用于有效灾害管理的推文分类与救援调度的深度学习方法

及时从受灾区域的不同地区获取信息是一项具有挑战且复杂的任务。社交媒体的广泛传播与覆盖使人们能够实时共享信息。然而，社交媒体数据的处理与有价值信息的收集需要一系列操作，例如（1）对每条特定推文进行文本分类处理，（2）基于推文可能确定需救助人员的位置，以及（3）基于推文分类计算救援任务的优先级。这些是开发基于社交媒体数据的有效救援调度操作中的三个主要挑战。本文中，我们首先提出一种结合基于注意力的双向长短期记忆（BLSTM）与卷积神经网络（CNN）的深度学习模型，以对不同类别的推文进行分类。我们使用预训练的危机词向量与词表示全局向量（GLoVe）来从推文中捕获语义含义。接下来，我们进行特征工程以创建辅助特征图，其显著提升了模型准确率。在使用飓风 Harvey 与 Irma 真实数据集的实验中，观察到我们所提方法在精确率、召回率、F1 分数与准确率上优于其他分类方法，且能高效确定推文的正确优先级。此外，为评估所提分类模型的有效性与鲁棒性，使用了由 CrisisNLP 的 4 个不同数据集与 CrisisLex 的另外 15 个不同灾害数据组成的合并数据集。最后，我们开发了一种考虑资源约束的自适应多任务混合调度算法，以执行考虑不同救援优先级的有效救援调度操作。