用于预测火灾和其他紧急事件的统计和机器学习模型
提出了一种强化的统计建模方法，应用于伦敦消防队对居民住房火灾响应时间数据的推断中。 通过构造参数比例风险模型来研究随时间和空间变化的影响，并研究了 2014 年火车站关闭对火灾响应时间的影响。
Mar, 2015
决策者通常通过报告过程观察事件的发生情况。在城市政府中，例如，依靠居民报告来发现并解决城市基础设施问题，例如树木倒塌、地下室涝水或鼠害问题。在正无标记数据的情况下，没有办法区分已发生但未被报告的事件和真正未发生的事件 - 这是存在基本难题。我们展示了如何充分利用事件的空间相关性来克服这一挑战。我们的框架利用贝叶斯空间潜变量模型推断事件发生的概率，并将其应用于纽约市风暴引发的洪水报告中，进一步汇总多个风暴的结果。我们展示了一个考虑少报告和空间相关性的模型比其他模型更准确地预测未来的报告，并进一步产生了更公平的检查分配：其分配更好地反映了人口情况并为非白人，较低教育水平和低收入居民提供公平的服务。我们的工作为更加公平的积极政府服务奠定了基础，即使报告行为存在差异。
Dec, 2023
在大数据时代，信息蔓延的预测在大规模信息、专家经验和高精度模型的帮助下带来了巨大机遇。然而，不同学科的专业知识参与导致信息蔓延预测主要专注于特定应用领域（如地震、洪水、传染病）。缺乏统一的预测框架为不同应用领域的交叉预测方法的分类带来了挑战。本文提供了信息蔓延建模、预测和应用的系统分类和总结。我们旨在帮助研究人员识别前沿研究，了解公共紧急情况下信息蔓延预测的模型和方法。通过总结目前存在的问题并概述未来研究方向，本文有潜力成为研究人员进一步研究信息蔓延预测的宝贵资源。
Mar, 2024
我们研究了在数据点序列中预测和解释事件发生的挑战，特别关注未知触发器导致事件发生的非连续、屏蔽和嘈杂数据点的情况。通过结合分析、仿真和机器学习方法，我们探索、量化和提供了解决此挑战的解决方案，并确证了支持各种变化的通用方程。使用这些方程，我们描述了复杂性如何随各参数变化（例如，明显和隐藏状态的数量、触发器长度、置信度等）而变化，并量化了成功训练机器学习模型所需的数据。我们还证明了我们的机器学习解决方案能够学习和识别未知触发器并预测事件的发生。如果挑战的复杂性过高，我们的机器学习解决方案可以识别触发器候选项，以更高效的方式与正在调查的系统进行交互，以确定真正的触发器。通过分享我们的发现，我们希望帮助其他面临类似挑战的人们，让他们能够估计问题的复杂性、所需数据以及解决方案。
Jun, 2024
稀有事件预测是使用机器学习和数据分析识别和预测低概率事件。由于数据分布不均衡，普通事件的频率远远超过稀有事件，需要在机器学习流程中的每个步骤中使用专门的方法，从数据处理到算法到评估协议。该论文全面综述了稀有事件预测的当前方法在四个方面：稀有事件数据，数据处理，算法方法和评估方法。它旨在找出当前文献中的差距并突出预测稀有事件的挑战。它还提出了潜在的研究方向，可帮助指导从业人员和研究人员。
Sep, 2023
本研究开发了一种多模式野火预测和个性化早期警告系统，该系统基于先进的机器学习框架，使用来自环境保护局的传感器数据和 2012 年至 2018 年的历史野火数据，成功设计了新型的 U-Convolutional-LSTM 神经网络，能够提取与迫在眉睫的野火相关的关键时空特征。此外，地质数据被用于提供更好的野火风险评估。最终，为个有感官障碍或呼吸恶化症状的人提出了个性化早期警告系统，旨在为危险地区的居民提供更好的准备，从而挽救生命并减少经济损失。
Aug, 2022
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