論文の概要: Emergency Incident Detection from Crowdsourced Waze Data using Bayesian Information Fusion

• arxiv url: http://arxiv.org/abs/2011.05440v1
• Date: Tue, 10 Nov 2020 22:45:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 07:58:47.235480
• Title: Emergency Incident Detection from Crowdsourced Waze Data using Bayesian Information Fusion
• Title（参考訳）: ベイズ情報フュージョンを用いたクラウドソーシングウェイズデータからの緊急インシデント検出
• Authors: Yasas Senarath, Saideep Nannapaneni, Hemant Purohit, Abhishek Dubey
• Abstract要約: 本稿では,ノイズの多いクラウドソーシングWazeデータを用いた緊急インシデント検出手法を提案する。 本稿では,クラウドレポートの信頼性の不確かさをモデル化するための観測理論に基づく計算手法を提案する。
• 参考スコア（独自算出の注目度）: 4.039649741925056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The number of emergencies have increased over the years with the growth in urbanization. This pattern has overwhelmed the emergency services with limited resources and demands the optimization of response processes. It is partly due to traditional `reactive' approach of emergency services to collect data about incidents, where a source initiates a call to the emergency number (e.g., 911 in U.S.), delaying and limiting the potentially optimal response. Crowdsourcing platforms such as Waze provides an opportunity to develop a rapid, `proactive' approach to collect data about incidents through crowd-generated observational reports. However, the reliability of reporting sources and spatio-temporal uncertainty of the reported incidents challenge the design of such a proactive approach. Thus, this paper presents a novel method for emergency incident detection using noisy crowdsourced Waze data. We propose a principled computational framework based on Bayesian theory to model the uncertainty in the reliability of crowd-generated reports and their integration across space and time to detect incidents. Extensive experiments using data collected from Waze and the official reported incidents in Nashville, Tenessee in the U.S. show our method can outperform strong baselines for both F1-score and AUC. The application of this work provides an extensible framework to incorporate different noisy data sources for proactive incident detection to improve and optimize emergency response operations in our communities.
• Abstract（参考訳）: 都市化が進むにつれて、緊急事態の数は年々増加している。 このパターンは、限られたリソースで緊急サービスを圧倒し、応答プロセスの最適化を要求する。 これは、元が緊急番号(例えば、米国では911)の呼び出しを開始し、潜在的に最適な応答を遅らせ、制限する、インシデントに関するデータを収集する、従来の緊急サービスの"reactive"アプローチによるものである。 wazeのようなクラウドソーシングプラットフォームは、クラウド生成の観察レポートを通じてインシデントに関するデータを収集する、迅速で“積極的な”アプローチを開発する機会を提供する。 しかし、報告源の信頼性と報告事件の時空間的不確実性は、そのような積極的なアプローチの設計に挑戦する。 そこで本稿では,ノイズの多いクラウドソーシングWazeデータを用いた緊急インシデント検出手法を提案する。 本研究では, 群衆発生報告の信頼性の不確実性と, その空間的, 時間的統合をモデル化し, ベイズ理論に基づく計算手法を提案する。 Wazeが収集したデータによる大規模な実験と、ナッシュビル、テネシーでの公式報告によると、我々の手法はF1スコアとAUCの両方の強力なベースラインを上回ります。 この研究の応用は、我々のコミュニティにおける緊急対応操作を改善し最適化するために、積極的なインシデント検出のために異なるノイズデータソースを組み込む拡張可能なフレームワークを提供する。

関連論文リスト

• CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
  半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。 私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
  論文  参考訳（メタデータ） (2023-10-23T07:01:09Z)
• DeCrisisMB: Debiased Semi-Supervised Learning for Crisis Tweet Classification via Memory Bank [52.20298962359658]
  危機イベントにおいて、人々は、状況、警告、アドバイス、サポートに関する情報を広めるために、Twitterのようなソーシャルメディアプラットフォームを使うことが多い。 完全に教師されたアプローチでは、大量のデータを注釈付けする必要があります。 半教師付きモデルは偏りがあり、特定のクラスでは適度に機能し、他のクラスでは極めて貧弱である。 本稿では,メモリバンクを用いて,各学習クラスから生成された擬似ラベルを等しくサンプリングする,単純かつ効果的なデバイアス処理手法であるDeCrisisMBを提案する。
  論文  参考訳（メタデータ） (2023-10-23T05:25:51Z)
• Artificial Intelligence for Emergency Response [0.6091702876917281]
  緊急対応管理(ERM)は、世界中のコミュニティが直面している課題である。 データ駆動モデルは、人的および財政的な損失を減らし、設計コード、交通規制、安全対策を改善するのに役立つ。 本チュートリアルでは,緊急応答における4つのサブプロブレム(インシデント予測,インシデント検出,リソース割り当て,リソースディスパッチ)について検討する。
  論文  参考訳（メタデータ） (2023-06-15T18:16:08Z)
• Re-thinking Data Availablity Attacks Against Deep Neural Networks [53.64624167867274]
  本稿では、未学習例の概念を再検討し、既存のロバストな誤り最小化ノイズが不正確な最適化目標であることを示す。 本稿では,計算時間要件の低減による保護性能の向上を図った新しい最適化パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-18T04:03:51Z)
• Machine learning framework for end-to-end implementation of Incident duration prediction [0.0]
  本研究では,インシデントレポートの受信時に利用可能な情報に基づいて,インシデント時間を予測するための分析フレームワークとエンドツーエンド機械学習ソリューションを開発した。 その結果, 従来の研究手法と比較して, 事故発生期間の予測は有意に改善した。
  論文  参考訳（メタデータ） (2023-04-23T00:55:19Z)
• Practitioner-Centric Approach for Early Incident Detection Using Crowdsourced Data for Emergency Services [2.5328886773979375]
  Wazeのようなクラウドソーシングプラットフォームは、インシデントを早期に特定する機会を提供する。 クラウドソースデータストリームからのインシデントを検出することは,このようなデータに関連するノイズや不確実性の難しさから難しい。 本稿では,クラウドソーシングデータを用いた実践者中心インシデント検出のための新しい問題定式化と解法を提案する。
  論文  参考訳（メタデータ） (2021-12-03T16:51:41Z)
• 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)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Improving Community Resiliency and Emergency Response With Artificial Intelligence [0.05541644538483946]
  我々は、ステークホルダーが包括的で関連性があり、信頼できる情報にタイムリーにアクセスできるようにする、多段階の緊急対応ツールを目指しています。 本ツールは, 浸水リスク位置, 道路ネットワーク強度, 浸水マップ, 浸水地や被害インフラを推定するコンピュータビジョンセマンティックセマンティックセマンティックセグメンテーションなど, オープンソースの地理空間データの複数の層を符号化して構成する。 これらのデータレイヤを組み合わせて、緊急時の避難経路の検索や、最初に影響を受けたエリアで最初の応答者のために利用可能な宿泊場所のリストを提供するなど、機械学習アルゴリズムの入力データとして利用する。
  論文  参考訳（メタデータ） (2020-05-28T18:05:08Z)

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。