[论文解读] Digital Twin Based Disaster Management System Proposal: DT-DMS

Özgür Dogan, Oguzhan Sahin+1 more|arXiv (Cornell University)|Mar 31, 2021

Impact of AI and Big Data on Business and Society被引用 8

一句话总结

本文提出了一种基于数字孪生的灾害管理系统DT-DMS，利用物联网传感器数据和机器学习技术，在虚拟城市模型中模拟地震后的救援行动。该系统使应急人员能够通过实时模拟进行训练，利用BFS和UCS等算法推荐最优救援路线和团队部署方案，初步测试结果显示在决策支持和基于自然语言处理的社交媒体分析以检测灾害方面具有显著潜力。

ABSTRACT

The damage and the impact of natural disasters are becoming more destructive with the increase of urbanization. Today's metropolitan cities are not sufficiently prepared for the pre and post-disaster situations. Digital Twin technology can provide a solution. A virtual copy of the physical city could be created by collecting data from sensors of the Internet of Things (IoT) devices and stored on the cloud infrastructure. This virtual copy is kept current and up to date with the continuous flow of the data coming from the sensors. We propose a disaster management system utilizing machine learning called DT-DMS is used to support decision-making mechanisms. This study aims to show how to educate and prepare emergency center staff by simulating potential disaster situations on the virtual copy. The event of a disaster will be simulated allowing emergency center staff to make decisions and depicting the potential outcomes of these decisions. A rescue operation after an earthquake is simulated. Test results are promising and the simulation scope is planned to be extended.

研究动机与目标

• 为解决大都市在地震等灾前和灾后情景下的准备不足问题。
• 开发一种基于数字孪生的决策支持系统，以实现对应急响应团队的模拟与培训。
• 整合来自物联网传感器和社交媒体（如Twitter）的实时数据，用于动态灾害模拟和态势感知。
• 评估机器学习模型（特别是BERT）在从社交媒体中识别真实灾害相关推文方面的可行性与性能。

提出的方法

• 系统利用部署在电力、供水、燃气和通信网络等关键基础设施上的物联网传感器的实时数据，构建城市的数字孪生模型。
• 创建一个三维虚拟环境，使用伊斯坦布尔地震数据集中的数据，模拟包括建筑物倒塌和基础设施损坏在内的灾害情景。
• 使用广度优先搜索（BFS）和统一成本搜索（UCS）等机器学习算法，计算最优救援路线和团队部署策略。
• 采用微调后的BERT模型对社交媒体中的灾害相关推文进行分类，使用Kaggle数据集中的7,613条带标签推文。
• 将来自多个来源的数据——物联网传感器、社交媒体和基础设施数据库——整合到一个集中的决策支持界面中。
• 使用开源工具和通信协议（如MQTT和RabbitMQ）实现原型系统，以确保可扩展且实时的数据流。

实验结果

研究问题

• RQ1 数字孪生系统在城市灾害管理中如何提升准备程度和响应效率？
• RQ2 实时物联网和社交媒体数据在灾后行动中对提升态势感知能力起到何种作用？
• RQ3 BFS和UCS等机器学习算法在模拟灾害情景中推荐最优救援路径的有效性如何？
• RQ4 在训练数据有限的情况下，预训练的NLP模型（如BERT）在检测社交媒体中真实灾害内容方面的效果如何？
• RQ5 模拟的数字孪生环境能否有效训练应急响应团队应对复杂且时间敏感的灾害情景？

主要发现

• 小规模城市区域的模拟结果令人鼓舞，证明了利用数字孪生进行灾害响应培训和决策支持的可行性。
• 基于BERT的NLP模型在1,522条推文的小型数据集上测试准确率约为67%，表明在数据量更大时仍有进一步提升的潜力。
• 在模拟地震情景中，系统成功利用BFS和UCS算法推荐了最优救援路线和团队部署策略。
• 将物联网传感器数据与社交媒体输入整合到统一的虚拟模型中，实现了基础设施状态和损毁评估的动态可视化。
• 原型界面使用户能够可视化基础设施状态，并模拟救援行动及预测结果，支持实时决策。
• 未来工作将聚焦于将系统扩展至全市范围部署，并集成来自传感器和社交媒体的实时数据流，以提升真实感和响应能力。