[論文レビュー] Infrastructure Recovery Curve Estimation Using Gaussian Process Regression on Expert Elicited Data

Quoc Dung Cao, Scott B. Miles+1 more|arXiv (Cornell University)|Aug 24, 2020

Infrastructure Resilience and Vulnerability Analysis参考文献 44被引用数 17

ひとこと要約

本稿では、災害後のインfraストラクチャー・システムの回復時間推定値を専門家から得る手法を統合したガウス過程回帰（GPR）フレームワークを提案する。不確実性の定量化と物理的制約（例：単調性、有界性）を組み込み、データ収集コストと予測精度のバランスを図る。3–5名の専門家と4–6段階の回復レベルからの推定値を用いた場合でも、複数の実世界の地震事例において低RMSE（例：0.03–0.06）を達成し、優れた性能を示す。

ABSTRACT

Infrastructure recovery time estimation is critical to disaster management and planning. Inspired by recent resilience planning initiatives, we consider a situation where experts are asked to estimate the time for different infrastructure systems to recover to certain functionality levels after a scenario hazard event. We propose a methodological framework to use expert-elicited data to estimate the expected recovery time curve of a particular infrastructure system. This framework uses the Gaussian process regression (GPR) to capture the experts' estimation-uncertainty and satisfy known physical constraints of recovery processes. The framework is designed to find a balance between the data collection cost of expert elicitation and the prediction accuracy of GPR. We evaluate the framework on realistically simulated expert-elicited data concerning the two case study events, the 1995 Great Hanshin-Awaji Earthquake and the 2011 Great East Japan Earthquake.

研究の動機と目的

• 実証的データが限られる災害後のインフラ回復曲線推定のための統計的に厳密なフレームワークの開発。
• レジリエンス計画における専門家の判断と統計モデルの統合が体系的に行われていないというギャップを埋める。
• データ効率的なアプローチを用いて、専門家からの推定コストと回復曲線予測の精度のバランスを取ること。
• 予測結果が物理的制約（例：単調増加、0–100％の範囲）を満たし、不確実性を定量化すること。

提案手法

• デルファイ法とクックの手法を用いて、離散的な機能性レベルにおける回復時間の推定値を専門家から収集する。
• ガウス過程回帰（GPR）を用いて、スパarsな専門家推定値から全回復曲線を補間および外挿する。
• GPR尤度関数における非定常ノイズモデルを用いて、専門家の推定値の不確実性を組み込む。
• 制約付きGPRを用いて物理的制約（単調性、有界性）を強制し、現実的で整合性のある回復経路を保証する。
• クックの手法を用いて、精度と情報量を反映した専門家のパフォーマンスベースの重み付けを実施する。
• 1995年神戸地震および2011年東北地震の歴史的回復データを用いたシミュレーションを通じて、複数の推定スキーム（専門家の数、レベル数、間隔）を評価する。

実験結果

リサーチクエスチョン

• RQ1 専門家の数がGPRに基づく回復曲線推定の精度に与える影響は何か？
• RQ2 予測誤差を最小化するための最適な回復レベルの数と間隔は何か？
• RQ3 専門家の推定値の不確実性がGPRモデルの予測性能に与える影響は何か？
• RQ4 GPRフレームワークは回復曲線に物理的制約（例：単調性、有界性）を効果的に適用できるか？
• RQ5 異なるインフラストラクチャー・システムにおいて、推定コストと予測精度のトレードオフは何か？

主な発見

• フレームワークは低予測誤差を達成し、異なるインフラストラクチャーおよび都道府県において、テストRMSEが0.0340から0.0637の範囲に収まる。
• 専門家の数が増えるほど性能が向上するが、3–5名を超えると限界効果が顕著に現れ、特に1人から3人への増加で最も顕著な改善が観察された。
• 10％、30％、50％などの直感的で均等でない間隔を用いた推定レベルの選定は、等間隔の選択と同等またはそれ以上の性能を示し、認知的負荷を減らしても精度に影響を与えない。
• モデルは不確実性を効果的に捉えており、シミュレーションにおいて真の実証的回復曲線が95％予測区間内に収束した。
• 専門家の推定値の不確実性を0.1から0.5に増加させると、RMSEが顕著に上昇し、専門家の信頼性に敏感であることが確認された。
• 限られたデータでも高い性能を維持でき、わずか4–6段階の回復レベルと5名の専門家での推定でも、妥当な精度が達成された。