使用可解释的机器学习模型预测飓风疏散决策
基于多层感知器与长短期记忆模型的交通预测系统应用于路易斯安那州实施的真实交通预测系统中，在 7 天飓风影响期间 6 小时的长期拥堵状态预测准确率达到 82％，并且短期速度预测模型在 1 至 6 小时的疏散时段中表现出 7％至 13％的均方绝对百分比误差。评估结果强调了该模型在飓风疏散过程中增强交通管理的潜力，并且实际部署显示其在广泛的交通网络中适应性和可扩展性。
Jun, 2024
本研究通过结合 ARIMA 模型和 K-MEANS 的方法，以及利用 Autoencoder 进行增强的模拟，有效地模拟了历史飓风行为并提供了潜在未来轨迹和强度的详细预测，为风险管理策略提供了可行的见解。
Sep, 2023
通过利用交通检测器和 Facebook 的运动数据，本研究开发了一种数据驱动的交通预测模型，可用于预测飓风撤离期间的交通情况，该模型能提前预测未来交通拥堵情况，为交通管理官员采取积极措施减少撤离延误提供帮助。
Nov, 2023
此研究针对加拿大埃德蒙顿市的各类紧急事件，通过数据收集、描述性分析、特征分析与选择以及建立预测模型，以不同时间和空间分辨率预测各类事件的发生概率，并对其与社会经济和人口数据的关联进行分析，结果显示模型在大部分事件类型上表现良好，可用于紧急救援服务部门的资源分配和规划，同时研究还发现 COVID-19 对事件发生和预测模型的精度有显著影响。
Feb, 2024
本研究应用自然语言处理技术，通过网络抓取方法及时对地方发布的飓风撤离通知进行检测和追踪，并利用 Web GIS 系统重新分发实时撤离通知，从而为高级政府机构和新闻媒体提供实时数据，帮助学者研究政府对天气警报的反应和撤离历史对个人行为的影响。该框架还可应用于其他类型的灾害，实现快速和有针对性的检索、分类、分发和存档实时政府命令和通知。
Jan, 2024
本文提出并分析了一个紧急疏散决策支持工具，并探索其在阿富汗撤离行动中的应用。使用马尔科夫决策过程等多种方法捕捉了疏散过程中的不确定性，并比较了不同启发式策略的效果，其中最优的马尔科夫决策过程策略在优先级分类下疏散了最多的人员，并提取其中的重要启发式规则以帮助人类决策者，并希望开源所有工具以促进关于算法在高风险人道主义决策中整合的讨论
Sep, 2022
复杂的机器学习模型在天气和气候预测中取得了高预测准确性，但不透明性限制了用户的信任和模型的进一步改进。因此，提高天气和气候模型的可信度和效用至关重要，我们调查了当前应用于气象预测的可解释机器学习方法，并将其分为后处理可解释性技术和从头开始设计可解释性模型两大范 Paradigm。最后，我们讨论了实现与物理原理相一致的更深层次的机械解释，开发标准化评估基准，将可解释性融入迭代模型开发工作流程以及为大型基础模型提供可解释性所面临的研究挑战。
Mar, 2024