多年来，随着城市化进程的加快，突发事件的数量有所增加。这种模式使资源有限的应急服务不堪重负，需要优化响应流程。部分原因是紧急服务采用传统的“反应式”方法来收集事件数据，在这种情况下，来源会拨打紧急电话号码（例如，美国的 911），从而延迟和限制了潜在的最佳响应。Waze 等众包平台提供了一个机会，可以开发一种快速、“主动”的方法，通过众包生成的观察报告收集有关事件的数据。然而，报告来源的可靠性和报告事件的时空不确定性对这种主动方法的设计提出了挑战。因此，本文提出了一种使用嘈杂众包 Waze 数据进行紧急事件检测的新方法。我们提出了一个基于贝叶斯理论的有原则的计算框架，以模拟人群生成报告可靠性的不确定性及其跨空间和时间的整合以检测事件。使用从 Waze 收集的数据和美国田纳西州纳什维尔官方报告的事件进行的大量实验表明，我们的方法在 F1 分数和 AUC 方面的表现都优于强大的基线。这项工作的应用提供了一个可扩展的框架，以整合不同的嘈杂数据源进行主动事件检测，以改进和优化我们社区的应急响应操作。我们提出了一个基于贝叶斯理论的有原则的计算框架，以模拟人群生成报告可靠性的不确定性及其跨空间和时间的整合以检测事件。使用从 Waze 收集的数据和美国田纳西州纳什维尔官方报告的事件进行的大量实验表明，我们的方法在 F1 分数和 AUC 方面的表现都优于强大的基线。这项工作的应用提供了一个可扩展的框架，以整合不同的嘈杂数据源进行主动事件检测，以改进和优化我们社区的应急响应操作。我们提出了一个基于贝叶斯理论的有原则的计算框架，以模拟人群生成报告可靠性的不确定性及其跨空间和时间的整合以检测事件。使用从 Waze 收集的数据和美国田纳西州纳什维尔官方报告的事件进行的大量实验表明，我们的方法在 F1 分数和 AUC 方面的表现都优于强大的基线。这项工作的应用提供了一个可扩展的框架，以整合不同的嘈杂数据源进行主动事件检测，以改进和优化我们社区的应急响应操作。美国田纳西州表明，我们的方法在 F1 分数和 AUC 方面的表现都优于强大的基线。这项工作的应用提供了一个可扩展的框架，以整合不同的嘈杂数据源进行主动事件检测，以改进和优化我们社区的应急响应操作。美国田纳西州表明，我们的方法在 F1 分数和 AUC 方面的表现都优于强大的基线。这项工作的应用提供了一个可扩展的框架，以整合不同的嘈杂数据源进行主动事件检测，以改进和优化我们社区的应急响应操作。



"点击查看英文标题和摘要"