应急响应高度依赖事件报告的时间。不幸的是，接收事故报告的传统方法（例如，在美国拨打911）的时间延迟。 Waze等众包平台为早期识别事故提供了机会。然而，由于与此类数据相关的噪声和不确定性的挑战，从众包数据流中的检测事件是困难的。此外，简单地通过检测精度优化可以损害推断的空间 - 时间定位，从而使得现实世界部署的这种方法不可行。本文介绍了采用众群数据作为征集数据作为征用数据的新的问题配方和解决方案方法，以应急响应管理作为案例研究。所提出的方法CROME（众包多目标事件检测）量化了事件分类（例如，F1得分）的性能度量与模型从业者的要求之间的关系（例如，1公里。入射检测的半径）。首先，我们展示了众包报告，地面真实历史数据和其他相关决定因素，如交通和天气，可以在卷积神经网络（CNN）架构中一起使用，以便早期检测紧急事故。然后，我们使用Pareto优化的方法来优化CNN的输出，以便以从业者为中心的参数来平衡检测精度和空间 - 时间本地化。最后，我们展示了这种方法使用来自美国纳什维尔的Waze和交通事故报告的众群数据的适用性。我们的实验表明，所提出的方法优于事件检测的现有方法，同时优化现实世界部署和可用性的需求。
translated by 谷歌翻译
在过去的五十年中，研究人员已经开发了设计和改进了应急响应管理（ERM）系统的统计，数据驱动，分析和算法方法。该问题已被认为是本质上的困难，并且构成了不确定性下的时空决策，这在文献中已经解决了不同的假设和方法。该调查提供了对这些方法的详细审查，重点关注有关四个子流程的关键挑战和问题：（a）事件预测，（b）入射检测，（c）资源分配，和（c）计算机辅助调度紧急响应。我们突出了该领域前后工作的优势和缺点，并探讨了不同建模范式之间的相似之处和差异。我们通过说明这种复杂领域未来研究的开放挑战和机会的结论。
translated by 谷歌翻译