DeepER工具使用深度学习来更好地分配紧急服务

就其本质而言，紧急情况很难预测。下一次，火灾或交通事故的发生时间和地点通常是随机的。但是，可以衡量的是紧急服务人员考虑要解决的特定事件需要多长时间，例如，逮捕嫌疑犯，熄灭火焰或从街上移走损坏的汽车。

纽约市是拥有此类统计数据的大城市之一，纽约州立大学宾汉姆顿大学的一组研究人员已使用深度学习技术来分析数字，并建议通过重新分配公共卫生设施来改善公共安全。资源。

托马斯·沃森工程与应用科学学院计算机科学系的助理教授Arti Ramesh和Anand Seetharam共同获得了博士学位。学生Miss '17的Gissella Bejarano和MS '17的Adita Kulkarni(今年早些时候获得博士学位)，以及硕士生Luozhizhi Luo开发了DeepER，这是一种使用递归神经网络的编码器-解码器逐序列模型( RNN)作为神经网络架构。

这项研究利用了来自纽约市五个行政区的十年公开数据，按反映紧急事件类型以及报告事件与“结束事件”之间的时间的类别和子类别进行细分。

Seetharam说：“可能同时发生多个事件，我们预计解决这些事件的时间表将更长，因为人员，资源和设备将在事件现场之间共享。” “这反映在解决时间上。然后我们用它来预测将来会发生什么。”

这项最新研究建立在先前研究的基础之上，研究了非紧急事件的类似数据，基本上是整个纽约市的311个呼叫。

Seetharam说：“两组数据之间的区别是紧急事件的数量较少，非紧急事件的可预测性更高。”

“紧急事件很难预测，例如何时开始着火或那场大火的性质。解决时间取决于大火的程度。非紧急事件更可预测。路灯不起作用，派出了维修技术人员，并修复了该故障。”

研究团队认为，DeepER可能会针对其他大城市(如洛杉矶和芝加哥)进行调整，或者可能是一组具有类似特征的小城市，它们将提供足够的数据进行预测。

Seetharam说：“您需要了解那个特定城市的特征。” “例如，由于冬天看不到积雪，洛杉矶冬季与结构性问题有关的事件可能较少。这可能是另一组事件。

“唯一的实际困难是他们如何收集数据以及如何标记数据。如果以相同的方式标记相似的事件，我们可以在其他数字上训练模型。”