論文の概要: Proactive Resource Request for Disaster Response: A Deep Learning-based Optimization Model

• arxiv url: http://arxiv.org/abs/2307.16661v1
• Date: Mon, 31 Jul 2023 13:44:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 14:20:02.730267
• Title: Proactive Resource Request for Disaster Response: A Deep Learning-based Optimization Model
• Title（参考訳）: 災害対応のための積極的資源要求:深層学習に基づく最適化モデル
• Authors: Hongzhe Zhang, Xiaohang Zhao, Xiao Fang and Bintong Chen
• Abstract要約: 我々は,要求される資源の最適量を積極的に決定する新たな資源管理問題を開発する。 我々は,問題の健全な特性を考慮に入れ,今後の需要予測のための新しいディープラーニング手法を開発した。 実世界とシミュレーションデータの両方を用いて,既存手法よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 0.2580765958706854
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Disaster response is critical to save lives and reduce damages in the aftermath of a disaster. Fundamental to disaster response operations is the management of disaster relief resources. To this end, a local agency (e.g., a local emergency resource distribution center) collects demands from local communities affected by a disaster, dispatches available resources to meet the demands, and requests more resources from a central emergency management agency (e.g., Federal Emergency Management Agency in the U.S.). Prior resource management research for disaster response overlooks the problem of deciding optimal quantities of resources requested by a local agency. In response to this research gap, we define a new resource management problem that proactively decides optimal quantities of requested resources by considering both currently unfulfilled demands and future demands. To solve the problem, we take salient characteristics of the problem into consideration and develop a novel deep learning method for future demand prediction. We then formulate the problem as a stochastic optimization model, analyze key properties of the model, and propose an effective solution method to the problem based on the analyzed properties. We demonstrate the superior performance of our method over prevalent existing methods using both real world and simulated data. We also show its superiority over prevalent existing methods in a multi-stakeholder and multi-objective setting through simulations.
• Abstract（参考訳）: 災害対応は、災害後の命を救い、被害を減らすために重要である。 災害対応活動の基本は災害救助資源の管理である。 この目的のために、地方機関(例えば、地域緊急資源流通センター)は、災害の影響を受けた地域コミュニティからの要求を収集し、その要求を満たすために利用可能なリソースを派遣し、中央緊急管理機関(例えば、米国の連邦緊急管理機関)からより多くのリソースを要求する。 災害対応のための事前資源管理研究は、地方機関が要求する資源の最適量を決定する問題を見落としている。 本研究のギャップに対応するため,現在未満たの要求と今後の要求の両方を考慮し,要求されるリソースの最適な量を積極的に決定する新たな資源管理問題を定義した。 そこで本研究では,この問題の特徴を考慮に入れ,今後の需要予測のための新しい深層学習法を開発した。 次に, 確率的最適化モデルとして問題を定式化し, モデルの鍵特性を解析し, 解析した特性に基づく効果的な解法を提案する。 本手法は実世界とシミュレーションデータの両方を用いて既存の手法よりも優れた性能を示す。 また,シミュレーションによるマルチステークホルダと多目的設定において,既存手法よりも優位性を示す。

関連論文リスト

• Resource Allocation and Workload Scheduling for Large-Scale Distributed Deep Learning: A Survey [48.06362354403557]
  本調査は,大規模分散DLの効率的な資源配分とワークロードスケジューリング戦略について,主に2019年から2024年までの文献を概説する。 トピックごとに重要な課題を強調し、既存の技術に関する重要な洞察について議論する。 この調査は、コンピュータ科学、人工知能、通信研究者が最近の進歩を理解することを奨励することを目的としている。
  論文  参考訳（メタデータ） (2024-06-12T11:51:44Z)
• A Survey on Applications of Reinforcement Learning in Spatial Resource Allocation [5.821318691099762]
  空間資源配分の課題は、交通、産業、日常生活など様々な領域に広がっている。 従来のアルゴリズムは、最適な効率とリアルタイムの能力を達成するのに苦戦している。 近年,空間資源配分問題に対処する強化学習を用いた新しい手法が急増している。
  論文  参考訳（メタデータ） (2024-03-06T12:05:56Z)
• On the Risk of Misinformation Pollution with Large Language Models [127.1107824751703]
  本稿では,現代大規模言語モデル (LLM) の誤用の可能性について検討する。 本研究は, LLMが効果的な誤情報発生器として機能し, DOQAシステムの性能が著しく低下することを明らかにする。
  論文  参考訳（メタデータ） (2023-05-23T04:10:26Z)
• Evolutionary Optimization for Proactive and Dynamic Computing Resource Allocation in Open Radio Access Network [4.9711284100869815]
  Open Radio Access Network (O-RAN) におけるコンピュータリソースの自動割り当てを実現するためのインテリジェントな技術が求められている このリソース割り当て問題を解決するための既存の問題定式化は、リソースのキャパシティユーティリティを不適切な方法で定義しているため不適切である。 問題をよりよく記述した新しい定式化が提案されている。
  論文  参考訳（メタデータ） (2022-01-12T08:52:04Z)
• Hierarchical Planning for Resource Allocation in Emergency Response Systems [0.8602553195689513]
  都市規模のサイバー物理システムにおける古典的な問題は、不確実性の下で資源割り当てである。 オンライン、オフライン、分散型のアプローチはそのような問題に適用されていますが、大規模な決定問題へのスケーリングは困難です。 不確実性下における資源配分のための都市レベルのCPS問題の構造を利用する階層計画への一般的なアプローチを提示する。
  論文  参考訳（メタデータ） (2020-12-24T15:55:23Z)
• Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
  本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。 提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
  論文  参考訳（メタデータ） (2020-10-21T10:11:17Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• Bottom-up mechanism and improved contract net protocol for the dynamic task planning of heterogeneous Earth observation resources [61.75759893720484]
  地球観測資源は、災害救助、被害評価、関連する領域においてますます不可欠になりつつある。 観測要求の変更や悪天候の発生、資源の失敗など、予測できない多くの要因は、スケジュールされた観測計画が実行不可能になる可能性がある。 不均質な地球観測資源の動的タスク計画を容易にするため、ボトムアップ分散協調フレームワークと改良された契約網を提案する。
  論文  参考訳（メタデータ） (2020-07-13T03:51:08Z)
• Deep Learning-based Resource Allocation for Infrastructure Resilience [0.5249805590164901]
  意思決定者は、トレーニングされたモデルを使用して、緊急時にリソースをより効率的に割り当てることができます。 本稿では,TNのシェルビー郡における実世界の相互依存インフラによる方法論について紹介する。
  論文  参考訳（メタデータ） (2020-07-12T00:48:15Z)
• Hierarchical Adaptive Contextual Bandits for Resource Constraint based Recommendation [49.69139684065241]
  コンテキスト多重武装バンディット(MAB)は、様々な問題において最先端のパフォーマンスを達成する。 本稿では,階層型適応型文脈帯域幅法(HATCH)を提案する。
  論文  参考訳（メタデータ） (2020-04-02T17:04:52Z)

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。