基于马尔可夫模型的可解释时空风险表面：用于无孩儿搜索规划的强化学习与 LLM 质量保证
人工智能
2026-03-11 v1 信息检索
机器学习
摘要
失踪儿童调查的前 72 小时至关重要才能成功恢复。然而，执法机构常面临数据碎片化、非结构化以及缺乏动态、地理预测工具的挑战。我们的系统 Guardian 提供了一个面向失踪儿童调查和早期搜索规划的端到端决策支持系统。它将异构的、非结构化的案件文件转换为模式对齐的时空表示，丰富案件数据以包含地理编码和交通背景，并提供覆盖 0-72 小时的概率性搜索产品。本文概述了 Guardian 系统，以及详细描述了该系统的三层预测组件。第一层是马尔可夫链，这是一种稀疏、可解释的模型，其转换过程包含道路可达性成本、隐蔽偏好和走廊偏见，并分别针对日间和夜间进行参数化。马尔可夫链的输出预测分布随后被转换为第二层的强化学习生成实际可操作的搜索计划。最后，第三层的 LLM 对第二层的搜索计划进行事后验证，确保其在发布前的质量。使用一个模拟且符合现实情况的案例研究，我们报告了 24/48/72 小时预测结果，并分析了灵敏度、失效模式和权衡。结果表明，所提出的三层预测系统产生可解释的先验分布，用于区域优化和人工审核。
引用
@article{arxiv.2603.08933,
title = {Interpretable Markov-Based Spatiotemporal Risk Surfaces for Missing-Child Search Planning with Reinforcement Learning and LLM-Based Quality Assurance},
author = {Joshua Castillo and Ravi Mukkamala},
journal= {arXiv preprint arXiv:2603.08933},
year = {2026}
}
备注
14 pages, 7 figures. Accepted at ICEIS 2026 (International Conference on Enterprise Information Systems)