Aplicações de técnicas multivariadas em banco de dados de eventos de incêndio

Abstract

Incêndios em ambientes residenciais respondem por um quarto das ocorrências anuais totais de incidentes com fogo nos EUA, sendo responsáveis, nos últimos anos, por aproximadamente oitenta por cento das mortes e das lesões em civis nos EUA. Estatísticas de incêndio têm sido estudadas para o entendimento do comportamento e tendências de tais eventos, com vistas a auxiliar no desenvolvimento de diretivas para prevenção, proteção e combate ao fogo e alocação de recursos de segurança. Nesse sentido, percebese o sucessivo emprego de ferramentas multivariadas para o reconhecimento de padrões nas ocorrências de incêndios domiciliares, em particular a análise de cluster. O primeiro artigo objetiva a formação de grupos homogêneos de ocorrências de incêndios residenciais, a partir do uso de ferramentas multivariadas. O método proposto combina procedimentos hierárquicos e não hierárquicos de clusterização, Análise de Componentes Principais (ACP) e Silhouette Index (SI) para avaliar a qualidade dos agrupamentos gerados. O segundo artigo propõe o emprego de técnicas de mineração de dados para selecionar as variáveis mais relevantes para classificação das ocorrências de incêndio em classes. A sistemática apresentada combina a técnica “omita uma variável de cada vez” e a ferramenta de classificação K-Nearest Neighbor (KNN), objetivando selecionar o melhor subconjunto de variáveis independentes que descrevem as características dos eventos de incêndio para a predição da variável de resposta (classe de causa do incêndio), avaliando-se também o grau de relevância das variáveis para o modelo de classificação. Em ambos artigos, as metodologias propostas foram aplicadas ao conjunto de observações de incêndios residenciais reportados nos estados americanos da Flórida e do Texas, no período de 2010 a 2014, e associados a cinco principais causas.

Residential fires answer for one quarter of the total annual occurrences of fire incidents in the US, accounting in recent years for approximately eighty percent of deaths and injuries in civilians in the United States. Fire statistics were studied to understand the behavior and the trends of such events, aiming to assist in the development of directives for prevention, protection, firefighting and allocation of safety resources. In this regard, it is possible to identify the successive use of multivariate analysis techniques for the recognition of residential fire patterns, in particular, the cluster analysis. The first article aims to establish homogeneous groups of residential fires occurrences, based on the use of multivariate tools. The proposed method combines hierarchical and non-hierarchical procedures of clustering, Principal Component Analysis (PCA) and Silhouette Index (SI) to evaluate the quality of the generated clusters. The second article proposes the use of data mining techniques to select the most relevant variables to classifying fire occurrences. The presented system combines the "leave one variable out at a time" and the classification tool K-Nearest Neighbor (KNN), aiming to select the best independent variables that describe the attributes of fire events available to predict the response variable (the fire cause class), also evaluating the degree of relevance of these variables for the classification model. In both articles, the proposed methodologies were applied to the group of residential fires incidents reported in the states of Florida and Texas between 2010 and 2014, associating these occurrences to five main causes.