高雄市 1999 智慧分案系統：利用機器學習分類案件

高雄市 1999 提供了至少 7 年的歷史資料，我們是否可以透過分析這些資料，供未來進行快速分案呢？

繼上一次的 高雄市 1999 市政儀表板：用 Open1999 開放資料做視覺化 後，我們在同一個比賽中其實還做了智慧分案系統：終極目標是案件受理人員只要把案件描述打下來，系統就可以自動分案，把案件分派到適當的局處。

下載、預處理 1999 歷史資料

在高雄市政府資料開放平臺中，有從 100 年到 106 年度的歷史派工資料，首先我們透過平臺上的 CKAN API 搜尋並下載下來，這邊使用的是 node.js 中的 axios 套件。之後再透過 concat-files 套件把所有的檔案（CSV 格式）結合成同一個檔案，以供後續進行分析。

觀察這些檔案格式後，由於我們透過案件描述來預測局處，所以我們主要會分析 BeforeDesc 欄位及 UnitName 欄位。

預處理的部分，一開始我們先將 BeforeDesc 中的描述斷詞，當然是使用 jieba 套件。在這裡我們還把一些可能會影響預測的贅詞去掉，像是受理人員會記錄的「渠反映該處......」、「......建請會同查處」等等，另外我們也把車牌去掉了。斷詞後會得到這樣的資料：

有人 放鞭 鞭炮 放鞭炮
民 眾 施放 鞭炮 妨礙 安寧
施 方 鞭炮 妨礙 安寧
*   渠 反映 該 業者 音樂 樂聲 音樂聲 大 ， 妨害 安寧
擴音 擴音器 聲 大 擾民
一間 PUB 音樂 樂聲 音樂聲 過 大 ， 妨礙 安寧
多名 青少 少年 青少年 在 施放 放煙 煙火 放煙火 施放煙火 ， 妨礙 安寧
店家 客人 喧鬧 ， 車輛 紅線 違停
渠 反映 該 業者 歡唱 音量 過 大 ， 妨害 安寧
店家 冷氣 水塔 聲 大 擾民
音樂 樂聲 音樂聲 大 擾民
......

其實在這種資料裡出現車牌似乎有點不應該，大概是沒注意到這裡也要去識別化吧？

接著要將這些詞彙整理出來，並計算出現的次數：

路燈 121218
不亮 116759
故障 110524
反映 96978
一盞 59342
路面 55458
噪音 42758
坑洞 40246
號誌 38908
......

訓練預測模型

預處理完資料後，接著就是要開始訓練模型了。樣本數目大概有 52 萬筆資料，整理出來大概兩萬個詞彙吧，我們在這裡選擇使用類似貝式分類的方法來訓練模型。

我們將每一個詞彙在不同局處出現的機率記下來，例如路燈這個詞在各個局處的機率：

養工處 0.8995116236862513
環保局 0.029484070022603903
警察局 0.000057747199260835846
水利局防洪維護科 0.002656371165998449
交通局 0.0005362239931363329
台電公司 0.001229190384266363
養工處2 0.04199046346252207
觀光局 0.0013199359831048195
民政局 0.00006599679915524098
區公所 0.0011384447854279067
工務局 0.00014024319820488707
動物保護處 0.00006599679915524098
自來水公司 0.000008249599894405122

而不亮這個詞：

養工處 0.8247843849296413
交通局 0.11998218552745399
水利局防洪維護科 0.0046677343930660595
養工處2 0.036476845468015315
台電公司 0.0004967497152253788
警察局 0.000008564650262506531
民政局 0.000034258601050026125
觀光局 0.002192550467201672
區公所 0.0013360854409510188
工務局 0.00005138790157503918

以此類推，我們將每個詞彙在不同局處的機率都算出來並存下來。

我們並沒有深入了解派工的邏輯，所以不清楚為什麼有些事件會派給大樹區公所、大寮區公所等等公所。為了簡化計算，我們將所有區公所統一用「區公所」來計算；此外，我們也沒有去深入了解為什麼會有養工處和養工處2。

使用、評估預測模型

有了這個機率模型後，之後輸入新的句子，一樣都會先透過結巴斷詞，分解出各個詞彙。透過剛剛的預測模型算出每個詞彙在不同局處的機率，並將不同局處的機率相乘起來（若該詞彙沒有紀錄，則忽略不計）。

例如當輸入「路燈不亮」這個詞，首先會被斷為「路燈 / 不亮」，接著透過剛剛的模型算出兩個詞在各個局處的機率，並相乘而得到：

養工處 0.7419031412791277
環保局 0.029484070022603903
養工處2 0.0015316796468527608
動物保護處 0.00006599679915524098
交通局 0.0000643373266287557
水利局防洪維護科 0.000012399235052279951
自來水公司 0.000008249599894405122
觀光局 0.0000028940262564327704
台電公司 6.105999733420899e-7
......

如此我們便能預測「路燈不亮」應該交給養工處、環保局或養工處2。由於輸入的句子越長，斷開的詞就會越多，機率就會越乘越小，在這裡我們只選出最大（或前幾大）的局處當作候選局處。

把他丟回這 7 年度的資料預測看看，可以看到模型準確率和案件量呈正向關係，前幾名大概如下：

由於我們使用 100～106 年度的資料訓練，所以我們改拿 107 年 1 月到 107 年 4 月底的資料來做評估。前幾名如下：

結語

最後將這模型做成 API 以供分案系統直接在線上呼叫使用，一樣把成品丟出來放在這裡：https://work1999.noob.tw。

最後做出來的智慧分案系統看起來很厲害，也實際能操作，不過某些某些描述丟進去還是沒辦法準確預測；像剛剛說的 107 年資料丟進去，完全命中的機率大概有 78%，而考慮前三名的局處的話命中機率有 90%。雖然還不能完全取代真人判斷，但至少可以協助判斷，是個還算堪用的模型了。未來是否有人能建議該怎麼改善或用不同方法算算看呢？也許可以考慮看看 NN？

噢，你說比賽結果如何？

我們得銀質獎啦（哼），輸給區塊鏈啦（哼）。

相關連結

• 用 JS 做語意分析是不是搞錯了什麼(一)：斷詞篇
• 高雄市 1999 市政儀表板：用 Open1999 開放資料做視覺化
• NoobTW/kcg-1999-classifier