面向从业者的基于众包数据的应急服务早期事件检测方法
机器学习
2021-12-06 v1 人工智能
机器学习
摘要
应急响应高度依赖于事件报告的时间。不幸的是，接收事件报告的传统方法（例如美国的911呼叫）存在时间延迟。Waze等众包平台为早期识别事件提供了机会。然而，由于此类数据固有的噪声和不确定性挑战，从众包数据流中检测事件是困难的。此外，单纯优化检测精度会损害推断的时空定位，从而使此类方法难以在实际部署中可行。本文以应急管理为案例，提出了一种面向从业者的利用众包数据进行事件检测的新问题表述与解决途径。所提方法CROME（Crowdsourced Multi-objective Event Detection，众包多目标事件检测）量化了事件分类性能指标（如F1分数）与模型从业者需求（如事件检测1 km半径）之间的关系。首先，我们展示了如何将众包报告、真值历史数据以及交通和天气等其他相关决定因素一起用于卷积神经网络（CNN）架构中以早期检测紧急事件。然后，我们使用基于帕累托优化的方法，将CNN输出与从业者中心参数协同优化，以平衡检测精度与时空定位。最后，我们利用来自Waze的众包数据和美国田纳西州纳什维尔的交通事故报告证明了该方法的适用性。我们的实验表明，所提方法在事件检测中优于现有方法，同时优化了实际部署和可用性的需求。
引用
@article{arxiv.2112.02012,
title = {Practitioner-Centric Approach for Early Incident Detection Using Crowdsourced Data for Emergency Services},
author = {Yasas Senarath and Ayan Mukhopadhyay and Sayyed Mohsen Vazirizade and Hemant Purohit and Saideep Nannapaneni and Abhishek Dubey},
journal= {arXiv preprint arXiv:2112.02012},
year = {2021}
}
备注
Accepted at IEEE International Conference on Data Mining (ICDM) 2021