飓风疏散行为的图模型
本研究提出了一种基于易获取的人口和资源预测因素的方法来预测家庭疏散决策，结合一个自动计算非线性阈值的可解释机器学习方法，其结果表明，在解释家庭疏散决策的变化和预测能力方面，增强的逻辑回归模型比以前的线性模型更具说服力，可为应急管理部门提供一种新的工具和框架来及时准确地评估疏散需求。
Mar, 2023
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
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
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
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
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
本研究基于均衡模型开发了一种模拟人员疏散的跨学科方法，探讨了地震时人员的行为和迁移，结果显示在城市中的开放空间及其与住宅建筑的接近程度是确保人们在地震发生时安全的重要因素。
Sep, 2023
利用连通车辆数据中的车速和加速度等信息，运用高斯过程提升和极端梯度提升机器学习模型等方法，在实时中预测飓风疏散期间可能出现的交通事故风险，可帮助交通管理人员有效利用资源以主动采取安全措施。
Jun, 2023