Alat DeepER menggunakan pembelajaran mendalam untuk mengalokasikan layanan darurat dengan lebih baik
Computer

Alat DeepER menggunakan pembelajaran mendalam untuk mengalokasikan layanan darurat dengan lebih baik


Kredit: CC0

Keadaan darurat, pada dasarnya, sulit diprediksi. Kapan dan di mana kejahatan berikutnya, kebakaran atau kecelakaan kendaraan akan terjadi seringkali merupakan masalah kebetulan.

Namun, yang dapat diukur adalah berapa lama personel layanan darurat mempertimbangkan suatu insiden tertentu untuk diselesaikan — misalnya, tersangka ditangkap, api padam, atau mobil rusak disingkirkan dari jalan.

Kota New York adalah salah satu daerah perkotaan besar yang mempertahankan statistik semacam itu, dan tim peneliti di Universitas Binghamton, Universitas Negeri New York telah menggunakan teknik pembelajaran mendalam untuk menganalisis angka dan menyarankan peningkatan keselamatan publik melalui alokasi ulang sumber daya.

Arti Ramesh dan Anand Seetharam — keduanya asisten profesor di Departemen Ilmu Komputer di Thomas J. Watson College of Engineering and Applied Science — bekerja dengan Ph.D. siswa Gissella Bejarano, MS ’17, dan Adita Kulkarni, MS ’17 (yang memperoleh gelar doktor awal tahun ini), dan siswa master Xianzhi Luo untuk mengembangkan DeepER, model urutan-ke-urutan encoder-decoder yang menggunakan Recurrent Neural Networks ( RNNs) sebagai arsitektur jaringan saraf.

Penelitian ini memanfaatkan 10 tahun data yang tersedia untuk publik dari lima wilayah di New York City, yang dipecah berdasarkan kategori dan subkategori yang mencerminkan jenis keadaan darurat serta waktu antara saat insiden dilaporkan dan saat “ditutup”.

“Beberapa peristiwa dapat terjadi pada waktu yang sama, dan kami memperkirakan waktu penyelesaian insiden tersebut lebih lama karena personel, sumber daya, dan peralatan akan dibagikan di seluruh lokasi insiden,” kata Seetharam. “Itu tercermin dalam waktu penyelesaian. Kemudian kami menggunakannya untuk memprediksi apa yang akan terjadi di masa depan.”

Studi terbaru ini didasarkan pada penelitian sebelumnya yang mengamati data serupa untuk peristiwa non-darurat — pada dasarnya semua dari 311 panggilan telepon di seluruh New York City.

“Perbedaan antara dua kumpulan data adalah bahwa insiden darurat lebih sedikit jumlahnya, dan insiden non-darurat sedikit lebih dapat diprediksi,” kata Seetharam.

“Insiden darurat lebih sulit untuk diprediksi, seperti kapan api akan mulai atau sifat dari kebakaran itu. Waktu penyelesaian akan tergantung pada seberapa besar api itu. Insiden non-darurat lebih dapat diprediksi. Lampu jalan tidak berfungsi, teknisi perbaikan dikirim, dan diperbaiki. “

Tim peneliti percaya bahwa DeepER dapat disesuaikan untuk kota-kota besar lainnya seperti Los Angeles dan Chicago, atau mungkin sekelompok kota kecil dengan karakteristik serupa yang akan memberikan cukup data untuk membuat prediksi.

“Anda perlu memahami karakteristik kota tertentu itu,” kata Seetharam. “Misalnya, Los Angeles mungkin memiliki lebih sedikit insiden yang berkaitan dengan masalah struktural selama musim dingin karena mereka tidak melihat salju. Itu bisa menjadi serangkaian insiden yang berbeda.

“Satu-satunya kesulitan praktis adalah bagaimana mereka mengumpulkan data dan bagaimana mereka memberi label pada datanya. Jika insiden serupa diberi label dengan cara yang sama, kita dapat melatih model pada nomor-nomor lain ini.”


Peneliti menggunakan pembelajaran mesin untuk membuat prediksi COVID-19


Disediakan oleh Universitas Binghamton

Kutipan: Alat DeepER menggunakan pembelajaran mendalam untuk mengalokasikan layanan darurat dengan lebih baik (2020, 19 November), diakses 27 November 2020 dari https://techxplore.com/news/2020-11-deeper-tool-deep-allocate-emergency.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.




Halaman Ini Di Persembahkan Oleh : Pengeluaran HK