論文の概要: A Review of Incident Prediction, Resource Allocation, and Dispatch Models for Emergency Management

• arxiv url: http://arxiv.org/abs/2006.04200v7
• Date: Thu, 18 Nov 2021 19:08:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 08:30:10.550402
• Title: A Review of Incident Prediction, Resource Allocation, and Dispatch Models for Emergency Management
• Title（参考訳）: 緊急管理のためのインシデント予測・資源割当・派遣モデルの検討
• Authors: Ayan Mukhopadhyay and Geoffrey Pettet and Sayyed Vazirizade and Di Lu and Said El Said and Alex Jaimes and Hiba Baroud and Yevgeniy Vorobeychik and Mykel Kochenderfer and Abhishek Dubey
• Abstract要約: 本調査は, (a) インシデント予測, (b) インシデント検出, (c) リソース割り当て, (c) 緊急対応のためのコンピュータ支援ディスパッチの4つのサブプロセスに関する課題と課題に焦点を当てる。 我々は、この領域における事前の作業の長所と短所を強調し、異なるモデリングパラダイム間の類似点と相違点を探る。 我々は、この複雑な領域を将来研究するためのオープンな課題と機会を例示して、結論付けます。
• 参考スコア（独自算出の注目度）: 21.03449363374841
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the last fifty years, researchers have developed statistical, data-driven, analytical, and algorithmic approaches for designing and improving emergency response management (ERM) systems. The problem has been noted as inherently difficult and constitutes spatio-temporal decision making under uncertainty, which has been addressed in the literature with varying assumptions and approaches. This survey provides a detailed review of these approaches, focusing on the key challenges and issues regarding four sub-processes: (a) incident prediction, (b) incident detection, (c) resource allocation, and (c) computer-aided dispatch for emergency response. We highlight the strengths and weaknesses of prior work in this domain and explore the similarities and differences between different modeling paradigms. We conclude by illustrating open challenges and opportunities for future research in this complex domain.
• Abstract（参考訳）: 過去50年間で、研究者は緊急対応管理システム(ERM)の設計と改善のための統計的、データ駆動、分析、アルゴリズム的なアプローチを開発してきた。 この問題は本質的に困難であり、不確実性の下での時空間決定を構成することが指摘されており、様々な仮定とアプローチで文献で論じられている。 この調査は4つのサブプロセスに関する重要な課題と課題に焦点を当て、これらのアプローチの詳細なレビューを提供する。 (a)インシデント予測。 (b)インシデント検出 (c)資源割り当て、及び (c)緊急対応のためのコンピュータ支援の派遣 我々は、このドメインにおける事前作業の強みと弱みを強調し、異なるモデリングパラダイム間の類似性と相違を探求する。 我々は、この複雑な領域における今後の研究のためのオープンな挑戦と機会を図示することで結論づける。

関連論文リスト

• Towards Sample-Efficiency and Generalization of Transfer and Inverse Reinforcement Learning: A Comprehensive Literature Review [50.67937325077047]
  本稿では,転送および逆強化学習(T-IRL)によるRLアルゴリズムのサンプル効率と一般化を実現するための総合的なレビューを行う。 以上の結果から,最近の研究成果の大部分は,人間のループとシム・トゥ・リアル戦略を活用することで,上記の課題に対処していることが示唆された。 IRL構造の下では、経験の少ない移行と、そのようなフレームワークのマルチエージェントおよびマルチインテンション問題への拡張を必要とするトレーニングスキームが近年研究者の優先事項となっている。
  論文  参考訳（メタデータ） (2024-11-15T15:18:57Z)
• Navigating the Risks: A Survey of Security, Privacy, and Ethics Threats in LLM-Based Agents [67.07177243654485]
  この調査は、大規模言語モデルに基づくエージェントが直面するさまざまな脅威を収集、分析する。 LLMをベースとしたエージェントの6つの重要な特徴を概説する。 4つの代表エージェントをケーススタディとして選択し,実践的に直面する可能性のあるリスクを分析した。
  論文  参考訳（メタデータ） (2024-11-14T15:40:04Z)
• A Comprehensive Survey on Evidential Deep Learning and Its Applications [64.83473301188138]
  Evidential Deep Learning (EDL)は、単一のフォワードパスで最小限の追加計算で信頼性の高い不確実性推定を提供する。 まず、主観的論理理論であるEDLの理論的基礎を掘り下げ、他の不確実性推定フレームワークとの区別について議論する。 さまざまな機械学習パラダイムや下流タスクにまたがる広範な応用について詳しく述べる。
  論文  参考訳（メタデータ） (2024-09-07T05:55:06Z)
• The Missing Link: Allocation Performance in Causal Machine Learning [7.093692674858259]
  一つのCATEモデルの性能が、さまざまな意思決定シナリオで大きく異なることを示す。 分布シフトなどの課題が予測やアロケーションに与える影響を明らかにする。
  論文  参考訳（メタデータ） (2024-07-15T14:57:40Z)
• Large Language Models for Forecasting and Anomaly Detection: A Systematic Literature Review [10.325003320290547]
  本稿では,Large Language Models (LLMs) の予測・異常検出への応用について概説する。 LLMは、パターンを特定し、将来の事象を予測し、様々な領域にまたがる異常な振る舞いを検出するために、広範囲なデータセットを解析し分析する大きな可能性を示してきた。 このレビューでは、膨大な歴史的データセットへの依存、さまざまな文脈における一般化可能性の問題、モデル幻覚の現象など、より広範な採用と有効性を阻害するいくつかの重要な課題を取り上げている。
  論文  参考訳（メタデータ） (2024-02-15T22:43:02Z)
• A Survey on Interpretable Cross-modal Reasoning [64.37362731950843]
  マルチメディア分析から医療診断に至るまで、クロスモーダル推論(CMR)が重要な分野として浮上している。 この調査は、解釈可能なクロスモーダル推論(I-CMR)の領域を掘り下げる 本調査では,I-CMRの3段階分類法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T05:06:48Z)
• Multimodal Explainable Artificial Intelligence: A Comprehensive Review of Methodological Advances and Future Research Directions [2.35574869517894]
  本研究は、MXAI(Multimodal XAI)領域における最近の進歩の分析に焦点をあてる。 MXAIは、主予測と説明タスクに複数のモダリティを含む手法から構成される。
  論文  参考訳（メタデータ） (2023-06-09T07:51:50Z)
• Quantifying and Explaining Machine Learning Uncertainty in Predictive Process Monitoring: An Operations Research Perspective [0.0]
  本稿では,情報システムと人工知能を統合した総合的多段階機械学習手法を提案する。 提案したフレームワークは、データ駆動推定の無視など、既存のソリューションの共通的な制限を十分に解決する。 本手法では,Shapley Additive Explanationsの局所的およびグローバル的変異とともに,時間間隔予測を生成するために,Quantile Regression Forestsを用いている。
  論文  参考訳（メタデータ） (2023-04-13T11:18:22Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• Computation Offloading in Beyond 5G Networks: A Distributed Learning Framework and Applications [26.276443044484918]
  本稿では,第5世代のネットワークにおける計算オフロードについて考察する。 計算オフロード問題をマルチエージェントマルコフ決定プロセスとして定式化する。 本稿では,オンライン分散強化学習アルゴリズムの可能性を示すために,計算オフロードにおける資源オーケストレーションのケーススタディを提案する。
  論文  参考訳（メタデータ） (2020-07-15T21:25:15Z)
• Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
  本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。 既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。 本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
  論文  参考訳（メタデータ） (2020-03-16T02:47:23Z)

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。