Designing Decision Support Systems for Emergency Response: Challenges and Opportunities
Vanderbilt University（范德堡大学）；George Mason University（乔治梅森大学）
设计有效的应急管理系统以应对道路事故等事件是社区面临的一个主要问题。除了应对每天频繁发生的事件（美国每年约有2.4亿个紧急医疗服务电话和500多万起道路事故）外，这些系统还支持自然灾害期间的响应。最近，人们一直对构建决策支持和优化工具感兴趣，这些工具可以帮助应急响应人员提供更高效和更有效的响应。这包括许多有原则的子系统，用于实现早期事件检测、事件可能性预测以及战略资源分配和调度策略。在本文中，我们强调了主要挑战，并概述了我们的团队与社区合作伙伴合作开发的方法。
2022-03-13 cs.AI cs.CY cs.LG
Emergency Incident Detection from Crowdsourced Waze Data using Bayesian Information Fusion
George Mason University（乔治·马歇尔大学）；Wichita State University（威斯康星州立大学）；Vanderbilt University（范德比大学）
针对紧急事件检测中众包数据噪声与时空不确定性问题，提出基于贝叶斯信息融合的计算框架，利用Waze数据实现主动检测，在纳什维尔数据集上F1与AUC均优于强基线。
2020-11-10 cs.AI cs.SI
Practitioner-Centric Approach for Early Incident Detection Using Crowdsourced Data for Emergency Services
George Mason University（乔治梅森大学）；Vanderbilt University（范德堡大学）；Wichita State University（威奇托州立大学）
应急响应高度依赖于事件报告的时间。不幸的是，接收事件报告的传统方法（例如，在美国拨打911）有时间延迟。Waze等众包平台为及早识别事件提供了机会。然而，从众包数据流中检测事件是困难的，这是由于与这些数据相关联的噪声和不确定性的挑战。此外，简单地优化检测精度可能会损害推理的时空定位，从而使这种方法对于现实世界的部署不可行。本文提出了一种新的问题制定和解决方案的方法，以应急响应管理为例研究，使用众包数据为中心的事件检测。所提出的方法CROME（众包多目标事件检测）量化了事件分类的性能度量（例如，F1分数）和示范从业人员的要求（例如，1公里用于事件检测的半径）。首先，我们展示了如何将众包报告、地面实况历史数据和其他相关决定因素（如交通和天气）一起用于卷积神经网络（CNN）架构，以早期检测紧急事件。然后，我们使用基于Pareto优化的方法来优化CNN的输出，并结合以神经网络为中心的参数来平衡检测精度和时空定位。最后，我们使用来自Waze的众包数据和来自美国田纳西州纳什维尔的交通事故报告证明了这种方法的适用性。我们的实验表明，所提出的方法优于现有的方法在事件检测，同时优化现实世界的部署和可用性的需求。
2021-12-03 cs.AI cs.LG stat.ML
Sim911: Towards Effective and Equitable 9-1-1 Dispatcher Training with an LLM-Enabled Simulation
Vanderbilt University（范德堡大学）；Metro Department of Emergency Communications（大都会应急通信部）
Sim911是首个基于LLM的9-1-1调度员培训仿真系统，通过知识构建、上下文可控生成和循环校正验证三项技术创新，解决传统培训劳动密集且忽视服务不足社区需求的问题。
2024-12-26 cs.AI cs.CL
OPTIC-ER: A Reinforcement Learning Framework for Real-Time Emergency Response and Equitable Resource Allocation in Underserved African Communities
Mary Tonwe
OPTIC-ER通过强化学习框架提升非洲欠发达社区的应急响应效率与资源分配公平性，实现100%最优动作选择，推动AI在公共事务中的应用。
2026-10-14 cs.AI cs.CY cs.LG
Proactive Distributed Emergency Response with Heterogeneous Tasks Allocation
Old Dominion University（奥多明尼昂大学）；Rockwell Automation（罗克韦尔自动化公司）
针对传统交通事故管理未考虑事故演化依赖、部署策略短视的问题，提出基于DCOP的主动式分布式应急响应框架，纳入无人机辅助感知，可显著降低总事故延误。
2025-01-13 cs.AI cs.MA cs.SY
Decision-making of Emergent Incident based on P-MADDPG
School of Computer and Artificial Intelligence（计算机与人工智能学院）；Zhengzhou University（郑州大学）
近年来，突发事件造成的人员伤亡和资源破坏已成为世界性的严重问题。本文对突发事件应急决策问题进行了建模，并利用多智能体系统（MAS）解决了决策速度跟不上传播速度的问题。MAS可以在这些任务的自动执行中发挥重要作用，以减少任务完成时间。针对突发事件的应急决策问题，提出了一种P-MADDPG算法，该算法通过GRU模型预测下一时刻可能发生事件的节点，并在事件发生前做出决策，解决了决策速度跟不上传播速度的问题。建立了真实场景的仿真环境，选取无人仓储、工厂流水线和民用机场行李运输3种场景，对P-MADDPG在突发事件应急决策问题中的性能进行了测试。仿真结果表明，P-MADDPG算法与贪心算法和MADDPG算法相比，在不同规模的场景下，P-MADDPG算法收敛速度更快，收敛效果更好。这表明P-MADDP算法在突发事件应急决策中是有效的。
2022-03-19 cs.AI
Designing Emergency Response Pipelines : Lessons and Challenges
Stanford University（斯坦福大学）；Vanderbilt University（范德堡大学）
事故、犯罪和火灾等事件的应急响应是社区面临的一个主要问题。应急响应管理包括预测、资源分配和调度等几个阶段和子问题。设计原则性的方法来解决每一个问题是必要的，以创建有效的应急响应管理（ERM）管道。在过去的六年里，我们与几个第一响应组织合作设计了ERM管道。在本文件中，我们强调了我们已经确定的一些挑战和我们通过在这一领域的经验吸取的教训。这些挑战对从业人员和研究人员特别重要，甚至在设计减轻洪水和地震等灾害的应对战略时也是重要的考虑因素。
2020-10-15 cs.AI
Design of a GIS-based Assistant Software Agent for the Incident Commander to Coordinate Emergency Response Operations
Kyoto University（京都大学）；Carnegie Mellon University（卡内基梅隆大学）；Istanbul Technical University（伊斯坦布尔理工大学）；University of Southern California（南加州大学）
问题：本文讨论了一个智能软件系统的IC（事件指挥官）的团队，以协调代理（现场单位或机器人）在紧急/危机响应操作域的行动的设计。目的：提出地理信息协调员的概念。它是一个基于GIS的辅助软件代理，在战略规划和宏观任务分配方面与人类规划者协作，以实现集中式多代理协调。方法：我们设计GICoordinator的方法是：分析问题，设计一个完整的数据模型，设计一个GICoordinator的体系结构，指定所需的人和系统在协调解决问题的能力，指定开发工具，并部署。结果：结果是包含系统需求的GICoordinator的架构/设计。调查结果：GICoordinator有效地将地理信息学与人工智能技术相结合，为IC提供了一个空间智能协调器系统，通过做出宏观/战略决策来有效地协调和控制代理。结果定义了一个框架，为今后的工作，开发这个系统。
2014-01-01 cs.AI cs.MA
ChEmREF: Evaluating Language Model Readiness for Chemical Emergency Response
University of Southern California（南加州大学）
本文提出化学应急响应评估基准ChEmREF，设置三类相关任务测试语言模型的化学应急能力，结果显示模型有应用潜力但仍需人工监督。
2025-11-14 cs.AI
Auto311: A Confidence-guided Automated System for Non-emergency Calls
Vanderbilt University（范德堡大学）
本研究与纳什维尔应急通信部合作，基于11796条真实呼叫录音开发了首个311非紧急呼叫自动化系统Auto311，通过置信度引导的事件预测、信息提取与对话构建，在多项指标上表现优异，可减轻非紧急呼叫负担、提升应急响应效率。
2024-01-30 cs.AI cs.CL cs.CY
LLM-Assisted Crisis Management: Building Advanced LLM Platforms for Effective Emergency Response and Public Collaboration
University at Albany, SUNY（纽约州立大学奥尔巴尼分校）；College of Emergency Preparedness, Homeland Security, and Cybersecurity（应急准备、国土安全与网络安全学院）
本文提出使用开源LLAMA2识别和分类社交媒体及紧急消息中的危机信息，为911接警员提供处置建议，并在系统过载时指导公众、通知政府机构。
2024-01-12 cs.AI cs.CL cs.HC
Automated Traffic Incident Response Plans using Generative Artificial Intelligence: Part 1 -- Building the Incident Response Benchmark
University of Technology Sydney（技术学院悉尼大学）；University of Newcastle（新castle大学）；The University of Queensland（昆士兰大学）
本文提出基于生成式人工智能的交通事故响应基准，利用PeMS真实事故数据自动生成响应方案，并评估表明GPT-4o和Grok 2与专家方案对齐最优，而Gemini 1.5 Pro存在过度触发问题。
2025-06-03 cs.AI cs.LG cs.SY
The Information-Collecting Vehicle Routing Problem: Stochastic Optimization for Emergency Storm Response
Princeton University（普林斯顿大学）
本文提出一种随机优化策略，通过电话调用建立故障信念并利用车辆收集信息，以快速恢复电网故障，首次将信息收集和信念建模纳入车辆路径问题。
2016-05-18 cs.AI cs.SY eess.SY
Towards an Intelligent System for Risk Prevention and Management
Laboratoire d'Informatique de Traitement de l'Information et des Systèmes（信息与系统处理计算机实验室）；University of Le Havre（勒阿弗尔大学）
由于缺乏信息、信息的不确定性以及规划者对事件未来演变的不了解，在多变和动态的环境中作出决定是一项艰巨的任务。使用决策支持系统是解决这一问题的有效方法。这种系统可以帮助紧急情况规划者和反应者发现可能的紧急情况，并建议和评估处理紧急情况的可能行动方针。我们感兴趣的是我们的工作，监测预防和应急管理系统的建模，其中我们强调的通用方面。在本文中，我们提出了一个基于代理的体系结构，这个系统，我们描述了我们的方法，这是建模的信息和他们的表示使用多智能体系统的第一步。
2009-04-20 cs.AI cs.MA
Automating the loop in traffic incident management on highway
Politecnico di Milano（米兰理工大学）；MOVYON SpA（MOVYON股份公司）
本文针对高速公路事件管理中操作员高压决策问题，提出LLM+优化混合与全LLM两种决策支持方法，并基于意大利Autostrade历史事件数据验证，发现混合方案更可靠。
2025-03-15 cs.AI cs.HC cs.LG
A Hybrid Model for Traffic Incident Detection based on Generative Adversarial Networks and Transformer Model
University of Shanghai for Science and Technology（上海理工大学）；Capital One（第一资本）
针对交通事件检测中数据获取困难与类别不平衡问题，提出融合 Transformer 和 GANs 的混合模型，并在四个真实数据集上验证其检测性能提升。
2024-03-02 cs.AI cs.LG
Proactive Resource Request for Disaster Response: A Deep Learning-based Optimization Model
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shanghai University of Finance and Economics（上海财经大学）；University of Delaware（特拉华大学）
针对灾害响应中地方机构资源请求量优化问题，提出一种结合深度学习需求预测与随机优化的模型，有效提升了资源管理的性能。
2023-07-31 cs.AI cs.LG
Urban Spatio-Temporal Foundation Models for Climate-Resilient Housing: Scaling Diffusion Transformers for Disaster Risk Prediction
Technical University of Denmark（技术大学）；Eskisehir Technical University（埃斯基谢普大学）；Afyon Kocatepe University（阿夫yon卡奥塔佩大学）
本文提出Skjold-DiT模型，通过整合时空城市数据预测建筑气候风险，并结合交通网络结构提升灾害响应能力。
2026-02-05 cs.AI cs.LG
Real-Time Multimodal Cognitive Assistant for Emergency Medical Services
University of Virginia（弗吉尼亚大学）
本文提出可穿戴多模态认知助手 CognitiveEMS，融合语音识别、图注意力协议预测与音视频动作识别，在 EMS 场景中显著提升识别准确率并支持边缘实时辅助。
2024-03-11 cs.AI cs.CL cs.CV
CrisisViT: A Robust Vision Transformer for Crisis Image Classification
University of Glasgow（格拉斯哥大学）
本文提出基于Transformer的CrisisViT模型，利用Incidents1M数据集进行危机图像分类，在紧急类型、图像相关性、人道主义类别和损害严重程度分类上显著优于以往方法，并带来1.25%的绝对准确率提升。
2024-01-05 cs.AI cs.CV cs.MM
LADI v2: Multi-label Dataset and Classifiers for Low-Altitude Disaster Imagery
MIT Lincoln Laboratory（麻省理工学院林肯实验室）
针对低空灾害图像训练数据缺乏的问题，提出LADI v2多标签数据集及两个预训练基线分类器，并对比视觉语言模型性能，推动了应急管理计算机视觉研究。
2024-06-04 cs.AI cs.CV cs.LG
Enhancing Traffic Incident Response through Sub-Second Temporal Localization with HybridMamba
Department of Computer Science, Iowa State University, Ames, IA, USA（计算机科学系，爱荷华州立大学）；Department of Civil, Construction and Environmental Engineering, Iowa State University, Ames, IA, USA（土木、建设与环境工程系，爱荷华州立大学）
提出HybridMamba架构，结合视觉Transformer与状态空间建模，通过多级token压缩实现高效且高精度的监控视频事故时间定位，以更少参数显著优于现有视频语言模型。
2025-09-15 cs.AI cs.CV
Using AI to Optimize Patient Transfer and Resource Utilization During Mass-Casualty Incidents: A Simulation Platform
Surgical Artificial Intelligence Research Academy（外科人工智能研究学院）；University Health Network（大学健康网络）；University of Toronto（多伦多大学）；Department of Surgery（外科系）
开发了基于深度强化学习的决策支持 AI agent 和 MasTER 模拟平台，用于优化大规模伤亡事件中的患者转运决策；实验表明该 AI 能显著提升决策质量，使非专家达到专家级表现并优于创伤外科医生。
2025-09-10 cs.AI cs.HC cs.LG
ASTER: Adaptive Spatio-Temporal Early Decision Model for Dynamic Resource Allocation
University of New South Wales（新南威尔士大学）；Data61, CSIRO（Data61，CSIRO）
ASTER提出自适应时空早期决策模型，通过资源感知交互模块和多目标强化学习智能体，将预测直接转化为资源分配决策，在四个基准数据集上提升早期预测准确性和分配效率。
2025-06-22 cs.AI cs.LG
