Dynamic Queue-Jump Lane for Emergency Vehicles under Partially Connected Settings: A Multi-Agent Deep Reinforcement Learning Approach
New York University（纽约大学）
应急车辆（EMV）服务是城市的一项重要功能，由于城市交通拥堵，因此极具挑战性。EMV服务延迟的主要原因是阻塞EMV的车辆之间缺乏沟通和合作。本文研究了V2X连接下EMV服务的改进。我们考虑在存在非互联人类驾驶车辆的情况下，基于互联车辆的实时协调来建立动态队列跳转车道（DQJL）。我们开发了一种新的马尔可夫决策过程制定的DQJL协调策略，明确占的不确定性的驱动程序的屈服模式接近EMV。基于代表代理车辆的演员和评论家的神经网络对，我们开发了一种多代理演员-评论家深度强化学习算法，该算法可以处理交通中不同数量的车辆和随机比例的连接车辆。通过间接和直接的强化学习接近最佳协调策略，我们提出了两个方案来解决多智能体强化学习在这个连接的车辆应用。这两种方法都得到了验证，在微观仿真测试平台SUMO，建立一个DQJL快速，安全。验证结果表明，与DQJL协调策略，它节省了高达30%的时间EMV通过链路级智能城市道路比基线方案。
2021-01-15 cs.AI cs.SY eess.SY
Red-Team Multi-Agent Reinforcement Learning for Emergency Braking Scenario
School of Mechanical Engineering Beijing Institute of Technology Beijing, China（机械工程学院 北京理工大学 北京中国）
本文提出红队多智能体强化学习框架，通过约束图表示MDP和策略威胁区域模型让背景车辆主动干扰自动驾驶车辆，以生成安全关键场景中的边角案例并显著影响其决策安全性。
2025-07-21 cs.AI cs.LG
GREAT-EER: Graph Edge Attention Network for Emergency Evacuation Responses
Electrical Engineering, Chalmers University of Technology（电子工程系，楚尔斯基技术大学）
GREAT-EER提出了一种基于深度强化学习的图学习方法，用于快速生成公交疏散路线，解决公交疏散导向问题，实现高效疏散规划。
2026-02-16 cs.AI cs.LG
Emergency Computing: An Adaptive Collaborative Inference Method Based on Hierarchical Reinforcement Learning
School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（北京邮电大学计算机学院（国家示范性软件学院））；School of Electronic Engineering, Beijing University of Posts and Telecommunications（北京邮电大学电子工程学院）
本文提出E-SC3I应急网络框架，并针对其计算开销问题，设计了一种基于分层强化学习的自适应协同推理方法（ACIM），在资源受限条件下实现AI模型的快速推理。
2024-02-03 cs.AI cs.LG cs.NI
From Coordination to Personalization: A Trust-Aware Simulation Framework for Emergency Department Decision Support
School of Science & Technology, Hellenic Open University（希腊开放大学科学与技术学院）
提出Unity中的信任感知多智能体仿真框架，通过评估医护能力并自适应协调，比较Baseline、Replacement和Training策略，为急诊科人员配置与个性化决策支持提供循证工具。
2025-09-09 cs.AI cs.CY cs.HC
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
Retrieval Augmented Generation-Enhanced Distributed LLM Agents for Generalizable Traffic Signal Control with Emergency Vehicles
School of Artificial Intelligence, Beijing University of Posts（人工智能学院，北京邮电大学）；Beijing Big Data Center（北京大数据中心）
随着城市交通的日益复杂，交通信号控制（TSC）对于优化交通流和提高道路安全至关重要。大语言模型（LLM）是一种很有前途的TSC方法。然而，他们在紧急情况下容易产生幻觉，导致不可靠的决定，可能会导致紧急车辆的大量延误。此外，不同的交叉口类型的交通状态编码和交叉口训练提出了很大的挑战，限制了跨异构交叉口的泛化。因此，本文提出了检索增强生成（RAG）增强的分布式LLM代理与应急响应的广义TSC（REG-TSC）。首先，本文提出了一种基于突发事件情景的突发事件感知推理框架，该框架能够根据突发事件情景动态调整推理深度，并采用一种新的基于审阅者的突发事件RAG（RERAG）机制，从历史案例中提取特定的知识和指导，提高了Agent应急决策的可靠性和合理性。其次，本文设计了一种与类型无关的交通流表示方法，并提出了一种用于异构交叉口的奖励引导的强化细化算法（R3）。R3自适应地从具有基于环境反馈的优先级的不同交叉点中采样训练经验，并使用设计的奖励加权似然损失来微调LLM代理，引导REG-TSC跨异构交叉点实现高奖励策略。在三个包含17到177个异构交叉口的真实道路网络上进行的大量实验表明，REG-TSC将行程时间减少了42.00%，队列长度减少了62.31%，紧急车辆等待时间减少了83.16%，优于其他最先进的方法。
2025-10-30 cs.AI
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
Agent-Oriented Approach for Detecting and Managing Risks in Emergency Situations
LITIS–Laboratoire d’Informatique de Traitement de l’Information et des Systsème（LITIS——信息与系统信息处理实验室）；University of Le Havre（勒阿弗尔大学）
本文提出了一种面向Agent的方法来建立一个决策支持系统，旨在帮助应急管理人员发现和管理风险。我们强调的灵活性和自适应特性是至关重要的，以建立一个强大而有效的系统，能够解决复杂的问题。该系统应尽可能独立于研究对象。因此，提出了一种基于感知、表示、表征和评估机制的原创方法。这里描述的工作应用于RoboCupRescue应用程序。提供了实验和结果。
2009-07-03 cs.AI cs.MA
Artificial Intelligence for Emergency Response
Vanderbilt University（范德堡大学）
本文探讨应急响应中的事件预测、检测、资源分配与调度四个子问题，提出数学公式和框架，并分享美国大都市区的开源合成数据。
2023-06-15 cs.AI cs.CY
SafeMate: A Modular RAG-Based Agent for Context-Aware Emergency Guidance
Urban Information Lab, University of Texas at Austin（德克萨斯大学奥斯汀分校城市信息实验室）；Department of Computer Science, University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系）；Department of Advertising, Texas State University（德克萨斯州立大学广告系）；Department of Advertising and Public Relations, University of Texas at Austin（德克萨斯大学奥斯汀分校广告与公共关系系）
针对公众难以及时获取并应用应急知识的问题，研究提出基于模块化RAG的SafeMate智能体，依托MCP动态调度多工具、用FAISS检索可信内容，为普通用户提供上下文感知的应急准备与响应引导。
2025-05-19 cs.AI
Agent-Based Perception of an Environment in an Emergency Situation
University of Le Havre（勒阿弗尔大学）
我们感兴趣的问题，多智能体系统发展的风险检测和应急响应在一个不确定的和部分感知的环境。在多智能体系统内部，对当前情况的评估经过三个阶段。在第一次，情况是以动态的方式表示。第二步，包括对情况进行分析，最后，将其与其他类似的已知情况进行比较。在本文中，我们提出了一个信息建模的观察环境，我们已经应用在RoboCupRescue仿真系统。来自环境的信息根据分类法并使用语义特征进行格式化。后者的定义归功于一个领域的精细本体，并由旨在动态表示当前情况的事实代理管理。
2008-04-03 cs.AI
SentinelAI: A Multi-Agent Framework for Structuring and Linking NG9-1-1 Emergency Incident Data
本文提出SentinelAI框架，通过多智能体系统实现应急事件数据的标准化和跨源推理，解决NG9-1-1数据标准下的数据整合难题。
2026-03-25 cs.AI cs.CY cs.ET
On Algorithmic Decision Procedures in Emergency Response Systems in Smart and Connected Communities
Vanderbilt University（范德堡大学）；Stanford University（斯坦福大学）；Washington University（华盛顿大学）
应急响应管理（ERM）是全球社区面临的一个关键问题。尽管如此，在现实世界中，机构风险管理系统遵循短视的决策政策是很常见的。在不确定性条件下帮助机构风险管理决策的原则性方法已经被探索过，但未能被实际系统所接受。我们确定了一个关键的问题，阻碍他们采用-算法的方法，以应急响应的反应，事件后的调度行动，即最佳调度响应\textit{after}事件发生。然而，紧急响应的关键性质决定了当事件发生时，第一响应者总是派遣最近的可用响应者到事件。我们认为，企业风险管理系统的规划的关键时期不是事件后，但事件之间。这不是一个微不足道的规划问题-动态平衡响应者的空间分布的主要挑战是问题的复杂性。ERM系统中的一个正交问题是有限通信下的规划，这在影响通信网络的灾难场景中尤为重要。我们解决这两个问题，提出了两个部分分散的多智能体规划算法，利用物流和利用结构的调度问题。我们评估我们提出的方法，使用真实世界的数据，并发现，在几种情况下，动态重新平衡的空间分布的应急响应人员减少了平均响应时间，以及它的方差。
2020-03-12 cs.AI
Advancing Autonomous Emergency Response Systems: A Generative AI Perspective
本文从生成式AI视角探讨自动驾驶在应急响应中的应用，分析了扩散模型增强的强化学习和大型语言模型辅助的上下文学习，以提升系统鲁棒性和适应性。
2025-11-12 cs.AI
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
Development of a Large Language Model-based Multi-Agent Clinical Decision Support System for Korean Triage and Acuity Scale (KTAS)-Based Triage and Treatment Planning in Emergency Departments
John Bapst Memorial High School（约翰·巴普斯特纪念高中）；Minerva University（密涅瓦大学）
本研究开发了一个基于Llama-3-70b、由CrewAI和Langchain编排的多智能体临床决策支持系统，包含四个模拟急诊科角色的AI智能体，结合KTAS和RxNorm API进行分诊与治疗规划，实验证明其分诊准确性和急诊护理管理能力显著优于单智能体系统。
2024-08-27 cs.AI cs.CL cs.LG
A Novel Task-Driven Method with Evolvable Interactive Agents Using Event Trees for Enhanced Emergency Decision Support
Institute of Nuclear and New Energy Technology, Tsinghua University（清华大学核能与新能源技术研究院）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
针对突发紧急事件下人工应急决策的局限性，提出融合两类LLM智能体与事件树分析的EvoTaskTree方法，可从任务响应中学习，在核电站未遇事故场景下准确率达100%，显著提升应急决策效率。
2024-12-24 cs.AI cs.CL
MA-HEAD-Net: Adaptive Rule-Guided Multi-Agent DRL for AoI Minimization in UAV-Assisted Emergency Networks
该研究针对异构应急服务的无人机辅助应急通信场景，提出MA-HEAD-Net框架，通过自适应规则引导的多智能体深度强化学习优化联合调度，实现了更低的信息年龄（AoI）与更高的策略形成效率。
2026-08-04 cs.AI cs.LG
Improving Community Resiliency and Emergency Response With Artificial Intelligence
Accenture Federal Services（埃森哲联邦服务公司）
在应急准备和反应的所有阶段，包括规划、反应、恢复和评估阶段，采用新的危机应对和管理办法是必不可少的。准确和及时的信息与作出反应的组织之间迅速和协调一致的协调同样重要。我们正在努力建立一个多管齐下的应急工具，使利益攸关方能够及时获得全面、相关和可靠的信息。紧急救援人员能够更快地分析、传播关键信息并采取行动，他们的反应就越有效、越及时，受影响人口的利益就越大。我们的工具包括编码多层开源地理空间数据，包括洪水风险位置，道路网络强度，代理内陆洪水的洪水地图和计算机视觉语义分割，用于估计洪水淹没区域和受损基础设施。这些数据层被组合并用作机器学习算法的输入数据，例如在紧急情况之前、期间和之后找到最佳疏散路线，或者为受影响区域的第一响应者提供可用住宿列表。尽管我们的系统可以用于许多用例，人们被迫从一个位置到另一个，我们证明了我们的系统的可行性，在北卡罗来纳州兰伯顿飓风佛罗伦萨的用例。
2020-05-28 cs.AI cs.CY cs.SI
Modelling of Economic Implications of Bias in AI-Powered Health Emergency Response Systems
Politecnico di Torino（都灵理工大学）；iLaVita Nonprofit Foundation（iLaVita非营利基金会）
本文构建融合卫生经济学、福利经济学与AI的理论框架，通过偏见函数量化算法偏见对应急资源配置、健康结果和社会福利的损失，并提出公平约束优化、算法调整与政策干预等缓解路径。
2024-10-26 cs.AI econ.GN q-fin.EC
Agent-Based Decision Support System to Prevent and Manage Risk Situations
风险预防和应急反应已成为一个重要的社会和政治问题。应对这一挑战的一种方法是开发决策支持系统（DSS），帮助应急计划人员和响应人员发现紧急情况，并建议可能的行动方案来处理紧急情况。我们的研究工作是在这个框架，旨在开发一个决策支持系统，必须尽可能通用和独立的案例研究。
2009-04-20 cs.AI cs.MA
AeroCopilotBench: Safety-Gated Evaluation of LLM Agents on Aircraft Emergency Procedures in an Executable Cockpit
School of Aeronautic Science and Engineering, Beihang University（北京航空航天大学航空科学与工程学院）
该研究提出AeroCopilot操作环境与双层航空智能体评估基准，通过12个模型测试发现静态知识表现难转化为流程执行能力，为航空智能体评估提供可复现基础。
2026-09-29 cs.AI
Multi-Agent Systems in Emergency Departments: Validation Study on a ED Digital Twin
Constructor University（Constructor大学）；Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学研究所MEVIS）；Asklepios Kliniken Hamburg GmbH（阿斯克列庇斯汉堡医院有限公司）
本文提出了一种混合离散事件模拟与基于智能体的模型，用于验证急诊部门的资源配置优化策略，通过实证研究展示了模型的有效性。
2026-05-13 cs.AI cs.MA
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
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
A Review of Incident Prediction, Resource Allocation, and Dispatch Models for Emergency Management
Stanford University（斯坦福大学）；Vanderbilt University（范德堡大学）；DataMinr；Tennessee Department of Transportation（田纳西州交通部）；Washington University at St. Louis（圣路易斯华盛顿大学）
在过去的50年里，研究人员开发了统计，数据驱动，分析和算法方法来设计和改进应急响应管理（ERM）系统。这个问题已被指出为固有的困难，并构成不确定性下的时空决策，这已在文献中解决不同的假设和方法。本调查提供了这些方法的详细审查，重点是关键的挑战和问题的四个子过程：（a）事件预测，（b）事件检测，（c）资源分配，（c）计算机辅助调度应急响应。我们突出了在这一领域的优势和劣势，并探讨不同的建模范式之间的相似性和差异。最后，我们说明了开放的挑战和机遇，为未来的研究在这个复杂的领域。
2021-11-18 cs.AI cs.CY cs.DC
AI-based Approach in Early Warning Systems: Focus on Emergency Communication Ecosystem and Citizen Participation in Nordic Countries
本文倡导整体性方法应对气候变化与自然灾害，强调早期预警系统、风险建模及AI使能技术在各阶段的应用，并通过北欧案例研究突出应急通信与公民参与。
2025-06-20 cs.AI cs.CY
Evacuation Management Framework towards Smart City-wide Intelligent Emergency Interactive Response System
Technology Innovation Institute（技术创新研究院）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）
本研究面向智慧城市6G部署，提出协同技术方案构建智能应急交互响应系统，结合AI、ML与传感器融合技术，针对三类日常场景优化应急行动，提升公共服务与居民生活质量。
2024-03-07 cs.AI cs.CY cs.LG
The Multi-phase spatial meta-heuristic algorithm for public health emergency transportation
University of North Texas（北德克萨斯大学）；Georgia State University（佐治亚州立大学）
在生物恐怖袭击的情况下，提供大规模预防的医疗对策（MCMs）是一个活跃的研究课题，在过去的几十年里一直引起研究界的兴趣。本研究的目的是设计一个有效的算法，接收存储和存储问题（RSS），我们的目标是找到可行的路线，提供MCMs到目标人群考虑时间，物理和人力资源，和容量限制。为此，我们将p-中位数问题应用于基于POD的应急响应规划程序，并提出了一种高效的算法解决方案，以在合理的计算时间内执行p-中位数。我们提出了RE-PLAN，响应PLan分析仪系统，其中包含一些RSS解决方案，在计算流行病学和响应分析中心（CeCERA）在北德克萨斯大学。最后，我们分析了一个研究案例，我们展示了算法的计算性能如何影响决策和应急规划的过程中，在短期和长期。
2021-07-05 cs.AI
EMVLight: a Multi-agent Reinforcement Learning Framework for an Emergency Vehicle Decentralized Routing and Traffic Signal Control System
New York University（纽约大学）；Siemens Corporation（西门子公司）；Shanghai Jiao Tong University（上海交通大学）
紧急车辆（EMV）在响应时间紧迫的呼叫（如医疗紧急情况和城市地区的火灾）方面发挥着至关重要的作用。现有的EMV调度方法通常基于历史交通流数据优化路线，并相应地设计交通信号抢占;然而，我们仍然缺乏一个系统的方法来解决EMV路由和交通信号控制之间的耦合。在本文中，我们提出了EMVLight，一个分散的强化学习（RL）框架，用于联合动态EMV路由和交通信号抢占。我们采用多智能体的优势行动者-评论家的方法与政策共享和空间折扣因子。该框架通过多类RL代理的创新设计和一种新的基于压力的奖励函数来解决EMV导航和交通信号控制之间的耦合。所提出的方法使EMVLight能够学习网络级的合作交通信号定相策略，不仅可以减少EMV的行驶时间，还可以缩短非EMV的行驶时间。基于仿真的实验表明，EMVLight使高达$42.6\%$减少EMV旅行时间以及$23.5\%$较短的平均旅行时间相比，现有的方法。
2022-06-29 cs.AI cs.SY eess.SY
Can LLM Agents Respond to Disasters? Benchmarking Heterogeneous Geospatial Reasoning in Emergency Operations
The University of Tokyo（东京大学）；RIKEN AIP（理化学研究所AIP）；Waseda University（早稻田大学）；Stanford University（斯坦福大学）
本文提出DORA基准测试，评估大语言模型在灾难响应中的端到端流程，揭示了灾难领域接地、工具选择瓶颈和组合脆弱性等挑战。
2026-10-20 cs.AI
EMSDialog: Synthetic Multi-person Emergency Medical Service Dialogue Generation from Electronic Patient Care Reports via Multi-LLM Agents
School of Engineering and Applied Sciences, University of Virginia（弗吉尼亚大学工程与应用科学学院）；School of Medicine, University of Virginia（弗吉尼亚大学医学院）
本文提出基于ePCR的多代理生成流程，生成4414个合成多说话者EMS对话数据集，提升EMS对话诊断预测的准确性、及时性和稳定性。
2026-04-20 cs.AI cs.CL
LLM-Driven Personalities for Decision Making in Emergency Simulations
Politecnico di Torino（都灵理工大学）；PUCRS（南里奥格兰德天主教大学）
本研究利用大语言模型（LLM）结合OCEAN人格特质驱动虚拟人在疏散模拟中的决策，发现不同人格特质显著影响个体行为和群体模拟结果，增强了模拟环境的真实性和多样性。
2026-07-01 cs.AI cs.GR
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
MAFIG: Multi-agent Driven Formal Instruction Generation Framework
School of Computer and Artificial Intelligence, Zhengzhou University（郑州大学计算机与人工智能学院）；Engineering Research Center of Intelligent Swarm Systems, Ministry of Education（教育部智能集群系统工程研究中心）；National Supercomputing Center in Zhengzhou（国家超级计算郑州中心）；Henan Research Center for Large Model Technology and New Quality Software Engineering（河南省大模型技术与新质软件工程研究中心）
本文提出MAFIG框架，通过多智能体生成局部正式指令以应对调度系统紧急情况，采用span-focused loss-driven local distillation机制提升决策效率，实验结果显示在港口、仓储和甲板调度数据集上成功率高且处理速度快。
2026-04-13 cs.AI
An Edge-Cloud Collaborative Architecture for Proactive Elderly Care: Real-Time Risk Assessment and Three-Level Emergency Response
School of Computer Science University of Nottingham Ningbo China Ningbo, China（计算机科学学院 南阳大学宁波分校 中国 宁波）；School of Mathematical Sciences University of Nottingham Ningbo China Ningbo, China（数学科学学院 南阳大学宁波分校 中国 宁波）
本文提出边缘-云协作架构，通过实时多模态传感器融合、四维风险评估模型和三级应急响应系统，解决现有云平台在延迟、隐私和可扩展性方面的不足，实验表明其在活动识别和异常检测上表现优异。
2026-03-20 cs.AI cs.CY eess.SP
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
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
A Multi-constraint and Multi-objective Allocation Model for Emergency Rescue in IoT Environment
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；Advanced Institute of Big Data (Beijing)（北京大数据研究院）
针对灾难后应急资源分配问题，提出多目标混合灰狼蛙跳模型（MSGW-FLM），在28个挑战中优于NSGA-II等模型，显著提升复杂多周期救援场景的分配效率。
2024-03-15 cs.AI
Tactical Decision Making for Emergency Vehicles Based on A Combinational Learning Method
Tsinghua University（清华大学）；Shanghai Cleartv Co., Ltd.（上海清研微视科技有限公司）
增加应急车辆（EV）的响应时间可能导致不可估量的财产和生命损失。因此，电动汽车微观控制的战术决策仍然是一个需要改进的问题。本文提出了一种基于规则的避障策略，即在电动汽车前方优先区域内的CV应加速或改变车道进行避障，并针对电动汽车高速行驶的特点，提出了一种基于速度自适应的紧凑状态空间的DQN方法（SC-DQN）。然后，AS的执行反馈到SC-DQN的输入，使它们作为组合方法有机结合。以下方法表明，日间行车在通用性上可以补充基于规则的避让策略，相反，基于规则的避让策略在稳定性上可以补充日间行车，两者的结合可以缩短响应时间、降低碰撞率、实现更平滑的轨迹。
2021-01-29 cs.AI cs.SY eess.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
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
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
An Online Decision-Theoretic Pipeline for Responder Dispatch
Vanderbilt University（范德比大学）；Washington University（华盛顿大学）
本文提出了一种在线决策理论管道，用于有效应对紧急事件，通过实时数据流更新模型，提高响应效率并减少计算时间。
2019-02-21 cs.AI cs.LG cs.MA
Mpox Screen Lite: AI-Driven On-Device Offline Mpox Screening for Low-Resource African Mpox Emergency Response
HeHealth Inc.（HeHealth公司）；Aagee AI Pte. Ltd.（Aagee AI私人有限公司）
提出可离线运行的 Mpox Screen Lite，基于 YOLOv8n 在设备端筛查 Mpox，并通过内部与1,500张外部图像验证其高准确率与泛化能力。
2024-09-05 cs.AI cs.CV eess.IV
