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

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

本文介绍了如何构建一个基于在线社交网络的分类器来筛选有关地震的推文，以减少公众在自然灾害时获取相关信息的难度。通过使用 2010 年智利地震的数据集，作者们研究了类不平衡和维度降低等变量对 5 种分类器的影响，为构建类似系统提供了重要的参考和建议。

Mar, 2015

本文通过弱监督学习建立高质量的社交媒体紧急信息分类器，使用 Twitter 上的微博信息以及事件关键词帮助快速生成高质量的标签化数据，利用前续信息和回复信息来丰富微博表示方法以处理嘈杂短小的用户生成信息，且仅需 1-2 人时的人工监督即可在两次飓风期间实现优于需要 50 人时手动标注的管理分类器。

Oct, 2020

本文提出了一种利用语义嵌入和无监督学习的方法，在社交媒体的帖子数据集中对于重大自然灾害的子事件进行识别，并对其进行分析和分类。通过对两组数据集进行实验证明了该方法的有效性和优越性。

Dec, 2019

本文研究信息检索在实时搜索中面临的挑战，通过整合事件信息和查询，利用跨注意力机制实现时间背景的查询表示，通过多任务训练增强事件表示能力，以及通过两阶段训练和硬负采样进行模型优化，并通过实验证明本方法在时间敏感场景下显著优于现有基线方法。

Dec, 2023

本文旨在利用技术手段协助人道主义灾难时半自动识别推特和简短信息，以有效动员食物和水源等资源。作者提出了一个鲁棒性强的社交媒体紧急情况识别系统，并采用有标注和无标注数据集的集成方法，通过转移学习适应各种新危机。与现有基线模型相比，该系统的低监督和转移学习方法在数个灾难数据集上显著提高了预测准确度。

Jul, 2019

本文介绍一种新的多模态融合方法，使用图形建模和交叉注意力，将图像和文本进行联合处理以提高应急响应能力。通过三个危机相关任务的测试，表明我们的方法明显优于单模态方法和基准的多模态方法。

Apr, 2020

在这篇论文中，我们提出了一个三步解决方案，旨在充分利用社交媒体内容和自然语言处理技术，实现灾害信息学中的相关分类、地点提取和主题建模，以应对社交媒体内容中的挑战。

May, 2024