論文の概要: REPAIR Approach for Social-based City Reconstruction Planning in case of natural disasters

• arxiv url: http://arxiv.org/abs/2510.19048v1
• Date: Tue, 21 Oct 2025 20:05:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.626219
• Title: REPAIR Approach for Social-based City Reconstruction Planning in case of natural disasters
• Title（参考訳）: 自然災害における社会基盤型まちづくりへのレペア・アプローチ
• Authors: Ghulam Mudassir, Antinisca Di Marco, Giordano d'Aloisio,
• Abstract要約: 本稿は、包括的比較分析を行うことにより、以前公表した研究の拡張である。 提案されたアプローチは、Restruct plAn ProvIdeR (REPAIR)という名称で、ジェネリックである。 実装する理想的なものを選択するローカル管理者のための代替プランのセットを決定することができ、任意の拡張の領域に適用することができる。
• 参考スコア（独自算出の注目度）: 3.364554138758565
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Natural disasters always have several effects on human lives. It is challenging for governments to tackle these incidents and to rebuild the economic, social and physical infrastructures and facilities with the available resources (mainly budget and time). Governments always define plans and policies according to the law and political strategies that should maximise social benefits. The severity of damage and the vast resources needed to bring life back to normality make such reconstruction a challenge. This article is the extension of our previously published work by conducting comprehensive comparative analysis by integrating additional deep learning models plus random agent which is used as a baseline. Our prior research introduced a decision support system by using the Deep Reinforcement Learning technique for the planning of post-disaster city reconstruction, maximizing the social benefit of the reconstruction process, considering available resources, meeting the needs of the broad community stakeholders (like citizens' social benefits and politicians' priorities) and keeping in consideration city's structural constraints (like dependencies among roads and buildings). The proposed approach, named post disaster REbuilding plAn ProvIdeR (REPAIR) is generic. It can determine a set of alternative plans for local administrators who select the ideal one to implement, and it can be applied to areas of any extension. We show the application of REPAIR in a real use case, i.e., to the L'Aquila reconstruction process, damaged in 2009 by a major earthquake.
• Abstract（参考訳）: 自然災害は常に人間の生活にいくつかの影響を及ぼす。 政府はこれらの事件に対処し、経済的、社会的、身体的なインフラや施設を、利用可能な資源(主に予算と時間)で再建することが困難である。 政府は常に、社会的利益を最大化する法と政治戦略に従って計画と政策を定義する。 損傷の深刻さと、生命を正常に戻すために必要な膨大な資源は、そのような再建を困難にしている。 本稿では,ベースラインとして使用される追加のディープラーニングモデルとランダムエージェントを統合することで,包括的比較分析を行うことにより,これまでに公表した研究を拡張した。 本研究は,復興後の都市計画にDeep Reinforcement Learning(Deep Reinforcement Learning)を用いた意思決定支援システムを導入し,利用可能な資源を考慮し,広いコミュニティ利害関係者(市民の社会的利益や政治家の優先事項など)のニーズを満たすとともに,都市の構造的制約(道路や建物間の依存関係など)を考慮し,復興プロセスの社会的利益を最大化する。 提案されたアプローチは、Restruct plAn ProvIdeR (REPAIR)という名称で、ジェネリックである。 実装する理想的なものを選択するローカル管理者のための代替プランのセットを決定することができ、任意の拡張の領域に適用することができる。 本稿では,2009年に大地震で被害を受けたL'Aquila再建過程におけるREPAIRの適用例を示す。

関連論文リスト

• Harnessing Large Language Models for Disaster Management: A Survey [63.69308255115172]
  大規模言語モデル(LLM)は、その例外的な能力で科学研究に革命をもたらし、様々な分野を変革した。 本研究の目的は,災害対策のための高度LLMの開発における専門家コミュニティの指導であり,自然災害に対するレジリエンスを高めることである。
  論文  参考訳（メタデータ） (2025-01-12T21:00:50Z)
• BRIGHT: A globally distributed multimodal building damage assessment dataset with very-high-resolution for all-weather disaster response [50.76124284445902]
  ビル被害評価(BDA)は、人的被害を減らすために災害後の重要な能力である。 近年の研究では、目に見えない災害事象の正確なマッピングを実現するためのAIモデルの開発に焦点が当てられている。 本稿では, veRy-hIGH-resoluTion Optical and SAR image (BRIGHT) を用いたBDAデータセットを提案する。
  論文  参考訳（メタデータ） (2025-01-10T14:57:18Z)
• Applying Machine Learning Tools for Urban Resilience Against Floods [0.0]
  洪水は最も一般的で破壊的な自然災害の1つであり、都市部で深刻な社会的・経済的影響をもたらす。 本稿では,テヘランの第6地区において,最も効果的な洪水抵抗モデルについて検討する。
  論文  参考訳（メタデータ） (2024-12-09T04:56:33Z)
• CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [50.122541222825156]
  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)
• AI Agent as Urban Planner: Steering Stakeholder Dynamics in Urban Planning via Consensus-based Multi-Agent Reinforcement Learning [8.363841553742912]
  本稿では,コンセンサスを基盤としたマルチエージェント強化学習フレームワークについて紹介する。 この枠組みは参加型都市計画に役立ち、多様な知的エージェントを利害関係者の代表として好まれる土地利用形態に投票することができる。 マルチエージェント強化学習を統合することで、参加型都市計画決定がよりダイナミックで、コミュニティのニーズに適応することを保証する。
  論文  参考訳（メタデータ） (2023-10-25T17:04:11Z)
• Supporting Post-disaster Recovery with Agent-based Modeling in Multilayer Socio-physical Networks [3.0782642039384864]
  本稿では,エージェント・ベース・モデル(ABM)を提案し,個々のリターン行動の理解と関心点(POI)の回復を促進する。 2017年のハリケーン・ハービー以降のテキサス州5郡の回復分析にこのモデルを適用した。 ABMを実装することで,エージェントタイプ,住宅タイプ,家計所得水準,地理的位置といった観点から,回復動態の不均一性を明らかにする。
  論文  参考訳（メタデータ） (2023-07-21T09:58:26Z)
• Human-instructed Deep Hierarchical Generative Learning for Automated Urban Planning [57.91323079939641]
  我々は,最適な都市計画を生成するために,人間に指示された新しい深層階層生成モデルを構築した。 最初の段階は、機能ゾーンを発見するために、目標領域の格子に遅延関数をラベル付けすることである。 第2の段階は、都市機能投影を形成するための計画要件を理解することである。 第3の段階は、マルチアテンションを活用して、機能プロジェクションのゾーン・ゾーン・ピア依存関係をモデル化し、グリッドレベルの土地利用構成を生成することである。
  論文  参考訳（メタデータ） (2022-12-01T23:06:41Z)
• PreDisM: Pre-Disaster Modelling With CNN Ensembles for At-Risk Communities [0.32228025627337864]
  本稿では,ResNetのアンサンブルと決定木上の完全連結層を用いて人造構造物の弱点を正確に推定するPreDisMを提案する。 本モデルは,災害のタイプをまたいだ調整に応答し,プリエンプティブ・ハザード・ダメージ・モデリングの空間を浮き彫りにする。
  論文  参考訳（メタデータ） (2021-12-26T23:48:23Z)
• Building a Foundation for Data-Driven, Interpretable, and Robust Policy Design using the AI Economist [67.08543240320756]
  AIエコノミストフレームワークは,2段階強化学習とデータ駆動型シミュレーションを用いて,効果的な,柔軟な,解釈可能なポリシー設計を可能にする。 RLを用いて訓練されたログリニア政策は、過去の結果と比較して、公衆衛生と経済の両面から社会福祉を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2021-08-06T01:30:41Z)
• Social Media Information Sharing for Natural Disaster Response [0.0]
  ソーシャルメディアは災害関連情報を投稿するための重要なチャンネルとなり、政府や救援機関が災害管理を改善するためのリアルタイムデータを提供している。 本研究の目的は,災害対応に対する公衆の態度や災害時の防災物資に対する公衆の要求など,ソーシャルメディアデータのマイニング・分析による防災効率の向上である。
  論文  参考訳（メタデータ） (2020-05-08T21:11:39Z)

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。