論文の概要: A Network Percolation-based Contagion Model of Flood Propagation and
Recession in Urban Road Networks
- arxiv url: http://arxiv.org/abs/2004.03552v1
- Date: Tue, 7 Apr 2020 17:25:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 03:59:25.786199
- Title: A Network Percolation-based Contagion Model of Flood Propagation and
Recession in Urban Road Networks
- Title（参考訳）: 都市道路網における洪水伝播と不況のネットワークパーコレーションに基づく伝染モデル
- Authors: Chao Fan, Xiangqi Jiang, Ali Mostafavi
- Abstract要約: 都市道路網は公共サービスの提供や緊急対応に不可欠である。
本研究では,都市道路網における洪水水の時空間拡散・後退過程を数学的に記述する。
提案モデルの適用は,2017年のハリケーン・ハーベイにおけるハリス郡の道路洪水の高解像度履歴データを用いて検証された。
- 参考スコア（独自算出の注目度）: 2.5876546798940616
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we propose a contagion model as a simple and powerful
mathematical approach for predicting the spatial spread and temporal evolution
of the onset and recession of flood waters in urban road networks. A network of
urban roads resilient to flooding events is essential for provision of public
services and for emergency response. The spread of floodwaters in urban
networks is a complex spatial-temporal phenomenon. This study presents a
mathematical contagion model to describe the spatial-temporal spread and
recession process of flood waters in urban road networks. The evolution of
floods within networks can be captured based on three macroscopic
characteristics-flood propagation rate ($\beta$), flood incubation rate
($\alpha$), and recovery rate ($\mu$)-in a system of ordinary differential
equations analogous to the Susceptible-Exposed-Infected-Recovered (SEIR) model.
We integrated the flood contagion model with the network percolation process in
which the probability of flooding of a road segment depends on the degree to
which the nearby road segments are flooded. The application of the proposed
model was verified using high-resolution historical data of road flooding in
Harris County during Hurricane Harvey in 2017. The results show that the model
can monitor and predict the fraction of flooded roads over time. Additionally,
the proposed model can achieve $90\%$ precision and recall for the spatial
spread of the flooded roads at the majority of tested time intervals. The
findings suggest that the proposed mathematical contagion model offers great
potential to support emergency managers, public officials, citizens, first
responders, and other decision makers for flood forecast in road networks.
- Abstract（参考訳）: 本研究では,都市道路網における洪水水の発生・後退の空間的広がりと時間的変化を予測するための簡易かつ強力な数学的手法として,感染モデルを提案する。
洪水に耐性のある都市道路のネットワークは、公共サービスの提供や緊急対応に不可欠である。
都市ネットワークにおける洪水水の拡散は、複雑な時空間現象である。
本研究では,都市道路網における洪水水の時空間拡散・後退過程を数学的に記述する。
ネットワーク内の洪水の進化は,サセプティブル・エクスポージド・インフェクトド・リカバード(SEIR)モデルに類似した常微分方程式系において,3つのマクロな特性-フロード伝播速度(\beta$),フラッドインキュベーション速度(\alpha$),リカバリレート(\mu$)の3つに基づいて捉えることができる。
道路セグメントの浸水確率が近傍道路セグメントの浸水度に依存するネットワーク・パーコレーション・プロセスと洪水感染モデルを統合した。
提案モデルの適用は,2017年のハリケーン・ハーベイにおけるハリス郡の道路洪水の高解像度履歴データを用いて検証された。
その結果,洪水の少ない道路を時間とともに監視・予測できることがわかった。
さらに, 提案モデルでは, 試験時間間隔のほとんどにおいて, 浸水した道路の空間的広がりを再現し, 精度90\%の精度が得られる。
この結果から,提案された数学的感染モデルは,道路ネットワークにおける洪水予報のための緊急管理者,公務員,市民,第一応答者,その他の意思決定者を支援する大きな可能性を示唆している。
関連論文リスト
- CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded
Modelling [93.65319031345197]
本稿では,メソスケール降水分布と小規模パターンの予測を分離するために,決定的かつ確率的な部分からなるカスケードフレームワークCasCastを提案する。
CasCastは地域の極端降水量計のベースライン(+91.8%)をはるかに上回っている。
論文 参考訳（メタデータ） (2024-02-06T08:30:47Z) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-29T22:49:50Z) - A comparison of machine learning surrogate models of street-scale
flooding in Norfolk, Virginia [0.0]
バージニア州ノーフォークを例に挙げた低地の海岸都市は、降雨と潮によって引き起こされる道路洪水の課題に直面している。
高忠実で物理に基づくシミュレーションは、都市多重洪水の正確な予測を提供するが、その計算複雑性はリアルタイムアプリケーションには適さない。
本研究では,ランダムフォレストアルゴリズムに基づく代理モデルと,Long Short-Term Memory (LSTM) と Gated Recurrent Unit (GRU) の2つのディープラーニングモデルを比較した。
論文 参考訳（メタデータ） (2023-07-26T13:24:01Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳（メタデータ） (2023-02-20T16:08:54Z) - Flood Prediction Using Machine Learning Models [0.0]
本稿では,異なる機械学習モデルを用いて洪水の予測を行うことにより,この自然災害の極端なリスクを低減することを目的とする。
その結果、どのモデルがより正確な結果をもたらすかを理解するために比較分析を行う。
論文 参考訳（メタデータ） (2022-08-02T03:59:43Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Predicting Road Flooding Risk with Machine Learning Approaches Using
Crowdsourced Reports and Fine-grained Traffic Data [1.0554048699217669]
本研究の目的は,機械学習モデルを用いて地形,水文,時間的降水特性に基づいて,道路浸水リスクを予測することである。
ハリケーン・ハービーの発見は、降水が道路の浸水感受性を予測する上で最も重要な特徴であることを示している。
本研究は,道路レベルでの予測的洪水リスクマッピングの観点から,スマートフラッドレジリエンスの新たな分野を推し進めるものである。
論文 参考訳（メタデータ） (2021-08-30T14:25:58Z) - Learning Incident Prediction Models Over Large Geographical Areas for
Emergency Response Systems [0.7340017786387767]
本稿では,道路の地形,気象,歴史的事故,リアルタイム交通渋滞に関するデータを用いて,事故予測を支援するパイプラインについて述べる。
実験結果から,本手法は現状の手法と比較して,現場での応答時間を著しく短縮できることがわかった。
論文 参考訳（メタデータ） (2021-06-15T17:33:36Z) - Spatio-Temporal Graph Convolutional Networks for Road Network Inundation
Status Prediction during Urban Flooding [1.376408511310322]
本研究の目的は, 道路セグメントの近未来洪水の現状を, 道路セグメントの現状と隣接道路セグメントに基づいて予測することである。
道路セグメントレベルでの道路ネットワークの洪水状況の予測に関する既存の研究は欠落している。
論文 参考訳（メタデータ） (2021-04-06T04:03:34Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳（メタデータ） (2020-12-25T01:40:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。