Natural disasters continue to cause tremendous damage to human lives and properties. The Philippines, due to its geographic location, is considered a natural disaster-prone country experiencing an average of 20 tropical cyclones annually. Understanding what factors significantly affect decision making during crucial evacuation stages could help in making decisions on how to prepare for disasters, how to act appropriately and strategically respond during and after a calamity. In this work, an agent-based model for preemptive evacuation decisions during typhoon is presented. In the model, civilians are represented by households and their evacuation decisions were based from calculated perceived risk. Also, rescuer and shelter manager agents were included as facilitators during the preemptive evacuation process. National and municipal census data were employed in the model, particularly for the demographics of household agents. Further, geospatial data of a village in a typhoon-susceptible municipality was used to represent the environment. The decision to evacuate or not to evacuate depends on the agent's perceived risk which also depends on three decision factors: characteristics of the decision maker (CDM); capacity related factors (CRF); and hazard related factors (HRF). Finally, the number of households who decided to evacuate or opted to stay as influenced by the model`s decision factors were determined during simulations. Sensitivity analysis using linear regression shows that all parameters used in the model are significant in the evacuation decision of household agents.


翻译:菲律宾由于其地理位置,被视为一个自然灾害易发国家,每年平均发生20次热带气旋。了解哪些因素对关键疏散阶段的决策产生重大影响,可有助于就如何备灾、如何在灾害期间和灾害后采取适当和战略性的对策作出决定。在这项工作中,提出了台风期间采取先发制人后撤决定的代理模式。在模式中,平民由家庭代表,其撤离决定是根据所预见的风险作出的。此外,在先发制人后撤过程中,救援人员和住房经理人员也被列为促进者。在模型中采用了国家和市政普查数据,特别是针对家庭代理人的人口统计数据。此外,台风隐蔽城市村庄的地理空间数据被用来代表环境。撤离或不撤离决定取决于代理人所察觉的风险,而这也取决于三个决策因素:决策者的特征;能力相关因素(CRF);与危险有关的因素(HRF)。最后,决定撤离或选择停留的家庭住户普查数据,特别是用于家庭代理人的人口数据,用于模型中所使用的重要回程参数显示,在模型中决定中,所有Senrimidistra决定中,在模拟中决定中被使用的重要回移因素。

0
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
推荐|深度强化学习聊天机器人(附论文)!
全球人工智能
4+阅读 · 2018年1月30日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年11月21日
Arxiv
0+阅读 · 2021年11月18日
VIP会员
相关资讯
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
推荐|深度强化学习聊天机器人(附论文)!
全球人工智能
4+阅读 · 2018年1月30日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员