A 3D Model-Based Framework for Real-Time Emergency Evacuation Using GIS and IoT Devices
Notice bibliographique
Résumé
Advancements in 3D modelling technology have facilitated more immersive and efficient solutions in spatial planning and user-centred design. In healthcare systems, 3D modelling is beneficial in various applications, such as emergency evacuation, pathfinding, and localization. These models support the fast and efficient planning of evacuation routes, ensuring the safety of patients, staff, and visitors, and guiding them in cases of emergency. To improve urban modelling and planning, 3D representation and analysis are used. Considering the advantages of 3D modelling, this study proposes a framework for 3D indoor navigation and employs a multiphase methodology to enhance spatial planning and user experience. Our approach combines state-of-the art GIS technology with a 3D hybrid model. The proposed framework incorporates federated learning (FL) along with edge computing and Internet of Things (IoT) devices to achieve accurate floor-level localization and navigation. In the first phase of the methodology, Quantum Geographic Information System (QGIS) software was used to create a 3D model of the building’s architectural details, which are required for efficient indoor navigation during emergency evacuations in healthcare systems. In the second phase, the 3D model and an FL-based recurrent neural network (RNN) technique were utilized to achieve real-time indoor positioning. This method resulted in highly precise outcomes, attaining an accuracy rate over 99% at distances of no less than 10 metres. Continuous monitoring and effective pathfinding ensure that users can navigate safely and effectively during emergencies. IoT devices were connected with the building’s navigation software in Phase 3. As per the performed analysis, it was observed that the proposed framework provided 98.7% routing accuracy between different locations during emergency situations. By improving safety, building accessibility, and energy efficiency, this research addresses the health and environmental impacts of modern technologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».