論文の概要: Characterizing and Predicting Wildfire Evacuation Behavior: A Dual-Stage ML Approach

• arxiv url: http://arxiv.org/abs/2603.02223v1
• Date: Tue, 10 Feb 2026 18:34:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:08.086063
• Title: Characterizing and Predicting Wildfire Evacuation Behavior: A Dual-Stage ML Approach
• Title（参考訳）: 森林火災避難行動の特徴と予測--2段階MLアプローチ
• Authors: Sazzad Bin Bashar Polock, Anandi Dutta, Subasish Das,
• Abstract要約: 本研究では、教師なしおよび教師なしの機械学習手法を統合し、潜伏行動型を解明し、主要な避難結果を予測する。 本研究は,カリフォルニア州,コロラド州,オレゴン州の住民を対象とした大規模MTurkサーベイを用いて,機械学習手法を統合し,潜伏した行動型を解明し,主要な避難結果を予測する。
• 参考スコア（独自算出の注目度）: 0.8874671354802572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wildfire evacuation behavior is highly variable and influenced by complex interactions among household resources, preparedness, and situational cues. Using a large-scale MTurk survey of residents in California, Colorado, and Oregon, this study integrates unsupervised and supervised machine learning methods to uncover latent behavioral typologies and predict key evacuation outcomes. Multiple Correspondence Analysis, K-Modes clustering, and Latent Class Analysis reveal consistent subgroups differentiated by vehicle access, disaster planning, technological resources, pet ownership, and residential stability. Complementary supervised models show that transportation mode can be predicted with high reliability from household characteristics, whereas evacuation timing remains difficult to classify due to its dependence on dynamic, real-time fire conditions. These findings advance data-driven understanding of wildfire evacuation behavior and demonstrate how machine learning can support targeted preparedness strategies, resource allocation, and equitable emergency planning.
• Abstract（参考訳）: 森林火災の避難行動は, 家庭資源の複雑な相互作用, 準備性, 状況要因の影響を受けやすい。 本研究は,カリフォルニア,コロラド,オレゴンの住民を対象とした大規模MTurkサーベイを用いて,教師なしおよび教師なしの機械学習手法を統合し,潜伏した行動型を解明し,主要な避難結果を予測する。 複数の対応分析、Kモードクラスタリング、ラテントクラス分析は、車両アクセス、災害計画、技術資源、ペットの所有、住宅安定によって区別される一貫したサブグループを明らかにしている。 相補的な監視モデルでは、移動モードは家庭の特徴から高い信頼性で予測できるが、避難タイミングは動的でリアルタイムな火災条件に依存するため、分類が困難である。 これらの知見は、データ駆動による山火事避難行動の理解を前進させ、機械学習がターゲットとなる準備戦略、資源配分、適切な緊急計画をどのように支援できるかを実証する。

関連論文リスト

• Agentic AI Framework for Cloudburst Prediction and Coordinated Response [0.8697317909540486]
  本論文は,大気水循環インテリジェンスを研究するエージェント人工知能システムについて概説する。 このフレームワークは、イベントライフサイクル全体を通じて、推論、意味、行動する自律的だが協調的なエージェントを使用する。 スケーラブルな適応性と学習ベースの気候レジリエンスのプラットフォームを提供する。
  論文  参考訳（メタデータ） (2025-11-27T21:33:03Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• From Perceptions to Decisions: Wildfire Evacuation Decision Prediction with Behavioral Theory-informed LLMs [4.050331942535618]
  FLAREは、山火事避難決定予測の高度な推論のためのフレームワークである。 行動理論とモデルを統合して、CoT(Chain-of-Thought)推論を合理化している。 実験では、従来の理論にインフォームドされた行動モデルよりも平均20.47%の性能改善が示されている。
  論文  参考訳（メタデータ） (2025-02-24T22:47:33Z)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• Variable-Agnostic Causal Exploration for Reinforcement Learning [56.52768265734155]
  強化学習のための新しいフレームワークVACERL(Variable-Agnostic Causal Exploration for Reinforcement Learning)を導入する。 本手法は,注目機構を用いて,重要変数に関連する重要な観測行動ステップを自動的に同定する。 これらのステップを接続する因果グラフを構築し、エージェントをタスク完了に対する因果的影響の大きい観察-作用ペアへと導く。
  論文  参考訳（メタデータ） (2024-07-17T09:45:27Z)
• The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review [43.30610493968783]
  我々は、最先端のディープラーニングベースの計画システムについてレビューし、どのように予測を統合するかに焦点を当てる。 異なる統合原則の意味、強み、限界について論じる。
  論文  参考訳（メタデータ） (2023-08-10T17:53:03Z)
• Situational-Aware Multi-Graph Convolutional Recurrent Network (SA-MGCRN) for Travel Demand Forecasting During Wildfires [5.215306867715247]
  本研究では,山火事避難時の旅行生成をモデル化するための新しい方法論の枠組みを開発し,検証する。 GPSデータから推定される旅行需要に基づいて、我々は新しいディープラーニングモデル、すなわち状況対応マルチグラフ畳み込みリカレントネットワーク(SA-MGCRN)を開発する。 提案手法は, カリフォルニア州ソノマ郡の2019年キンケード火災を事例として, 本研究で検証した。
  論文  参考訳（メタデータ） (2023-04-13T03:04:36Z)
• Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
  モデルに基づく強化学習手法であるIso-Dream++を提案する。 我々は、切り離された潜在的想像力に基づいて政策最適化を行う。 これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-03-27T02:55:56Z)
• Predicting Hurricane Evacuation Decisions with Interpretable Machine Learning Models [0.0]
  本研究では,容易にアクセス可能な人口動態と資源関連予測器によって構築された世帯の避難決定を予測するための新しい手法を提案する。 提案手法は,避難交通需要の推計を改善するため,緊急管理当局に新たなツールと枠組みを提供する可能性がある。
  論文  参考訳（メタデータ） (2023-03-12T03:45:44Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。