Cedera Ginjal Akut di antara orang Afrika-Amerika dengan Ciri dan Penyakit Sel Sabit

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


Newswise – BINGHAMTON, NY – 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 yang ditangkap, api padam, atau mobil yang rusak dipindahkan 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 mahasiswa PhD Gissella Bejarano, MS ’17, dan Adita Kulkarni, MS ’17 (yang memperoleh gelar doktor awal tahun ini), dan mahasiswa 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 dikelompokkan 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 jadwal untuk menyelesaikan insiden tersebut menjadi lebih lama karena personel, sumber daya, dan peralatan akan dibagikan di seluruh lokasi insiden,” kata Seetharam. “Itu tercermin dalam waktu resolusi. Kemudian kami menggunakannya untuk memprediksi apa yang akan terjadi di masa depan. “

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

“Perbedaan antara kedua kumpulan data tersebut 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 api itu. Waktu penyelesaian akan tergantung pada seberapa besar api itu. Insiden non-darurat lebih bisa 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 terkait 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, kami dapat melatih model di nomor lain ini. “

Makalah penelitian, “DeepER: Sistem Prediksi Waktu Resolusi Darurat Berbasis Pembelajaran Mendalam,” diterbitkan di IEEE CPSCom 2020.


Diposting Oleh : https://singaporeprize.co/

About the author