紧急情况就其本质而言是难以预测的。下一次犯罪、火灾或交通事故发生的时间和地点往往是一个随机的问题。

然而，可以衡量的是，紧急服务人员需要多长时间来考虑解决一个特定的事件，例如，嫌疑人被逮捕，火焰被扑灭，或损坏的汽车从街上移走。

纽约市是保留这类数据的大城市之一，宾汉姆顿大学(Binghamton University)、纽约州立大学(State University of New York)的一组研究人员使用深度学习技术分析了这些数据，并提出了通过重新分配资源来改善公共安全的建议。

托马斯·沃森大学工程与应用科学学院计算机科学系的助理教授Arti Ramesh和Anand Seetharam共同获得了博士学位。

这项研究利用了来自纽约市五个区10年的公开数据，按类别和子类别分类，反映了紧急事件的类型，以及事件被报道到“关闭”之间的时间间隔。

Seetharam说：“可能同时发生多个事件，我们预计解决这些事件的时间表将更长，因为人员、资源和设备将在事件现场之间共享。这反映在解决时间上。然后我们用它来预测未来会发生什么。”

这项最新研究建立在先前研究的基础之上，研究了非紧急事件的类似数据，基本上包括整个纽约市的311个紧急呼叫号码。

Seetharam说:“这两组数据的不同之处在于，紧急事件的数量较少，而非紧急事件的可预测性更强一些。”

“紧急事件很难预测，比如火灾什么时候会发生，火灾的性质是什么。解决时间取决于大火的程度。相反，非紧急事件容易预测。路灯不起作用，我们可以很快派出维修技术人员，并修复该故障。”

研究团队认为，DeepER可能会针对其他大城市（如洛杉矶和芝加哥）进行调整，或者可能是一组具有类似特征的小城市，它们将提供足够的数据进行预测。

Seetharam说：“您需要了解那个特定城市的特征。例如，由于冬天看不到积雪，洛杉矶冬季与结构性问题有关的事件可能较少。这可能是一系列不同的事件。

“唯一的实际困难是他们如何收集数据以及如何标记数据。如果类似的事件以同样的方式被标记出来，我们就可以在这些其他数字上训练模型。”