Proactive Resource Request for Disaster Response: A Deep Learning-based Optimization Model

要約

災害対応は、災害後の命を救い、被害を軽減するために非常に重要です。
災害対応活動の基本は、災害救援リソースの管理です。
この目的を達成するために、地方機関 (例: 地域の緊急物資配布センター) は、災害の影響を受けた地域社会からの需要を収集し、需要を満たすために利用可能な資源を派遣し、中央の緊急事態管理機関 (例: 連邦緊急事態局) にさらなる資源を要求します。
米国のマネジメント代理店）。
災害対応のためのこれまでの資源管理研究では、地方機関が要求する資源の最適量を決定するという問題を見落としていました。
この研究ギャップに対応して、現在満たされていない需要と将来の需要の両方を考慮して、要求されたリソースの最適な量を積極的に決定する新しいリソース管理問題を定義します。
この問題を解決するために、私たちは問題の顕著な特徴を考慮し、将来の需要を予測するための新しいディープラーニング手法を開発します。
次に、問題を確率的最適化モデルとして定式化し、モデルの主要な特性を分析し、分析された特性に基づいて問題に対する効果的な解決方法を提案します。
私たちは、実世界のデータとシミュレートされたデータの両方を使用して、一般的な既存の方法よりも優れた方法のパフォーマンスを実証します。
また、シミュレーションを通じて、複数の関係者および複数の目的の設定において、普及している既存の手法よりも優れていることも示します。

要約(オリジナル)

Disaster response is critical to save lives and reduce damages in the aftermath of a disaster. Fundamental to disaster response operations is the management of disaster relief resources. To this end, a local agency (e.g., a local emergency resource distribution center) collects demands from local communities affected by a disaster, dispatches available resources to meet the demands, and requests more resources from a central emergency management agency (e.g., Federal Emergency Management Agency in the U.S.). Prior resource management research for disaster response overlooks the problem of deciding optimal quantities of resources requested by a local agency. In response to this research gap, we define a new resource management problem that proactively decides optimal quantities of requested resources by considering both currently unfulfilled demands and future demands. To solve the problem, we take salient characteristics of the problem into consideration and develop a novel deep learning method for future demand prediction. We then formulate the problem as a stochastic optimization model, analyze key properties of the model, and propose an effective solution method to the problem based on the analyzed properties. We demonstrate the superior performance of our method over prevalent existing methods using both real world and simulated data. We also show its superiority over prevalent existing methods in a multi-stakeholder and multi-objective setting through simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google