองมนุษย
รูปที่ ก. โมเดล Neuron ในสมองมนุษย รูปที่ ข. โมเดล Neuron ในคอมพิวเตอร

18. การพยากรณโดยวธโครงขายประสาทเทยม
การพยากรณโดยวิธโครงขายประสาทเทียม (Neural network model)
ี
สถาปตยกรรมของโครงขาย
1.
1 Feedback network ขอมลที่ประมวลผลในวงจรขายจะมีการปอนกลับเขาไปยังวงจรขาย
ขอมูลทประมวลผลในวงจรขายจะมการปอนกลบเขาไปยงวงจรขาย
หลายๆ ครั้งจนกระทั่งไดคําตอบออกมา (Recurrent network)
Input nodes Output nodes
รูปที่ ค. สถาปตยกรรมของ Feedback network

19. การพยากรณโดยวธโครงขายประสาทเทยม
การพยากรณโดยวิธโครงขายประสาทเทียม (Neural network model)
ี
2. Feedforward network ขอมูลที่ประมวลผลในวงจรขายจะถูกสงไปในทิศทางเดียวโดย
ไมมีการยอนกลับของขอมููล หรือ Node ใน layer เดียวกันก็ไมมีการเชื่อมตอกัน
y
Input layer Hidden layers Output layer
รูปที่ ง. สถาปตยกรรมของ Feedforward network

20. การพยากรณโดยวธโครงขายประสาทเทยม
การพยากรณโดยวิธโครงขายประสาทเทียม (Neural network model)
ี
Transfer Function
1. Sigmoid Function
2. Binary Function
y
3. Linear Function
Algorithm
1. Backpropagation Algorithm
2. Levenberg-Marquardt Algorithm
3. Quasi-Newton Algorithm
4. Conjugate Gradient Algorithm

21. การพยากรณโดยวธโครงขายประสาทเทยม
การพยากรณโดยวิธโครงขายประสาทเทียม (Neural network model)
ี
ขอมูลที่ใชในการสรางโมเดลและตรวจสอบโมเดล
ขอมูลไฟไหมจาก 189 เขต
181 เขต 8 เขต
Training Set Validation Set Test Set

22. การพยากรณโดยวธโครงขายประสาทเทยม
การพยากรณโดยวิธโครงขายประสาทเทียม (Neural network model)
ี
โมเดลโครงขายประสาทเทียมที่เหมาะสมกับปญหามากที่สุด
PC1
Sigmoid Linear
PC2 Y
Levenberg-Marquardt
PC3
Input Hidden1 Hidden2 Output
(3 iinputs)
) (10 nodes)
d ) (25 nodes)
d ) (1 output)
t t)

23. การพยากรณโดยวธโครงขายประสาทเทยม
การพยากรณโดยวิธโครงขายประสาทเทียม (Neural network model)
ี
ผลลัพธที่ได
คา
คา MSE มีคาเทากับ 2 375
มคาเทากบ 2.375

24. Genetic Algorithm
G ti Al ith

25. การพยากรณโดยวิธีจีเนติกอัลกอริทึม (Genetic Algorithm)
การพยากรณโดยวธจเนตกอลกอรทม
จีเนติกอัลกอริทม (Genetic algorithm: GA)
ึ
เปนวิธีการคนหาคําตอบซึ่ึงเปนคําตอบที่เหมาะสมที่สุด

โดยไดแนวความคิดมาจากทฤษฎีวิวฒนาการ Charles Darwin
ั
จีเนติกอัลกอริทึมเปนการคํานวณอยางหนึ่งที่กลาวไดวามี
“วิวัฒนาการ” อยูในขั้นตอนของการหาคําตอบ

26. การพยากรณโดยวิธีจีเนติกอัลกอริทึม (Genetic Algorithm)
การพยากรณโดยวธจเนตกอลกอรทม
องคประกอบของจีเนติกอัลกอริทึม
1. รูปแบบโครโมโซม ใชนําเสนอรูปแบบของคําตอบที่เปนไปไดสําหรับปญหา
1.1 Binary Encoding
1.2 Permutation Encoding
1.3 Valued Encoding
1.4
1 4 Tree Encoding
di
2. การสรางประชากรตนกาเนด
2 การสรางประชากรตนกําเนิด (Initial Population) คือการสรางกลมประชากร
คอการสรางกลุ
เริ่มตนที่ใชสําหรับหาคําตอบ (ใชแบบ Random)
3. ฟงกชันประเมินคาความเหมาะสม (Fitness Evaluation) เพื่อใหคะแนนแตละ
ทางเลือก

27. การพยากรณโดยวิธีจีเนติกอัลกอริทึม (Genetic Algorithm)
การพยากรณโดยวธจเนตกอลกอรทม
องคประกอบของจีเนติกอัลกอริทึม
4. จีีเนติกโอเปอเรเตอร(Genetic Operator) ซึึ่งใ ในการพััฒนาหาคําตอบที่ดีกวาจาก
ิโ ป ใช ํ ี
ประชากรเดิมที่มีอยู ไดแก
4.1
4 1 Reproduction
4.2 Crossover
4.3 Mutation
5. คาพารามิเตอรตางๆ ที่ตองใชสําหรับจีเนติกอัลกอริทึม ไดแก
 
5.1 Crossover P b bilit
51C Probability
5.2 Mutation Probability
5.3 Population size
p

28. การพยากรณโดยวิธีจีเนติกอัลกอริทึม (Genetic Algorithm)
การพยากรณโดยวธจเนตกอลกอรทม

29. การพยากรณโดยวิธีจีเนติกอัลกอริทึม (Genetic Algorithm)
การพยากรณโดยวธจเนตกอลกอรทม
ขอมูลเขตที่ี PC1 PC2 PC3 Y
1 X1 Y1 Z1 0
2 X2 Y2 Z2 3
3 X3 Y3 Z3 9
4 X4 Y4 Z4 5
5 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

30. การพยากรณโดยวิธีจีเนติกอัลกอริทึม (Genetic Algorithm)
การพยากรณโดยวธจเนตกอลกอรทม
กระบวนการแยกคุณลักษณะ
1 Guide point = Xpi , Ypi , Zpi
โดยที่ P คือลําดับของ Guide point
i คือจํานวน Guide point (i= 1 2 k)
คอจานวน 1,2,…,k)
Xp1 Y p1 Zp1 . . . Xpk Y pk Zpk = 1 Chromosome
1 N k
ffitness = ∑ min((X i − X pj ) + (Yi − Ypj ) + (Z i − Z pj ) ) (1 + E / k)
2 2 2 1/ 2
2
N i=1 j=1

31. การพยากรณโดยวิธีจีเนติกอัลกอริทึม (Genetic Algorithm)
การพยากรณโดยวธจเนตกอลกอรทม
Start
k=1 k is the number of guide point
Desired valued = 50
Generation = 20
Run GA k=k+1
Fitness
<=the desired value no
yes
End
Ed
Fig.
Fig 6 An Iterative GA

32. การพยากรณโดยวิธีจีเนติกอัลกอริทึม (Genetic Algorithm)
การพยากรณโดยวธจเนตกอลกอรทม
Xp1 Y p1 Zp1 . . . Xpk Y pk Zpk = 1 Chromosome
ในรอบที่ 1 Xp1 Y p1 Zp1
ในรอบที่ 2 Xp1 Y p1 Zp1 Xp2 Y p2 Zp2
ในรอบทีี่ k
ใ Xp1 Y p1 Zp1 . . . Xpk Y pk Zpk

33. การพยากรณโดยวิธีจีเนติกอัลกอริทึม (Genetic Algorithm)
การพยากรณโดยวธจเนตกอลกอรทม
ผลลัพธที่ได
คา
คา MSE มีคาเทากับ 2 875
มคาเทากบ 2.875

34. สรุปผลจากการทดสอบโมเดล
โ

35. เปรยบเทยบการพยากรณ วธ
เปรียบเทียบการพยากรณ 3 วิธี
Logistic Model Neural Network Model Genetic Algorithm Model
MSE = 4.875 MSE = 2.375 MSE = 2.875
ขอด
ขอดี ขอด
ขอดี ขอด
ขอดี
ไมยุงยากและงายตอการใชงาน - แกปญหาความไมเปนเชิงเสน - งายตอความเขาใจและเห็นกระ
คานวณผลลพธไดรวดเรว
คํานวณผลลัพธไดรวดเร็ว - มีีความสามารถในการปรบเปลีี่ยน
ใ ปั ป บวนการทุกขนตอน
บวนการทกขั้นตอน
และสามารถเรียนรูสภาพแวดลอม

ใหมๆได
ใหมๆได
ขอเสีย ขอเสีย ขอเสีย
ความสมพนธจรงซบซอน
ั ั  ิ ั  - การคานวณผลลพธเสยเวลามาก
ํ ั  ี กระบวนการซบซอน และคาตอบ
ั  ํ
มากกวาที่จะใช Logistic ในการคํานวณแตละโครงขาย ที่ไดอาจไมใชคําตอบทีดทสด
่ ี ี่ ุ
model

36. สรุปผล
สรปผล
ขอสรุปจากงานวิจัย
1. ผลลัพธการทํานายไมเปนที่นาพอใจ เนื่องจากขาดตัวแปรที่มีผลตอการเกิดไฟ
ไหมเชนขอมูลทางดานพฤติกรรมในชีวิตประจําวันของมนุุษย
ู ฤ
2. อุณหภูมิสูง/ต่ํา มีผลตอจํานวนการเกิดไฟไหมนอยมาก
3. เทคโนโลยีดานโครงขายประสาทเทียมและจีเนติกอัลกอริทึม สามารถ
นํํามาประยุกตใชและพฒนาตวแบบในการทํานายการเกดไฟไหมได
ป ใ  ั ั ใ ํ ิ ไฟไ