基于机器学习的亚洲大黄蜂目击报告优先级预测

作为北美生态系统中臭名昭著的入侵者，亚洲大黄蜂（Vespa mandarinia）不仅对本地蜜蜂群落造成破坏，也危害当地养蜂业。对抗这一有害物种最有效的方式之一是定位并摧毁其巢穴。通过动员公众积极报告可能的亚洲大黄蜂目击情况，政府可及时派出检查人员确认并可能摧毁巢穴。然而，此类确认需要实验室专业知识，人工逐一核查报告极为耗费人力资源。进一步考虑到公众对亚洲大黄蜂认知有限且报告提交具有随机性，大量报告中仅少数被证实为阳性，即存在巢穴。如何高效且自动地对报告进行分类或排定优先级，以决定人员派遣，对亚洲大黄蜂的防控具有重要意义。在本文中，我们提出一种基于机器学习的目击报告优先级预测方法。我们将目击报告的最优优先级排序问题建模为分类与预测问题。我们提取了报告中多种丰富特征：位置、时间、图像及文本描述。基于这些特征，我们提出一种基于逻辑回归的分类模型来预测某份报告的可信度。此外，我们的模型量化报告间的影响以获得报告的优先级排序。在来自 WSDA（华盛顿州农业部）的公开数据集上的大量实验证明了我们方法的有效性。