利用强化学习优化高温预警发布
机器学习
2025-04-15 v4 应用统计
摘要
社会适应气候变化的一项关键策略是利用预警系统促使采取预防行动，从而减少极端高温事件对健康的不利影响。本文实现并评估了强化学习（RL）作为优化此类系统有效性工具的方法。我们的贡献有三个方面。首先，我们引入了一个新的公开可用的 RL 环境，用于评估高温预警政策在减少高温相关住院方面的有效性。奖励模型基于历史天气、Medicare 健康记录以及社会经济/地理特征的综合数据集训练而成。我们采用了针对数据中存在的低信号效应和空间异质性量身定制的可扩展贝叶斯技术。状态转移模型使用真实的历史天气模式，并通过基于气候区域相似性的数据增强机制加以丰富。其次，我们使用该环境在高温预警发布背景下评估了标准 RL 算法。我们的分析表明，需要策略约束来改善 RL 最初表现不佳的问题。第三，事后对比分析深入探讨了我们的改进型高温预警 RL 策略在哪些场景下相比美国当前的国家气象局预警政策取得了显著收益或损失。
引用
@article{arxiv.2312.14196,
title = {Optimizing Heat Alert Issuance with Reinforcement Learning},
author = {Ellen M. Considine and Rachel C. Nethery and Gregory A. Wellenius and Francesca Dominici and Mauricio Tec},
journal= {arXiv preprint arXiv:2312.14196},
year = {2025}
}
备注
21 pages including References and Appendices