論文の概要: Practitioner-Centric Approach for Early Incident Detection Using Crowdsourced Data for Emergency Services

• arxiv url: http://arxiv.org/abs/2112.02012v1
• Date: Fri, 3 Dec 2021 16:51:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 14:29:04.630724
• Title: Practitioner-Centric Approach for Early Incident Detection Using Crowdsourced Data for Emergency Services
• Title（参考訳）: クラウドソースデータを用いた緊急時早期インシデント検出のための実践者中心アプローチ
• Authors: Yasas Senarath, Ayan Mukhopadhyay, Sayyed Mohsen Vazirizade, Hemant Purohit, Saideep Nannapaneni, Abhishek Dubey
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.5328886773979375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emergency response is highly dependent on the time of incident reporting. Unfortunately, the traditional approach to receiving incident reports (e.g., calling 911 in the USA) has time delays. Crowdsourcing platforms such as Waze provide an opportunity for early identification of incidents. However, detecting incidents from crowdsourced data streams is difficult due to the challenges of noise and uncertainty associated with such data. Further, simply optimizing over detection accuracy can compromise spatial-temporal localization of the inference, thereby making such approaches infeasible for real-world deployment. This paper presents a novel problem formulation and solution approach for practitioner-centered incident detection using crowdsourced data by using emergency response management as a case-study. The proposed approach CROME (Crowdsourced Multi-objective Event Detection) quantifies the relationship between the performance metrics of incident classification (e.g., F1 score) and the requirements of model practitioners (e.g., 1 km. radius for incident detection). First, we show how crowdsourced reports, ground-truth historical data, and other relevant determinants such as traffic and weather can be used together in a Convolutional Neural Network (CNN) architecture for early detection of emergency incidents. Then, we use a Pareto optimization-based approach to optimize the output of the CNN in tandem with practitioner-centric parameters to balance detection accuracy and spatial-temporal localization. Finally, we demonstrate the applicability of this approach using crowdsourced data from Waze and traffic accident reports from Nashville, TN, USA. Our experiments demonstrate that the proposed approach outperforms existing approaches in incident detection while simultaneously optimizing the needs for real-world deployment and usability.
• Abstract（参考訳）: 緊急対応はインシデント報告の時期に大きく依存する。 残念ながら、インシデントレポートを受信する従来のアプローチ(例えば、アメリカでは911をコールする)には、時間的遅延がある。 Wazeのようなクラウドソーシングプラットフォームは、インシデントを早期に特定する機会を提供する。 しかし, クラウドソースデータストリームからのインシデント検出は, ノイズや不確実性などの問題により困難である。 さらに、検出精度の最適化が簡単であれば、推論の空間的時間的局在を損なう可能性があるため、現実のデプロイメントでは実現不可能である。 本稿では,緊急対応管理を事例スタディとして,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解決手法を提案する。 提案手法であるCROME (Crowdsourced Multi-jective Event Detection) は、事故分類のパフォーマンス指標(例えば、F1スコア)とモデル実践者の要求(例えば、事故検出の半径1km)の関係を定量化する。 まず,緊急時早期発見のための畳み込みニューラルネットワーク(cnn)アーキテクチャにおいて,クラウドソーシングされたレポート,地表面履歴データ,および交通や気象などの関連要因を併用する方法を示す。 次に,Paretoの最適化に基づく手法を用いて,CNNの出力を実践者中心パラメータと組み合わせて最適化し,検出精度と空間時間的局在のバランスをとる。 最後に,wazeのクラウドソースデータと米国ナッシュビルの交通事故レポートを用いて,このアプローチの適用性を示す。 提案手法は,実世界の展開とユーザビリティを最適化しながら,インシデント検出における既存手法よりも優れていることを示す。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Context Recovery and Knowledge Retrieval: A Novel Two-Stream Framework for Video Anomaly Detection [48.05512963355003]
  本稿では,文脈回復と知識検索に基づく2ストリームフレームワークを提案する。 文脈回復ストリームに対しては,動き情報を完全に活用して将来のフレームを予測するU-Netを提案する。 知識検索ストリームに対して,学習可能な局所性に敏感なハッシュを提案する。 正規性に関する知識をハッシュテーブルにエンコードして格納し、テストイベントと知識表現の間の距離を用いて異常の確率を明らかにする。
  論文  参考訳（メタデータ） (2022-09-07T03:12:02Z)
• An Efficient Anomaly Detection Approach using Cube Sampling with Streaming Data [2.0515785954568626]
  異常検出は侵入検知、健康モニタリング、故障診断、センサネットワークイベント検出など様々な分野で重要である。 孤立林(アイフォレスト)アプローチは、異常を検出するためのよく知られた手法である。 本稿では,ストリーミングデータに有効なキューブサンプリングを用いた,効率的なiForestに基づく異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-10-05T04:23:00Z)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)
• 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)
• Emergency Incident Detection from Crowdsourced Waze Data using Bayesian Information Fusion [4.039649741925056]
  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。
  論文  参考訳（メタデータ） (2020-11-10T22:45:03Z)
• Unsupervised Feature Learning for Event Data: Direct vs Inverse Problem Formulation [53.850686395708905]
  イベントベースのカメラは、ピクセルごとの明るさ変化の非同期ストリームを記録する。 本稿では,イベントデータからの表現学習のための単一層アーキテクチャに焦点を当てる。 我々は,最先端手法と比較して,認識精度が最大9%向上したことを示す。
  論文  参考訳（メタデータ） (2020-09-23T10:40:03Z)
• 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)

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。