論文の概要: Learning Incident Prediction Models Over Large Geographical Areas for
Emergency Response Systems
- arxiv url: http://arxiv.org/abs/2106.08307v1
- Date: Tue, 15 Jun 2021 17:33:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-16 15:05:54.758368
- Title: Learning Incident Prediction Models Over Large Geographical Areas for
Emergency Response Systems
- Title（参考訳）: 緊急対応システムのための大規模地域におけるインシデント予測モデル
- Authors: Sayyed Mohsen Vazirizade and Ayan Mukhopadhyay and Geoffrey Pettet and
Said El Said and Hiba Baroud and Abhishek Dubey
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.7340017786387767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Principled decision making in emergency response management necessitates the
use of statistical models that predict the spatial-temporal likelihood of
incident occurrence. These statistical models are then used for proactive
stationing which allocates first responders across the spatial area in order to
reduce overall response time. Traditional methods that simply aggregate past
incidents over space and time fail to make useful short-term predictions when
the spatial region is large and focused on fine-grained spatial entities like
interstate highway networks. This is partially due to the sparsity of incidents
with respect to the area in consideration. Further, accidents are affected by
several covariates, and collecting, cleaning, and managing multiple streams of
data from various sources is challenging for large spatial areas. In this
paper, we highlight how this problem is being solved for the state of
Tennessee, a state in the USA with a total area of over 100,000 sq. km. Our
pipeline, based on a combination of synthetic resampling, non-spatial
clustering, and learning from data can efficiently forecast the spatial and
temporal dynamics of accident occurrence, even under sparse conditions. In the
paper, we describe our pipeline that uses data related to roadway geometry,
weather, historical accidents, and real-time traffic congestion to aid accident
forecasting. To understand how our forecasting model can affect allocation and
dispatch, we improve upon a classical resource allocation approach.
Experimental results show that our approach can significantly reduce response
times in the field in comparison with current approaches followed by first
responders.
- Abstract（参考訳）: 緊急対応管理における原則的意思決定は、事故発生の時空間的確率を予測する統計モデルを使用する必要がある。
これらの統計モデルは、全体の応答時間を短縮するために、空間領域を横断する第1の応答器を割り当てる積極的位置決めに使用される。
空間領域が大きく、州間高速道路網のようなきめ細かい空間構造に焦点を絞った場合、過去の出来事を単に空間と時間に集約する伝統的な手法は、短期的な予測に役立ちません。
これは一部、地域に関して事件が広範囲に及んでいるためである。
さらに、事故は複数の共変種の影響を受け、様々なソースからの複数のデータストリームの収集、クリーニング、管理は、大きな空間領域において困難である。
本稿では,米国テネシー州の総面積が10万平方平方メートルを超える州に対して,この問題がどのように解決されているかを強調した。
km
合成再サンプリング,非空間クラスタリング,およびデータからの学習を組み合わせたパイプラインは,ばらばらな条件下においても事故発生の空間的および時間的ダイナミクスを効率的に予測することができる。
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。
予測モデルがアロケーションやディスパッチにどのように影響するかを理解するため,従来のリソースアロケーションアプローチを改善した。
実験の結果, 本手法は, 現場での応答時間を大幅に削減できることがわかった。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Spatial-temporal Forecasting for Regions without Observations [13.805203053973772]
本研究では,歴史的観察を伴わない関心領域の時空間予測について検討した。
タスクに対してSTSMというモデルを提案する。
私たちの重要な洞察は、関心のある領域に類似している場所から学ぶことです。
論文 参考訳（メタデータ） (2024-01-19T06:26:05Z) - Multi-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。
この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文 参考訳（メタデータ） (2023-12-14T13:40:39Z) - SSIN: Self-Supervised Learning for Rainfall Spatial Interpolation [37.212272184144]
降雨空間分析のためのデータ駆動型自己教師型学習フレームワークを提案する。
過去のデータから潜伏した空間パターンをマイニングすることで、SpaFormerは生データに対する情報埋め込みを学び、空間相関を適応的にモデル化することができる。
本手法は,2つの実世界のラリングオージデータセットの実験において,最先端のソリューションよりも優れる。
論文 参考訳（メタデータ） (2023-11-27T04:23:47Z) - SpatialRank: Urban Event Ranking with NDCG Optimization on
Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。
本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文 参考訳（メタデータ） (2023-09-30T06:20:21Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - HintNet: Hierarchical Knowledge Transfer Networks for Traffic Accident
Forecasting on Heterogeneous Spatio-Temporal Data [17.345649325770957]
交通事故予測は交通管理と公共安全にとって重要な問題である。
交通事故の発生は、空間的・時間的特徴間の複雑な依存関係に影響される。
近年の交通事故予測手法では, 深層学習モデルによる精度向上が試みられている。
論文 参考訳（メタデータ） (2022-03-07T02:11:04Z) - 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) - Spatial-Temporal Conv-sequence Learning with Accident Encoding for
Traffic Flow Prediction [17.94199362114272]
インテリジェント交通システムにおいて、交通予測の重要な問題は、周期的時間的依存関係と複雑な空間的相関を抽出する方法である。
本研究では、集中時間ブロックが一方向の畳み込みを用いて、短時間の時間的依存を効果的に捉えた時空間連続学習(STCL)を提案する。
本研究では,大規模実世界のタスクについて広範な実験を行い,提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2021-05-21T17:43:07Z) - A Network Percolation-based Contagion Model of Flood Propagation and
Recession in Urban Road Networks [2.5876546798940616]
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。
論文 参考訳（メタデータ） (2020-04-07T17:25:41Z)
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。