基于代理的人群地震疏散模拟；应用于黎巴嫩贝鲁特
本文通过采用人工智能和多智能体系统等技术构建了一个仿真模型，旨在增进对人们在危险环境中遇到困境时的反应和应对方法的理解，以提供更高效和有效的疏散策略，从而改善危险区域内个人的安全和福祉。
Jun, 2023
通过多语言的、群体化的社交媒体，引入一个端到端的框架，显著提高全球地震引发的人员损失预测的及时性和准确性。该框架集成了（1）基于大型语言模型、提示设计和少样本学习的分级伤亡提取模型，用于从社交媒体中检索定量人员损失索赔，（2）一个考虑物理约束的、动态真实性发现模型，从大量嘈杂和潜在冲突的人员损失索赔中发现真实的人员损失，和（3）一个贝叶斯更新损失投影模型，使用发现的真实数据动态更新最终的损失估计。我们实时测试该框架在 2021 年和 2022 年的一系列全球地震事件上，并展示我们的框架简化了伤亡数据的获取，实现了与美国地质调查局手动方法相当的速度和准确性。
Dec, 2023
本文研究了自然灾害中自主机器人在无需等待人类救援小组的情况下通过重新定位救 助公民的能力，采用基于部分可观察的马尔科夫决策过程的 Double Q-learning 方法进行实现，实验结果显示该方法在易场景下的表现超过了 100％，在 difficult 场景下的表现接近 50％。
Sep, 2022
本文提出了一种基于深度学习的视觉 Transformer 的方法，可以预测给定楼层平面图的密度热图随时间的变化及总疏散时间，通过集成该模型到 BIM 工具中可以自动、快速地生成模拟结果，缓解了在建筑设计过程中的瓶颈问题。
Jun, 2023
采用监督混合量子机器学习优化自然灾害期间汽车紧急疏散计划的潜力研究。研究聚焦于地震紧急情况，将问题建模为一个动态计算图，其中地震会破坏城市的某个区域，居民试图通过到达交通堵塞的出口点来撤离城市。该研究提出了一种新颖的混合监督学习方法，并在具体城市图上对假设情景进行了测试。该方法使用一种新型的量子特征线性调制（FiLM）神经网络，并行于经典 FiLM 网络，以模仿确定动态图上的 Dijkstra 最短路径算法，从而增加了整个模型的表达能力。混合监督学习代理根据 Dijkstra 最短路径的数据集进行训练，能够成功学习导航任务。量子部分相对于纯经典监督学习方法提高了 7% 的准确性，并且该网络在预测中有 45.3% 的重要贡献度，可以在基于离子的量子计算机上执行。结果显示，监督混合量子机器学习有助于改善自然灾害期间的紧急疏散计划。
Jul, 2023
本文提出一种使用期望最大化（EM）算法和空间 Voronoi 镶嵌集进行空间变化参数估计的有效方法，应用于模拟地震空间 - 时间分布，结果发现地震触发效率正相关于地表热流量且大部分是小地震所致所以静态应力变化研究不仅应关注中等到大型地震引起的库仑应力变化，还应考虑更小地震引起的次级静态应力变化。
Jun, 2017
本研究针对灾难管理中的撤离规划问题，结合数学优化和启发式搜索，提出了可优化多种目标函数的规划方法 MIP-LNS 及其进化版 MIP-LNS-SIM，前者在限制时间内能够找到更优的方案，而后者结合基于代理模型的延误评估可同时达到高效的撤离规划和小误差的撤离完成时间预测。实验结果基于休斯顿哈里斯县的道路网络和人口数据，验证了方法的可行性和实用性。
Sep, 2022
本文提出了一种分层行人行为模型，通过使用行为树生成高层次决策，使用自适应社交力模型由底层运动规划器产生可执行的机动，将完整的实现集成到 GeoScenario Server 中，扩展了其车辆仿真能力，允许模拟涉及车辆和行人的测试场景，以协助自动驾驶车辆的基于场景的测试过程。该模型在两个不同的地点采集的实际数据集上进行了评估，表现出与现实世界行人轨迹高度相似的特性和 98％或更高的决策准确性。
Jun, 2022