A Data-Driven Stochastic Optimization Framework for Multi-Agency Emergency Vehicle Allocation and Assignment in Response to Road Incidents
Notice bibliographique
Résumé
Urban emergency response systems must operate in highly dynamic environments, where spatial and temporal variability in incident risk and traffic congestion challenge static resource deployment strategies. This research develops a scenario-based dynamic stochastic optimization framework for multi-agency emergency response, integrating police, ambulance, and fire services. The model explicitly captures uncertainty across 16 distinct scenarios defined by combinations of season, day type, time-of-day, and traffic conditions, using real-world historical incident and travel time data. Three core modeling layers are presented: (1) a deterministic baseline with fixed deployment, (2) a stochastic police-only deployment model, and (3) a full multi-agency stochastic model with severity-weighted response objectives. A cost-aware extension further examines resource trade-offs by allowing the number of deployable units to vary within budget constraints. High-resolution travel times derived from INRIX data are fused with incident frequencies and severity classifications from Calgary’s collision database, underpinning the modeling framework. Results demonstrate that scenario-based dynamic deployments substantially reduce severity-weighted response times relative to static plans, particularly during critical periods such as peak periods and winter conditions. Optimal deployments shift meaningfully across timeblocks, aligning police and ambulance locations with evolving risk patterns, while fire services remain fixed due to operational constraints. The cost-benefit analysis reveals diminishing returns from adding emergency units beyond a critical threshold, supporting current fleet levels while highlighting the operational value of flexible deployments. This study contributes to the growing literature on resilient urban emergency planning by bridging stochastic optimization with real-world data, multi-agency coordination, and cost-performance evaluation. Findings underscore the potential for scenario-based planning as a practical middle ground between static resource allocation and fully dynamic dispatching systems.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».