Sandyyy123/london-fire-response-forecasting
GitHub: Sandyyy123/london-fire-response-forecasting
基于伦敦消防队历史事件记录，利用LightGBM和时空特征工程预测消防首次响应时间并提供了可解释性分析。
Stars: 0 | Forks: 0
  
# 伦敦消防队响应时间预测
基于事件类型、地点和时间特征，进行消防队首次响应时间的时间序列回归预测。
## 任务
**时间序列回归**
## 架构
```
LFB Incident Records → Spatio-temporal Feature Eng → LightGBM Regressor → SHAP Attribution
```
## 核心特性
- 涵盖超过 50 万起事件的响应时间回归
- 时空特征工程（选区、行政区、小时、星期几）
- 事件类型和物业类别编码
- 一天中的时段与季节性需求模式
- 使用 LightGBM 结合 SHAP 归因以提升运营透明度
## 数据集
[伦敦消防队事件记录 (data.london.gov.uk)](https://data.london.gov.uk/dataset/london-fire-brigade-incident-records)
## 项目结构
```
├── src/
│ ├── model_baseline.py # Baseline model
│ └── model_advanced.py # Advanced model
├── notebooks/
│ └── 01_EDA.ipynb # Exploratory analysis
├── manuscripts/
│ └── manuscript.md # IMRaD writeup
├── reports/
│ └── references.md # Verified references
├── deliverables/
│ └── presentation.html # Self-contained HTML
├── data/
│ └── README.md # Dataset download instructions
└── requirements.txt
```
## 快速开始
```
git clone https://github.com/Sandyyy123/london-fire-response-forecasting.git
cd london-fire-response-forecasting
pip install -r requirements.txt
# 参见 data/README.md 以获取数据集下载
jupyter notebook notebooks/01_eda.ipynb
# 或运行 modeling:
jupyter notebook notebooks/03_modeling.ipynb
jupyter notebook notebooks/03_modeling.ipynb # advanced model (GPU recommended)
```
## 技术栈
`LightGBM · scikit-learn · pandas · geopandas`
## 作者
**Dr. Sandeep Grover** —— 数据科学博士，独立机器学习研究员，德国。
## 许可证
MIT
标签：BSD, LightGBM, Python, SHAP值解释, XGBoost, 伦敦消防队, 公共安全, 可解释机器学习, 后端开发, 回归分析, 应急响应时间预测, 应急资源调度, 数据挖掘, 数据科学项目, 无后门, 时空数据分析, 时空特征工程, 时间序列回归, 智慧城市, 梯度提升树, 消防出警预测, 逆向工具, 预测建模