面向快速灾后应急与资源配置的多模态停电预测
计算机视觉与模式识别
2024-10-02 v1 信号处理
摘要
气候变化导致极端天气事件日益频发，构成显著风险。为缓解进一步损害，向可再生能源转型势在必然。不幸的是，最易受影响的弱势社区往往是最后获得基础设施改善的群体。我们提出一种新型视觉时空框架，用于预测飓风发生前后夜间灯光（NTL）、停电严重程度及其位置。本方案的核心是 Visual-Spatiotemporal Graph Neural Network（VST-GNN），以学习图像中的时空相关性。我们的工作使弱势地区的能源基础设施需求得到关注，如未来光伏（PV）部署。通过识别停电的严重程度和定位，本 initiative 旨在提升政策制定者和社区利益相关者的意识，推动行动。最终实现对易受威胁能源基础设施的地区赋能，增强其韧性与可靠性。
引用
@article{arxiv.2410.00017,
title = {Multimodal Power Outage Prediction for Rapid Disaster Response and Resource Allocation},
author = {Alejandro Aparcedo and Christian Lopez and Abhinav Kotta and Mengjie Li},
journal= {arXiv preprint arXiv:2410.00017},
year = {2024}
}
备注
7 pages, 4 figures, 1 table