就其本質(zhì)而言，緊急情況很難預測。下一次，火災(zāi)或交通事故的發(fā)生時間和地點通常是隨機的。但是，可以衡量的是緊急服務(wù)人員考慮要解決的特定事件需要多長時間，例如，逮捕嫌疑犯，熄滅火焰或從街上移走損壞的汽車。

紐約市是擁有此類統(tǒng)計數(shù)據(jù)的大城市之一，紐約州立大學賓漢姆頓大學的一組研究人員已使用深度學習技術(shù)來分析數(shù)字，并建議通過重新分配公共衛(wèi)生設(shè)施來改善公共安全。資源。

托馬斯·沃森工程與應(yīng)用科學學院計算機科學系的助理教授Arti Ramesh和Anand Seetharam共同獲得了博士學位。學生Miss '17的Gissella Bejarano和MS '17的Adita Kulkarni(今年早些時候獲得博士學位)，以及碩士生Luozhizhi Luo開發(fā)了DeepER，這是一種使用遞歸神經(jīng)網(wǎng)絡(luò)的編碼器-解碼器逐序列模型( RNN)作為神經(jīng)網(wǎng)絡(luò)架構(gòu)。

這項研究利用了來自紐約市五個行政區(qū)的十年公開數(shù)據(jù)，按反映緊急事件類型以及報告事件與“結(jié)束事件”之間的時間的類別和子類別進行細分。

Seetharam說：“可能同時發(fā)生多個事件，我們預計解決這些事件的時間表將更長，因為人員，資源和設(shè)備將在事件現(xiàn)場之間共享。” “這反映在解決時間上。然后我們用它來預測將來會發(fā)生什么。”

這項最新研究建立在先前研究的基礎(chǔ)之上，研究了非緊急事件的類似數(shù)據(jù)，基本上是整個紐約市的311個呼叫。

Seetharam說：“兩組數(shù)據(jù)之間的區(qū)別是緊急事件的數(shù)量較少，非緊急事件的可預測性更高。”

“緊急事件很難預測，例如何時開始著火或那場大火的性質(zhì)。解決時間取決于大火的程度。非緊急事件更可預測。路燈不起作用，派出了維修技術(shù)人員，并修復了該故障。”

研究團隊認為，DeepER可能會針對其他大城市(如洛杉磯和芝加哥)進行調(diào)整，或者可能是一組具有類似特征的小城市，它們將提供足夠的數(shù)據(jù)進行預測。

Seetharam說：“您需要了解那個特定城市的特征。” “例如，由于冬天看不到積雪，洛杉磯冬季與結(jié)構(gòu)性問題有關(guān)的事件可能較少。這可能是另一組事件。

“唯一的實際困難是他們?nèi)绾问占瘮?shù)據(jù)以及如何標記數(shù)據(jù)。如果以相同的方式標記相似的事件，我們可以在其他數(shù)字上訓練模型。”