論文の概要: Artificial Intelligence for Emergency Response
- arxiv url: http://arxiv.org/abs/2306.10068v1
- Date: Thu, 15 Jun 2023 18:16:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-26 01:30:57.853679
- Title: Artificial Intelligence for Emergency Response
- Title（参考訳）: 緊急対応のための人工知能
- Authors: Ayan Mukhopadhyay
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.6091702876917281
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Emergency response management (ERM) is a challenge faced by communities
across the globe. First responders must respond to various incidents, such as
fires, traffic accidents, and medical emergencies. They must respond quickly to
incidents to minimize the risk to human life. Consequently, considerable
attention has been devoted to studying emergency incidents and response in the
last several decades. In particular, data-driven models help reduce human and
financial loss and improve design codes, traffic regulations, and safety
measures. This tutorial paper explores four sub-problems within emergency
response: incident prediction, incident detection, resource allocation, and
resource dispatch. We aim to present mathematical formulations for these
problems and broad frameworks for each problem. We also share open-source
(synthetic) data from a large metropolitan area in the USA for future work on
data-driven emergency response.
- Abstract（参考訳）: 緊急対応管理(erm)は、世界中のコミュニティが直面する課題である。
救急隊員は火災、交通事故、救急医療など様々な事件に対処しなければならない。
人命へのリスクを最小限に抑えるためには、事件に迅速に対応しなければならない。
その結果、過去数十年間、非常事態や対応の研究にかなりの注意が払われている。
特にデータ駆動モデルは、人的および財政的損失を減らし、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,緊急対応における4つのサブ問題,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。
我々は,これらの問題に対する数学的定式化と,各問題に対する幅広い枠組みを提案することを目的とする。
また,米国大都市からのオープンソース(合成)データも公開し,今後のデータ駆動型緊急対応について検討する。
関連論文リスト
- Risks and NLP Design: A Case Study on Procedural Document QA [52.557503571760215]
より具体的なアプリケーションやユーザに対して分析を専門化すれば,ユーザに対するリスクや害の明確な評価が可能になる,と我々は主張する。
リスク指向のエラー分析を行い、リスクの低減とパフォーマンスの向上を図り、将来のシステムの設計を通知する。
論文 参考訳（メタデータ） (2024-08-16T17:23:43Z) - CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [49.2719253711215]
本研究では,事前学習型大規模言語モデル(LLM)の強化による災害テキスト分類への新たなアプローチを提案する。
本手法では,災害関連ツイートから包括的インストラクションデータセットを作成し,それをオープンソース LLM の微調整に用いる。
この微調整モデルでは,災害関連情報の種類,情報化,人的援助の関与など,複数の側面を同時に分類することができる。
論文 参考訳（メタデータ） (2024-06-16T23:01:10Z) - Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。
さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。
実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
論文 参考訳（メタデータ） (2024-06-16T03:10:16Z) - 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) - CrisisLTLSum: A Benchmark for Local Crisis Event Timeline Extraction and
Summarization [62.77066949111921]
本稿では,現在までに利用可能な地域危機イベントタイムラインの最大のデータセットであるCrisisLTLSumについて述べる。
CrisisLTLSumには、山火事、地元の火災、交通、嵐の4つの領域にわたる1000の危機イベントタイムラインが含まれている。
最初の実験では, 両タスクの人的性能と比較して, 強いベースライン性能の間に有意な差があることが示唆された。
論文 参考訳（メタデータ） (2022-10-25T17:32:40Z) - Designing Decision Support Systems for Emergency Response: Challenges
and Opportunities [3.8532022064807827]
道路事故等の事故に対応する緊急対応管理システム(ERM)は,地域社会が直面している大きな問題である。
本稿では,重要な課題を取り上げ,我々のチームがコミュニティパートナと共同で開発したアプローチの概要を紹介する。
論文 参考訳（メタデータ） (2022-02-23T02:02:32Z) - AI Agents in Emergency Response Applications [0.0]
救急隊員は、火災、医療、有害物質、産業事故、自然災害など様々な状況に対応している。
ミッションクリティカルな"エッジAI"の状況では、低レイテンシで信頼性の高い分析が必要になります。
本稿では、5Gサービスベースのアーキテクチャを介してAIエージェントをデプロイするためのエージェントベースアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-09-10T03:24:50Z) - 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) - Designing Emergency Response Pipelines : Lessons and Challenges [1.9613821286172088]
私たちは、この領域での経験から学んだ、私たちが特定した課題と教訓を強調します。
緊急対応管理は、予測、リソース割り当て、ディスパッチといったいくつかのステージとサブプロブレムから構成される。
論文 参考訳（メタデータ） (2020-10-15T04:04:15Z) - 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) - On Algorithmic Decision Procedures in Emergency Response Systems in
Smart and Connected Communities [21.22596396400625]
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重要な問題である。
我々は、ERMシステムの計画の重要な期間は、事故後ではなく、事故間にあると論じる。
本稿では,ディスパッチ問題の構造を活用・活用する2つの部分分散マルチエージェント計画アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-21T07:04:38Z)
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。