面向非洲社区的实时应急响应与公平资源分配的强化学习框架——OPTIC-ER
人工智能
2025-12-05 v2 计算机与社会
机器学习
摘要
许多非洲地区的公共服务系统存在应急响应延迟和空间不平等问题，导致可避免的苦难。本文介绍OPTIC-ER，一套用于实时、自适应和公平应急响应的强化学习（RL）框架。OPTIC-ER采用基于注意力的演员-评论家架构，以管理调度环境的复杂性。其关键创新包括情境丰富状态向量（编码动作次优性）和精确奖励函数（惩罚效率低下）。训练在基于尼日利亚河州实地数据的高保真仿真中完成，通过预计算的旅行时间图加速。系统基于TALS框架构建（Thin computing, Adaptability, Low-cost, Scalability），适用于资源有限的环境。在500起未见事件的评估中，OPTIC-ER实现了100.00%的最优动作选择率，证明其鲁棒性和泛化能力。除调度外，系统还生成基础设施缺陷图和公平性监控仪表盘，以指导预防性治理和数据驱动的发展。这一工作提出了经过验证的AI增强公共服务蓝图，展示了如何通过情境感知RL将算法决策与可衡量的人类影响联系起来。
引用
@article{arxiv.2508.12943,
title = {OPTIC-ER: A Reinforcement Learning Framework for Real-Time Emergency Response and Equitable Resource Allocation in Underserved African Communities},
author = {Mary Tonwe},
journal= {arXiv preprint arXiv:2508.12943},
year = {2025}
}
备注
Source code and data available at: https://github.com/marytonwe/OPTIC-ER.git