Atharva1318-dev/CrisisConnect
GitHub: Atharva1318-dev/CrisisConnect
一套将市民、救援机构和协调员连接在一起的全栈危机管理平台，通过AI验证、信任评分和地理共识机制实现更快速、可靠的紧急响应。
Stars: 0 | Forks: 2
# 🚨 CrisisConnect
**AI 驱动的紧急响应管理平台**
一个用于快速灾难响应的先进平台，将市民、紧急救援机构和协调员连接在一个统一的生态系统中。具备 AI 驱动的事件验证、深度伪造检测、智能资源分配和实时协调功能。
## 🎬 演示视频
https://github.com/user-attachments/assets/714b7c08-76cd-4ba2-96f9-8f71569d0351
_演示展示：事件报告 → AI 验证 → 调度 → 实时仪表盘 → 解决_
## ✨ 主要特性
- **多模态事件报告** - 语音 (SOS) 和图像/文本报告
- **AI 驱动的验证** - 视觉分析、语音情感检测和语义对齐
- **深度伪造检测** - EXIF 分析和 AI 生成检测，准确率达 95% 以上
- **智能信任评分** - 从多个数据源综合得出的 0-100 可信度评分
- **基于位置的共识评分** - ⭐ **当检测到附近有更多事件时会提高评分**
- **智能优先级编码** - 根据验证结果自动分配从 OMEGA 到 X-RAY 的优先级代码
- **实时资源跟踪** - 带 GPS 跟踪的资源，具有邻近匹配和分配功能
- **多角色仪表盘** - 为市民、机构和协调员定制的界面
- **危机新闻源** - AI 总结、分类的新闻聚合及情感分析
- **交互式热力图** - 带聚类的地理事件密度可视化
- **请求管理** - 具有审批流程的正式资源请求系统
## 🏗️ 技术栈
**前端:**
- React 19 + Vite
- Redux Toolkit, Tailwind CSS
- Leaflet + React-Leaflet (地图), Recharts (分析)
- Firebase (认证), Axios (HTTP)
**后端:**
- Node.js + Express.js
- MongoDB + Mongoose (带地理空间索引)
- Google Generative AI (Gemini)
- Ollama Gemma3:4B (深度伪造检测)
- Tesseract.js (OCR), Sharp (图像处理)
**API 与服务:**
- Cloudinary (媒体存储)
- Twilio (短信通知)
- Tavily (新闻聚合)
- exif-parser, JWT, Bcrypt
## 📚 文档
**⭐ 完整的项目文档**：请参阅 [DETAILED_README.md](./DETAILED_README.md)
详细的自述文件包括：
- ✅ 完整的系统架构和数据流
- ✅ 事件处理管道的全部 4 个阶段
- ✅ 取证分析与深度伪造检测详解
- ✅ AI 分析（视觉、语音、语义）
- ✅ 信任评分公式 (A, B, C)
- ✅ 优先级编码系统 (OMEGA → X-RAY)
- ✅ 资源管理与分配
- ✅ 带示例的数据库模式
- ✅ 包含请求/响应的完整 API 文档
- ✅ 环境变量参考
- ✅ 部署指南
## 🌐 API 概览
有关详细的设置、配置和 API 文档，请参阅 [DETAILED_README.md](./DETAILED_README.md)
## 🎯 系统流程图
```
┌─────────────────────────────────────────────────────────────┐
│ │
│ CITIZEN AGENCY COORDINATOR │
│ (Reports) (Responds) (Allocates) │
│ │ │ │ │
└─────┼──────────────────────┼───────────────────────┼──────────┘
│ │ │
v v v
┌──────────────────────────────────────────────────────────┐
│ React Frontend (Port 5173) │
│ ├─ Login/Auth │
│ ├─ SOS Trigger (Voice/Image) │
│ ├─ Real-time Map View │
│ ├─ Dashboard & Analytics │
│ └─ Resource Requests │
└──────────────────┬───────────────────────────────────────┘
│ HTTP/WebSocket
┌──────────────────v───────────────────────────────────────┐
│ Node.js + Express Backend (Port 5000) │
│ ┌────────────────────────────────────────────────────┐ │
│ │ 4-PHASE PROCESSING PIPELINE │ │
│ ├─ Phase 1: Forensics (Deepfake Detection) │ │
│ ├─ Phase 2: Vision/Voice Analysis (Parallel/Either-Or) │ │
│ ├─5-PHASE PROCESSING PIPELINE │ │
│ ├─ Phase 1: Forensics (Deepfake Detection) │ │
│ ├─ Phase 2: Vision/Voice Analysis │ │
│ ├─ Phase 3: Semantic Alignment │ │
│ ├─ Phase 4: Trust Scoring + Location Consensus │ │
│ └─ Phase 5: Priority Code Assignment
│ │ │
v v v
MongoDB Cloudinary External APIs
(Database) (Media CDN) (Google, Tavily, etc)
```
## 🔄 事件处理管道 (4 个阶段)
### 阶段 1️⃣：取证分析5 个阶段)
### 阶段 1️⃣：取证分析
以 95% 以上的准确率检测 AI 生成和深度伪造图像
**输入**：图像/语音数据
**分析**：
- **EXIF 元数据检查**：扫描 AI 工具签名（Midjourney、Stable Diffusion、DALL-E、Gemini 等）
- **像素级认证**：分析噪点模式、压缩伪影
- **口袋检测**：识别设备在录制时是否处于口袋中
- **水印分析**：检测素材图/AI 生成的指示标志
**输出**：
```
{
"isFake": false,
"confidenceScore": 92,
"realismFactor": 0.95,
"isPocket": false,
"verdict": "Authentic - Real device, valid metadata"
}
```
**特殊情况**：
- ✅ 被标记的 AI 生成图像不会自动被拒绝
- ✅ PNG 文件将受到更严格的审查（最高信任评分上限为 30）
- ✅ 口袋模式会降低视觉评分
### 阶段 2️⃣：视觉/语音分析
**路径 A：图像分析**（如果提供了图像）
- 使用 Google Gemini Vision API
- 检测：火灾、烟雾、血液、碎片、人员、洪水等。
- 返回：`detected_objects[]`、`confidence`、`scene_description`
- 严重程度映射：严重 → 高 → 中 → 低
**路径 B：语音分析**（如果提供了音频）
- 语音转文本
- 关键词提取（例如，“被困”、“垂死”、“火灾”、“流血”）
- 情感分析：恐慌 (100%) → 中性 (50%) → 平静 (30%)
- 紧急度评分：1-10 级
- 情绪状态检测
**组合处理**：
- 如果两种输入都可用，则并行运行
- 如果是单一输入，则二选一运行
- 在阶段 3 之前同步输出
### 阶段 3️⃣：语义对齐
**目的**：交叉验证视觉和语音数据
**对齐评分** (0-100)：
- 完美匹配：视觉=火灾 + 语音="火灾" → **95% 以上对齐** ✅
- 良好匹配：视觉=烟雾 + 语音="火灾" → **75-85% 对齐**
- 部分匹配：视觉=碎片 + 语音="救命" → **50-60% 对齐** ⚠️
- 不匹配：视觉=汽车 + 语音="火灾" → **低于 50% 对齐** ❌（未通过交叉验证）
**影响**：
- 高对齐度会提升最终信任评分（20% 权重）
- 低对齐度会触发人工审核标记
- 严重不匹配会使评分降低 15-25 分
### 阶段 4️⃣：带位置共识的信任评分
#### 📍 **位置共识评分** ⭐
这是一项关键功能，**当附近报告更多事件时会提高评分**：
```
// Algorithm: Geospatial Query within 1km radius, 15-minute window
const calculateLocationConsensus = async (latitude, longitude) => {
const radiusMeters = 1000; // 1km radius
const timeWindow = "15 minutes"; // Recent incidents
const nearbyIncidents = await Incident.find({
location: {
$geoWithin: {
$centerSphere: [[longitude, latitude], radiusInRadians],
},
},
createdAt: { $gte: fifteenMinutesAgo },
status: { $in: ["Pending", "Active"] },
}).count();
// Scoring based on cluster density
if (nearbyIncidents >= 3) return 100; // Strong consensus
if (nearbyIncidents >= 2) return 75; // Good consensus
if (nearbyIncidents >= 1) return 50; // Weak consensus
return 0; // Isolated incident
};
```
**工作原理**：
1. 当在坐标 (纬度, 经度) 处报告事件时
2. 系统搜索 **1 公里半径**和 **15 分钟**内的其他事件
3. 计算状态为“待定”或“活跃”的事件
4. 分配共识评分：
- **3 起以上事件** → 评分：**100**（已确认群体事件）
- **2 起事件** → 评分：**75**（多起报告）
- **1 起事件** → 评分：**50**（另一起报告）
- **0 起事件** → 评分：**0**（孤立报告）
**对信任评分的影响**：
- 公式 A（图像）：30% 权重 → **可能增加 +9-30 分**
- 公式 B（语音）：30% 权重 → **可能增加 +10-30 分**
- 公式 C（混合）：20-30% 权重 → **可能增加 +6-30 分**
**真实世界示例**：
```
Area: Downtown District
Time: 14:32
Incident 1: Image report "Fire in building A"
→ Location: [40.7128, -74.0060]
→ Nearby incidents: 0
→ Location Consensus Score: 0
→ Base Score: 60 → Final: 60
Incident 2: Voice report "Fire! Help!" (14:33)
→ Location: [40.7129, -74.0061] (50m away)
→ Nearby incidents: 1 (Incident 1)
→ Location Consensus Score: 50
→ Base Score: 70 → Final: 84 ✅ (Boosted due to area consensus)
Incident 3: Image report "Fire spreading" (14:34)
→ Location: [40.7130, -74.0062] (150m away)
→ Nearby incidents: 2 (Incident 1, 2)
→ Location Consensus Score: 75
→ Base Score: 75 → Final: 95 ✅✅ (Strong confirmation)
Incident 4: Voice report "Fire at central station" (14:35)
→ Location: [40.7131, -74.0063] (250m away)
→ Nearby incidents: 3 (Incident 1, 2, 3)
→ Location Consensus Score: 100
→ Base Score: 80 → Final: 98 ✅✅✅ (Mass event confirmed)
```
#### 📊 **公式 A：图像 + 文本模式**
当图像是主要输入时使用
```
Trust Score = (Visual Score × 0.5 + Alignment Score × 0.2 + Location Consensus × 0.3)
× Realism Factor
× Format Factor (PNG: 0-30 cap, others: normal)
Components:
├─ Visual Score (0-90):
│ ├─ Fire/Collapse detected: 90
│ ├─ Blood/Flood detected: 80
│ └─ General emergency: 70
├─ Alignment Score (0-100):
│ └─ Vision vs Voice keyword matching
├─ Location Consensus (0-100): ⭐ NEW
│ └─ Number of nearby incidents (1km, 15min)
└─ Realism Factor (0-1.0):
└─ Deepfake penalty if isFake
Final Score: 0-100
```
**示例**：
- 火灾图像，高对齐度，附近有 2 起事件
- (90 × 0.5) + (85 × 0.2) + (75 × 0.3) = 45 + 17 + 22.5 = **84.5**
- 低置信度图像，对齐度差，孤立报告
- (45 × 0.5) + (30 × 0.2) + (0 × 0.3) = 22.5 + 6 + 0 = **28.5**
#### 🎤 **公式 B：语音 SOS 模式**
当语音是主要输入时使用
```
Trust Score = (Keyword Score × 0.5 + Sentiment Score × 0.2 + Location Consensus × 0.3)
Components:
├─ Keyword Score (0-100):
│ ├─ "Dying/Trapped": 95
│ ├─ "Fire/Burning": 90
│ ├─ "Blood/Injury": 85
│ └─ "Help/Emergency": 75
├─ Sentiment Score (0-100):
│ ├─ Panic: 85
│ ├─ Neutral: 50
│ └─ Calm: 30
└─ Location Consensus (0-100): ⭐ NEW
└─ Number of nearby incidents
Final Score: 0-100
```
**示例**：
- 语音呼喊“火灾！被困！救命！”，恐慌情绪，附近有 3 起事件
- (95 × 0.5) + (85 × 0.2) + (100 × 0.3) = 47.5 + 17 + 30 = **94.5**
- 语音说“你好？”，平静情绪，孤立报告
- (30 × 0.5) + (30 × 0.2) + (0 × 0.3) = 15 + 6 + 0 = **21**
#### 📱 **公式 C：混合摇一摇模式**
当语音和图像/口袋数据都可用时使用
```
Trust Score (Normal Phone):
= (Visual × 0.4) + (Audio × 0.4) + (Location Consensus × 0.2)
Trust Score (Pocket Mode):
= (Visual × 0.1) + (Audio × 0.6) + (Location Consensus × 0.3)
Audio Score calculated using Formula B internally
```
**口袋模式**：降低摄像头重要性，提高语音重要性
### 阶段 5️⃣：优先级代码判定
分配紧急响应级别 (OMEGA 到 X-RAY)
#### **OMEGA：重大灾难** 🚨
- **触发条件**：1 分钟内在 1 公里半径内发生 10 起以上事件
- **响应级别**：5（最高）
- **自动调度**：是
- **调度 50 项以上资源，启动应急行动中心**
#### **DELTA：危及生命的紧急情况** 🚨
- **触发条件**：信任评分 ≥ 75 +（包含被困/垂死/失去意识关键词 或 建筑倒塌）
- **响应级别**：5
- **自动调度**：是
- **调度救护车、消防车、救援队**
#### **CHARLIE：重大紧急情况** 🟡
- **触发条件**：信任评分 ≥ 60 且（检测到火灾/洪水/多人受伤/事故）
- **响应级别**：4
- **自动调度**：是
- **调度多种资源类型**
#### **BRAVO：中度紧急情况** 🔵
- **触发条件**：信任评分 ≥ 45 且（检测到紧急对象 或 位置共识 ≥ 50）
- **响应级别**：3
- **自动调度**：否
- **调度前需人工审核**
#### **ALPHA：标准报告** 🟢
- **触发条件**：信任评分 < 45 或 低置信度
- **响应级别**：2
- **自动调度**：否
- **需要操作员审核**
#### **X-RAY：垃圾信息/已标记** ⚠️
- **触发条件**：检测到 AI 生成的图像 或 多次虚假报告
- **响应级别**：0
- **自动调度**：否
- **已被标记待审核**
## 🎯 工作原理（端到端）
```
1. CITIZEN INITIATES
├─ Presses SOS button
├─ Records voice or selects image
2. DATA UPLOADED
├─ Audio/Image → Cloudinary CDN
└─ Location + Metadata captured
3. AI VERIFICATION (4 phases)
├─ Deepfake detection: 95%+ accuracy
├─ Vision/Voice analysis: Detects objects & extracts keywords
├─ Semantic alignment: Cross-validates
└─ Trust scoring: Final 0-100 score
4. AUTO-DISPATCH (if trust > 50)
├─ Finds nearest resources (geo-spatial query)
├─ Reserves ambulances/fire trucks
├─ Sends SMS alerts to agencies
├─ Updates real-time dashboard
└─ Tracks response times
5. AGENCY RESPONSE
├─ Agencies see incident on dashboard
├─ Dispatch teams to location
├─ Update status in real-time
└─ Upload response photos/notes
6. COORDINATOR OVERSIGHT
├─ Allocates resources between agencies
├─ Approves/rejects resource requests
├─ Views region-wide analytics
└─ Manages system-wide alerts
7. RESOLUTION
├─ Incident marked "Resolved"
├─ Analytics calculated
├─ Audit trail saved
└─ Performance metrics updated
```
## 🌟 核心特性详解
### 1. 多模态事件报告
- **语音 SOS**：点击按钮 → 录制语音 → 在 60 秒内自动调度
- **图像 + 文本**：拍照 → 描述 → 深度伪造分析
- **支持的语言**：英语、孟加拉语、印地语、古吉拉特语、意大利语、俄语、阿拉伯语、中文、马拉地语
### 2. AI 驱动的验证（准确率 95% 以上）
- 通过 Ollama 进行深度伪造检测（本地推理）
- EXIF 元数据分析
- 像素级认证检查
### 3. 实时资源跟踪
- 在地图上显示 GPS 跟踪的资源
- 基于邻近度的匹配
- 状态更新（可用 → 已部署 → 可用）
- 用于实现低于 100ms 查询的地理空间索引
### 4. 多角色仪表盘
- **市民**：报告事件，查看附近事件，联系机构
- **机构**：管理团队，跟踪资源，更新状态
- **协调员**：系统概览，资源分配，数据分析
### 5. 危机新闻聚合
- 通过 Tavily API 获取实时新闻
- 使用 Gemini 进行 AI 总结
- 情感分析与分类
- 每 30 分钟更新一次
## 🌟 端到端工作流程示例
### 场景：市中心公寓火灾
**14:32:15 - 市民 1 报告**
```
Input: Image of fire in building + voice "FIRE! HELP!"
Forensics: Real image, valid EXIF
Vision: Fire (95%), Smoke (90%)
Voice: Keywords ["FIRE", "HELP"], Sentiment: Panic
Location: [40.7128, -74.0060]
Location Consensus: 0 (first report)
Phase 4 Scoring:
Formula C (Hybrid):
Visual: 90
Audio: 95
Location: 0
Result: (90×0.4) + (95×0.4) + (0×0.2) = 74
Phase 5 Priority: BRAVO (Trust 74 + Emergency objects detected)
Action: ⏳ Waiting for manual review
```
**14:33:20 - 市民 2 报告** ← (68 秒后)
```
Input: Voice report only "FIRE! TRAPPED!"
Forensics: N/A (voice only)
Voice: Keywords ["FIRE", "TRAPPED"], Sentiment: Panic, Urgency: 9/10
Location: [40.7129, -74.0061] (50m from Citizen 1)
Location Consensus: 50 (1 other incident detected) ⭐
Phase 4 Scoring:
Formula B (Voice):
Keywords: 95
Sentiment: 85
Location Consensus: 50 ← BOOSTED by area consensus
Result: (95×0.5) + (85×0.2) + (50×0.3) = 80.5
Phase 5 Priority: DELTA (Trust 80.5 ≥ 75 + "TRAPPED" keyword)
Action: 🚨 AUTO-DISPATCH TRIGGERED
→ 2 Ambulances (2km away)
→ 3 Fire Trucks (1.5km away)
→ Rescue Team (3km away)
→ SMS alerts to agencies
```
**14:34:10 - 市民 3 报告** ← (50 秒后)
```
Input: Image of fire spreading
Location: [40.7130, -74.0062] (100m from center)
Location Consensus: 75 (2 other incidents detected) ⭐⭐
Phase 4 Scoring:
Formula A (Image):
Visual: 95
Alignment: 85
Location Consensus: 75 ← STRONGLY BOOSTED
Result: (95×0.5 + 85×0.2 + 75×0.3) = 80.5
Phase 5 Priority: DELTA
Action: 🚨 COORDINATES RESOURCES, Updates status to "ACTIVE"
```
**14:35:05 - 市民 4 报告** ← (55 秒后)
```
Input: Image + voice report
Location: [40.7131, -74.0063] (150m away)
Location Consensus: 100 (3 other incidents! Mass event!) ⭐⭐⭐
Phase 4 Scoring: 88.2
Phase 5 Priority: CRITICAL CASE
→ Coordinator receives: "MASS FIRE EVENT NEAR DOWNTOWN CENTER"
→ Escalates to EMERGENCY OPERATIONS CENTER
→ Deploys: 10+ additional resources
→ Notifies: Public alerts, evacuation orders
```
## 🗄️ 数据库模式
### 事件模型
```
{
// Basic Info
type: "Fire" | "Flood" | "Medical" | "Accident" | etc,
severity: "Low" | "Medium" | "High" | "Critical",
mode: "VOICE" | "IMAGE_TEXT" | "SHAKE_HYBRID",
description: String,
// Location (Geospatial Indexing for fast queries)
location: {
type: "Point",
coordinates: [longitude, latitude] // GeoJSON format
},
// Phase 1: Forensics
forensics: {
isFake: Boolean,
confidenceScore: Number (0-100),
realismFactor: Number (0-1),
isPocket: Boolean,
deepfakeIndicators: [String],
analysis: { camera, aiDetected, pixelAnalysis, exifData }
},
// Phase 2-3: AI Analysis & Semantics
aiAnalysis: {
vision: {
detected: ["Fire", "Smoke", "People"],
confidence: Number,
severity: String
},
voice: {
keywords: ["Help", "Trapped", "Fire"],
sentiment: "panic" | "calm" | "neutral",
urgency: Number (1-10)
},
semantics: {
alignmentScore: Number (0-100),
description: String
}
},
// Phase 4: Trust Scoring ⭐ WITH LOCATION CONSENSUS
trustScore: {
totalScore: Number (0-100),
formula: "FORMULA_A" | "FORMULA_B" | "FORMULA_C",
breakdown: {
visual: Number,
audio: Number,
alignment: Number,
consensus: Number ← Location consensus component
},
locationConsensus: {
nearbyIncidents: Number, ← Count of incidents nearby
score: Number (0-100),
radius: 1000, // meters
timeWindow: "15 minutes"
}
},
// Phase 5: Priority Coding
priorityCode: {
code: "OMEGA" | "DELTA" | "CHARLIE" | "BRAVO" | "ALPHA" | "X-RAY",
description: String,
dispatchLevel: Number (0-5),
autoDispatch: Boolean
},
// Status & Tracking
status: "Pending" | "Active" | "Resolved" | "Spam",
reportedBy: ObjectId (User reference),
respondedBy: ObjectId (User reference),
dispatchedResources: [ObjectId], // Resource references
// Audit Log
verificationLog: [{
phase: String,
timestamp: Date,
result: Object
}],
createdAt: Date,
updatedAt: Date
}
```
### 数据库索引
```
// 2dsphere index for geospatial queries (fastest)
db.incidents.createIndex({ location: "2dsphere" });
// Time-based queries (for 15-minute window)
db.incidents.createIndex({ createdAt: -1 });
// Trust score sorting/filtering
db.incidents.createIndex({ trustScore: -1 });
// Priority code filtering
db.incidents.createIndex({ "priorityCode.code": 1 });
// User-based queries
db.incidents.createIndex({ reportedBy: 1 });
```
## 🚀 API 端点
### 事件 API
#### 创建事件（多模态）
```
POST /api/incidents/create
Request:
{
"type": "Fire",
"description": "Apartment fire",
"latitude": 40.7128,
"longitude": -74.0060,
"audioFile": , // OR
"imageFile": , // OR
"text": "Fire in building"
}
Response:
{
"id": "incident_123",
"trustScore": 85.5,
"priorityCode": "DELTA",
"locationConsensus": {
"nearbyIncidents": 2,
"score": 75
},
"dispatchedResources": [
{ "type": "Ambulance", "eta": "3 mins" },
{ "type": "Fire Truck", "eta": "2 mins" }
]
}
```
#### 获取附近事件
```
GET /api/incidents/nearby?latitude=40.7128&longitude=-74.0060&radius=1000
Response:
{
"incidents": [
{
"id": "incident_123",
"type": "Fire",
"trustScore": 85.5,
"distance": 150 // meters
},
...
],
"count": 3,
"locationConsensusScore": 75
}
```
#### 获取事件分析
```
GET /api/incidents/analytics?region=downtown&timeframe=24h
Response:
{
"totalIncidents": 45,
"byType": {
"Fire": 8,
"Medical": 25,
"Accident": 12
},
"avgTrustScore": 72.3,
"dispatchedCount": 38,
"avgResponseTime": "4.2 mins",
"hotspots": [
{
"location": [40.7128, -74.0060],
"incidents": 12,
"severity": "High"
}
]
}
```
## 🔒 安全特性
- **JWT 认证**：基于 Token 的 API 访问
- **Bcrypt 哈希**：带加盐轮次的密码哈希
- **EXIF 擦除**：移除媒体中的敏感元数据
- **XSS防护**：输入清理和输出编码
- **速率限制**：限制请求以防止滥用
- **AI 检测**：捕捉并标记 AI 生成的虚假报告
- **位置隐私**：坐标与用户身份分开存储
## 🌍 支持的语言
英语、孟加拉语、印地语、古吉拉特语、意大利语、俄语、阿拉伯语、中文（简体与繁体）、马拉地语
## 📊 性能指标
- **地理空间查询**：<100ms（使用 2dsphere 索引）
- **AI 视觉分析**：约 2-3 秒 (Google Gemini)
- **语音分析**：约 1-2 秒（语音转文本 + 关键词）
- **深度伪造检测**：约 1-2 秒（EXIF + 像素分析）
- **信任评分计算**：<500ms（包括位置共识查询）
- **端到端处理**：通常为 4-8 秒
- **自动调度时间**：从报告到通知资源不到 10 秒
## 📦 环境变量
```
# MongoDB
MONGO_URI=mongodb+srv://user:password@cluster.mongodb.net/crisisconnect
# APIs
GOOGLE_API_KEY=your_google_api_key
GEMINI_API_KEY=your_gemini_api_key
TAVILY_API_KEY=your_tavily_api_key
# Cloudinary
CLOUDINARY_CLOUD_NAME=your_cloud_name
CLOUDINARY_API_KEY=your_api_key
CLOUDINARY_API_SECRET=your_api_secret
# Twilio
TWILIO_SID=your_twilio_sid
TWILIO_AUTH_TOKEN=your_auth_token
TWILIO_PHONE=+1234567890
# JWT
JWT_SECRET=your_jwt_secret
JWT_EXPIRE=7d
# 端口
PORT=5000
FRONTEND_PORT=5173
# Ollama (本地 Deepfake 检测)
OLLAMA_BASE_URL=http://localhost:11434
```
## 🎯 核心算法与公式
### 位置共识评分算法
**输入**：纬度，经度
**输出**：共识评分 (0-100)，附近事件计数
```
1. Define search parameters:
- Radius: 1000 meters (1 km)
- Time Window: 15 minutes
- Status Filter: "Pending" or "Active"
2. Query MongoDB with geospatial $geoWithin $centerSphere:
db.incidents.find({
location: { $geoWithin: { $centerSphere: [[lon, lat], radiusInRadians] } },
createdAt: { $gte: Date.now() - 15*60*1000 },
status: { $in: ["Pending", "Active"] }
})
3. Count results:
- if count >= 3: score = 100
- if count == 2: score = 75
- if count == 1: score = 50
- if count == 0: score = 0
4. Return { nearbyIncidents, score, radius, timeWindow }
```
### 信任评分权重
```
Formula A (Image-Primary):
PreScore = (Visual × 0.5) + (Alignment × 0.2) + (LocationConsensus × 0.3)
FinalScore = min(100, PreScore × RealismFactor)
Formula B (Voice-Primary):
FinalScore = min(100, (Keyword × 0.5) + (Sentiment × 0.2) + (LocationConsensus × 0.3))
Formula C (Hybrid/Shake):
- Normal: (Visual × 0.4) + (Audio × 0.4) + (LocationConsensus × 0.2)
- Pocket: (Visual × 0.1) + (Audio × 0.6) + (LocationConsensus × 0.3)
```
## 🔧 安装与设置
### 后端设置
```
cd backend
npm install
# 创建 .env 文件
cp .env.example .env
# 填入你的 API 密钥
# 启动 MongoDB
mongod
# 创建地理空间索引
node fix_resources.js
# 运行后端
npm start
```
### 前端设置
```
cd frontend
npm install
# 创建 .env 文件
VITE_API_URL=http://localhost:5000
VITE_FIREBASE_CONFIG=your_firebase_config
npm run dev
```
## 🧪 测试基于位置的评分
### 手动测试用例
```
# 终端 1：启动后端
cd backend && npm start
# 终端 2：测试相同位置的 incidents
curl -X POST http://localhost:5000/api/incidents/create \
-F "type=Fire" \
-F "latitude=40.7128" \
-F "longitude=-74.0060" \
-F "description=Test incident 1" \
# Expected: locationConsensus.score = 0 (first incident)
# 等待 10 秒，然后：
curl -X POST http://localhost:5000/api/incidents/create \
-F "type=Fire" \
-F "latitude=40.71281" \
-F "longitude=-74.00601" \
-F "description=Test incident 2" \
# Expected: locationConsensus.score = 50 (1 nearby incident)
# 再次：
curl -X POST http://localhost:5000/api/incidents/create \
-F "type=Fire" \
-F "latitude=40.71282" \
-F "longitude=-74.00602" \
-F "description=Test incident 3" \
# Expected: locationConsensus.score = 75 (2 nearby incidents)
# 再次：
curl -X POST http://localhost:5000/api/incidents/create \
-F "type=Fire" \
-F "latitude=40.71283" \
-F "longitude=-74.00603" \
-F "description=Test incident 4" \
# Expected: locationConsensus.score = 100 (3+ nearby incidents) ⭐
```
## 🐛 故障排除
### 问题：位置共识评分始终为 0
**解决方案**：确保 MongoDB 地理空间索引存在：
```
db.incidents.createIndex({ location: "2dsphere" });
```
### 问题：未检测到附近事件
**解决方案**：检查事件坐标是否为 [经度, 纬度] GeoJSON 格式：
```
// ✅ Correct
location: { type: "Point", coordinates: [-74.0060, 40.7128] }
// ❌ Wrong
location: { type: "Point", coordinates: [40.7128, -74.0060] }
```
### 问题：位置共识查询缓慢
**解决方案**：确保存在以下索引：
```
db.incidents.createIndex({ location: "2dsphere" });
db.incidents.createIndex({ createdAt: -1 });
db.incidents.createIndex({ status: 1 });
```
## 📝 许可证
MIT 许可证 - 请参阅 LICENSE 文件
## 🤝 贡献
欢迎贡献！请遵循代码风格指南，并为新功能添加测试。
## 📞 支持
如有问题或疑问，请提交 GitHub issue 或联系开发团队。
标签：AI风险缓解, AI验证, Express.js, Gemma3, GNU通用公共许可证, GPS追踪, Leaflet, LLM评估, MITM代理, MongoDB, Mongoose, Node.js, OCR, Ollama, React, Redux Toolkit, SOS求救, Syscalls, Tailwind CSS, Tesseract.js, Vite, 信任评分, 公共安全, 危机管理, 图像处理, 地理空间索引, 多模态报告, 实时仪表盘, 工作流管理, 应急响应平台, 情感分析, 新闻聚合, 智能资源分配, 深度伪造检测, 灾害响应, 热力图, 自定义脚本, 资源调度