สิริกัลยา สุขขี

1. ววิิิิธธีีีีโโโโคครงขข่่าา่่ยปรระะสสาาทเเททีีีียมแแลละะววิิิิธธีีีีจจีีีีนเเนนตติิิิกออััััลกอรริิิิททึึึึมสสํํํำาหรรัััับ
กกาารททํำานนาายกกาารเเกกิิดไไฟฟไไหหมใใ้้นททีี่่พพัักออาาศศััย
Neural network and GA approaches for dwelling fire occurrence prediction
L.Yang, C.W.Dawson, M.R.Brown M.Gell
ออาาจจาารยย์์ททีี่่ปรรึึกษษาา
ผผูู้้ชช่่วยศศาาาาสตรราาาาจจาาาารยย์์ ดร.กมลชนก พพาาาานนิิชกกาาาาร
นนํำาเเสสนอโโดดย
นนาาาางสสาาาาวสสิิรริิกกััลยยาาาา ปรระะะะมวล รหหััสปรระะะะจจํำาาาตตััว 50304207
รราายววิิชชาาสสััมมนนาา 2 ปกกีีาารศศึึกษษาา 2552

2. หหััวขออ้้ททีี่่นนํำาาเเเสสนอ
1. บทนำ (Introduction)
2. กกาารเเลลือกตตัวแแปปร (Input selection)
3. การลดจำนวนตัวแปร (Reducing input dimension)
4. การสร้างโมเดลโดยวิธีโลจิสติก (A logistic model for prediction)
5. กกาารสรรา้างโโมมเเดดลโโดดยววิธธีโโคครงขขา่ายปรระะสสาาทเเททียม (Neural network based prediction
model)
6. กกาารสรรา้างโโมมเเดดลโโดดยววิธธีจจีเเนนตติกออัลกอรริททึม (GA based prediction model)
7. การเปรียบเทียบโมเดลทั้งสามโมเดล
8. อภิปรายและสรุปผล (Discussion and conclusions)

3. บทนนํำาาา (Introduction)
1. พยากรณ์การเกิดไฟไหม้ในที่พักอาศัยเมือง Derbyshire ที่เป็นพื้นที่ในประเทศ
ออังกฤษ 189 เเขขต
2. ใช้วิธีวิเคราะห์องค์ประกอบหลักในการลดตัวแปร โดยพิจารณาทั้งหมด 7 ตัวแปร เหลืือเพีียง 3 ตััวแปปร
3. วิธีการสร้างโมเดลที่ใช้ในการพยากรณ์ทั้งหมด 3 วิธี ได้แก่
3.1 วิธีโลจิสติกโมเดล
3.2 วิธีโครงข่ายประสาทเทียม
3.3 วิธีจีเนติกอัลกอริทึม
4. เเปปรรียบเเททียบคววาามแแมมนน่ยยำาของโโมมเเดดล โโดดยใใชชเ้เกกณฑเ์เปปรรียบเเททียบโโมมเเดดลดว้วย Mean
Square Error

4. กกาารเเลลืือกตตััวแแปปรใใใในนกกาารสรราา้้งโโโโมมเเดดล

5. กกาาาารเเเเลลลืือกตตััวแแแแปปร (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 fires
0.528 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 fires
0.564 0.527 0.496 0.50 0.486 0.523

6. กกาาาารเเเเลลลืือกตตััวแแแแปปร (Input selection)
ตัวแปรที่นำมาพิจารณาได้แก่
ตัวแปรที่ 1 AGE0 คือประชากรที่มีอายุต่ำกว่า 4 ปี
ตัวแปรที่ 2 AGE5 คือประชากรที่มีอายุ5 ถึง 11 ปี
ตัวแปรที่ 3 AGE12 คือประชากรที่มีอายุ12 ถึง 18 ปี
ตตัวแแปปรทที่ 4 AGE19 คคือปรระะชชาากรทที่มมีออาายยุ19 ถถึง 64 ป 
ตัวแปรที่ 5 AGE65 คือประชากรที่มีอายุ65 ถึง 74 ปี
ตััวแปปรทีี่ 6 AGE75 คืือประชากรทีี่มีีอายุ75 ปปีีขึึ้นไไปป
ตัวแปรที่ 7 UNEMP คือประชากรที่ว่างงาน

7. กกาารลดจจํำานวนตตััวแแปปรออิิสรระะ

8. กกาาาารลดจจํำาาานวนตตััวแแแแปปร (Reduce Input dimension)
ใช้วิธี Principal Component Analysis: PCA ในการลดจำนวนตัวแปร

9. กกาาาารเเเเลลลืือกตตััวแแแแปปร (Input selection)
โครงสร้างการพยากรณ์การเกิดไฟไหม้

10. กกาาาารแแแแบบง่่งขอ้้อมมููลใใใในนกกาาาารสรราาาา้้งแแแแลลละะะะตรวจสอบโโโโมมเเเเดดล
ข้อมูลที่ใช้ในการสร้างโมเดลและตรวจสอบโมเดล
ข้อมูลไฟไหม้จาก 189 เขต
181 เขต 8 เขต
Training Set Test Set

11. ตตััวเเเปปรรีียบเเเทททีียบผลลลััพธธ์์
ตัวเปรียบเทียบผลลัพธ์ที่ใช้กับชุดข้อมูลทดสอบ
ค่าความคลาดเคลื่อนเฉลี่ยกำลังสอง (Mean squared error :MSE)
− Σn
=
2
i i
i 1
(A M )
MSE = i=n
โดยที่ Ai คือจำนวนไฟไหม้ที่เกิดขึ้นจริง
Mi คคือเเปปน็นคคา่าพยยาากรณจ์จำานวนกกาารเเกกิดไไฟฟไไหหม 
n คือจำนวนข้อมูลของชุดทดสอบ

12. ววิิิิธธีีีีกกาารททีีีี่่ใใใใชช้้ใใ้้ใในนกกาารสรราา้้้้งโโโโมมเเดดลใใใในนกกาารพยยาากรณณ์์์์

13. Logistic Regression Analysis

14. กกาาาารพยยาาาากรณโโโโ์์ดยววิิธธีีโโโโลลจจิิสตติิก (A logistic model for prediction)
โมเดลการถดถอยโลจิสติก
log(FIRE + l) = a + b × PC1 + c × PC2 + d × PC3 1
การประมาณค่าพารามิเตอร์ a, b, c และ d สามารถหาได้จากวิธีการประมาณค่ากำลัง
สองน้้อยสุด (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. กกาาาารพยยาาาากรณโโโโ์์ดยววิิธธีีโโโโลลจจิิสตติิก (A logistic model for prediction)
ผลลัพธ์ที่ได้
คค่าา MSE มมีคคา่าเเทท่าากกับ 4.875

16. Neural Network

17. กกาาาารพยยาาาากรณโโ์์โโดดยววิิธธีีโโโโคครงขขาา่่าายปรระะะะสสาาาาทเเเเทททีียม (Neural network model)
โมเดลโครงข่ายประสาทเทียม (Neural Network Model)
คือโมเดลทางคณิตศาสตร์์ สำหรับประผลสารสนเทศด้้วยการคำนวณแบบโครงขา่ย
โดยได้รับแนวคิดจากการทำงานของโครงข่ายประสาทในสมองมนุษย์
รูปที่ ก. โมเดล Neuron ในสมองมนุษย์ รูปที่ ข. โมเดล Neuron ในคอมพิวเตอร์

18. กกาาาารพยยาาาากรณโโ์์โโดดยววิิธธีีโโโโคครงขขาา่่าายปรระะะะสสาาาาทเเเเทททีียม (Neural network model)
สถาปัตยกรรมของโครงข่าย
1 1. Feedback network ข้ขอมมูลที่ทประมวลผลในวงจรขาข่ายจะมมีการปป้อนกลลับเขาเข้าไปยยังวงจรขาข่าย
หลายๆ ครั้งจนกระทั่งได้คำตอบออกมา (Recurrent network)
Input nodes Output nodes
รูปที่ ค. สถาปัตยกรรมของ Feedback network

19. กกาาาารพยยาาาากรณโโ์์โโดดยววิิธธีีโโโโคครงขขาา่่าายปรระะะะสสาาาาทเเเเทททีียม (Neural network model)
2. Feedforward network ข้อมูลที่ประมวลผลในวงจรข่ายจะถูกส่งไปในทิศทางเดียวโดย
ไม่มีการย้อนกลับของขอ้มููล หรือ Node ใน layer เดียวกันก็ไม่มีการเชื่อมต่อกัน
Input layer Hidden layers Output layer
รูปที่ ง. สถาปัตยกรรมของ Feedforward network

20. กกาาาารพยยาาาากรณโโ์์โโดดยววิิธธีีโโโโคครงขขาา่่าายปรระะะะสสาาาาทเเเเทททีียม (Neural network model)
Transfer Function
1. Sigmoid Function
2. Binary Function
3. Linear Function
Algorithm
1. Backpropagation Algorithm
2. Levenberg-Marquardt Algorithm
3. Quasi-Newton Algorithm
4. Conjugate Gradient Algorithm

21. กกาาาารพยยาาาากรณโโ์์โโดดยววิิธธีีโโโโคครงขขาา่่าายปรระะะะสสาาาาทเเเเทททีียม (Neural network model)
ข้อมูลที่ใช้ในการสร้างโมเดลและตรวจสอบโมเดล
ข้อมูลไฟไหม้จาก 189 เขต
181 เขต 8 เขต
Training Set Validation Set Test Set

22. กกาาาารพยยาาาากรณโโ์์โโดดยววิิธธีีโโโโคครงขขาา่่าายปรระะะะสสาาาาทเเเเทททีียม (Neural network model)
โมเดลโครงข่ายประสาทเทียมที่เหมาะสมกับปัญหามากที่สุด
PC1
Sigmoid Linear PC2 Y Levenberg-Marquardt
PC3
Input
(3 i )
Output
(1 t t)
Hidden1
(10 d )
Hidden2
inputs) nodes) (25 nodes) output)

23. กกาาาารพยยาาาากรณโโ์์โโดดยววิิธธีีโโโโคครงขขาา่่าายปรระะะะสสาาาาทเเเเทททีียม (Neural network model)
ผลลัพธ์ที่ได้
คค่าา MSE มมีคค่าาเเทท่าากกับ 2.375

24. Genetic Algorithm

25. กกาาาารพยยาาาากรณโโโโ์์ดยววิิธธีีจจีีเเเเนนตติิกออััลกอรริิททึึม (Genetic Algorithm)
จีเนติกอัลกอริทึม (Genetic algorithm: GA)
เป็็นวิธีการค้น้หาคำตอบซึึ่งเป็็นคำตอบที่เหมาะสมที่สุด
โดยได้แนวความคิดมาจากทฤษฎีวิวัฒนาการ Charles Darwin
จีเนติกอัลกอริทึมเป็นการคำนวณอย่างหนึ่งที่กล่าวได้ว่ามี
“วิวัฒนาการ” อยู่ในขั้นตอนของการหาคำตอบ

26. กกาาาารพยยาาาากรณโโโโ์์ดยววิิธธีีจจีีเเเเนนตติิกออััลกอรริิททึึม (Genetic Algorithm)
องค์ประกอบของจีเนติกอัลกอริทึม
1. รูปแบบโครโมโซม ใช้นำเสนอรูปแบบของคำตอบที่เป็นไปได้สำหรับปัญหา
1.1 Binary Encoding
1.2 Permutation Encoding
1.3 Valued Encoding
1.4 Tree Encoding
2. กกาารสรรา้างปรระะชชาากรตน้นกกำาเเนนิด (Initial Population) คคือกกาารสรรา้างกลลุ่มปรระะชชาากร
เริ่มต้นที่ใช้สำหรับหาคำตอบ (ใช้แบบ Random)
3. ฟังก์ชันประเมินค่าความเหมาะสม (Fitness Evaluation) เพื่อให้คะแนนแต่ละ
ทางเลือก

27. กกาาาารพยยาาาากรณโโโโ์์ดยววิิธธีีจจีีเเเเนนตติิกออััลกอรริิททึึม (Genetic Algorithm)
องค์ประกอบของจีเนติกอัลกอริทึม
4. จีีเนติิกโโอเปปอเรเตอร์์(Genetic Operator) ซึึ่งใใช้้ใในการพััฒนาหาคํำตอบทีี่ดีีกว่่าจาก
ประชากรเดิมที่มีอยู่ ได้แก่
4.1 Reproduction
4.2 Crossover
4.3 Mutation
5. ค่าพารามิเตอร์ต่างๆ ที่ต้องใช้สำหรับจีเนติกอัลกอริทึม ได้แก่
5.1 Crossover Probability
5.2 Mutation Probability
5.3 Population size

28. กกาาาารพยยาาาากรณโโโโ์์ดยววิิธธีีจจีีเเเเนนตติิกออััลกอรริิททึึม (Genetic Algorithm)

29. กกาาาารพยยาาาากรณโโโโ์์ดยววิิธธีีจจีีเเเเนนตติิกออััลกอรริิททึึม (Genetic Algorithm)
ข้้อมูลเขตทีี่PC1 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. กกาาาารพยยาาาากรณโโโโ์์ดยววิิธธีีจจีีเเเเนนตติิกออััลกอรริิททึึม (Genetic Algorithm)
กระบวนการแยกคุณลักษณะ
1 Guide point = Xpi , Ypi , Zpi
โดยที่ P คือลำดับของ Guide point
i คืคอจาจำนวน Guide point (i= 1 2 1,2,…,k)
Xp1 p1 Y p1 p1 Zp1 . . . pk Xpk Y pk Zpk pk
= 1 Chromosome
1
N k 2 2 2 1/ 2
= Σ − + − + − + 2
f min((X X ) (Y Y ) (Z Z ) ) (1 E /k)
fitness j 1 i pj i pj i pj
N =
=
i 1

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

32. กกาาาารพยยาาาากรณโโโโ์์ดยววิิธธีีจจีีเเเเนนตติิกออััลกอรริิททึึม (Genetic Algorithm)
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
ใในรอบทีี่ k Xp1 Y p1 Zp1 . . . Xpk Y pk Zpk

33. กกาาาารพยยาาาากรณโโโโ์์ดยววิิธธีีจจีีเเเเนนตติิกออััลกอรริิททึึม (Genetic Algorithm)
ผลลัพธ์ที่ได้
คค่าา MSE มมีคค่าาเเทท่าากกับ 2.875

34. สรรุุปผลจจาากกกาารทดสอบโโโมมเเดดล

35. เเเเปปรรีียบเเเเทททีียบกกาาาารพยยาาาากรณ  3 ววิิธธีี
Logistic Model Neural Network Model Genetic Algorithm Model
MSE = 4.875 MSE = 2.375 MSE = 2.875
ขข้อด ดี ขข้อด ดี ขข้อด
ดี
ไม่ยุ่งยากและง่ายตอ่การใช้งาน - แก้ปัญหาความไม่เป็นเชิงเส้น
- ง่ายต่อความเข้าใจและเห็นกระ
คำนวลัพธ์ได้รวดเร็ว
คาณผลลธไดเร- มีีความสามารถใในการปรับเปปลีี่ยน บวนกกาารททุกขขั้นตอน
และสามารถเรียนรู้สภาพแวดล้อม
ใหมม่ๆได
ไดั
ข้อเสีย ข้อเสีย ข้อเสีย
ความสมพนธจรงซบซ้อน
มากกว่าที่จะใช้ Logistic
model
ั้์ิั้ ํั์ีั้ ํ
- การคานวณผลลพธเสยเวลามาก
ในการคำนวณแต่ละโครงข่าย
กระบวนการซบซ้อน และคาตอบ
ที่ได้อาจไม่ใช่คำตอบที่ดีที่สุด

36. สรรุุปผล
ข้อสรุปจากงานวิจัย
1. ผลลัพธ์การทำนายไม่เป็นที่น่าพอใจ เนื่องจากขาดตัวแปรที่มีผลต่อการเกิดไฟ
ไหม้เช่นข้อู มูลทางด้านพฤติกรรมในชีวิตประจำวันของมฤุ
นุษย์
2. อุณหภูมิสูง/ต่ำ มีผลต่อจำนวนการเกิดไฟไหม้น้อยมาก
3. เทคโนโลยีด้านโครงข่ายประสาทเทียมและจีเนติกอัลกอริทึม สามารถ
นํำมาประยุกต์ใใชแ้้ละพัฒนาตัวแบบใในการทํำนายการเกิดไไฟฟไไหม้ไ้ได้้