基于卷积神经网络的救护车需求预测
机器学习
2023-06-09 v1
摘要
最小化响应时间对于紧急医疗服务至关重要，可减少患者等待时间并提高其存活率。许多模型用于优化救护车调配和调度等操作任务。在此类模型中纳入准确的需求预测可改善操作决策。在此背景下，我们提出了一种新颖的卷积神经网络（CNN）架构，将时间序列数据转换为热力图以预测救护车需求。应用此类预测需要纳入影响救护车需求的外部特征。我们通过提供一种灵活、通用的CNN架构来贡献于现有文献，该架构允许包含具有不同维度的外部特征。此外，我们提供了一个利用贝叶斯优化的特征选择与超参数优化框架。我们整合了历史救护车需求以及天气、事件、节假日和时间等外部信息。为展示所开发CNN架构相对于现有方法的优越性，我们对西雅图911呼叫数据进行了案例研究并纳入外部信息。我们表明所开发的CNN架构比现有最先进方法和行业实践高出9%以上。
引用
@article{arxiv.2306.04994,
title = {Ambulance Demand Prediction via Convolutional Neural Networks},
author = {Maximiliane Rautenstrauß and Maximilian Schiffer},
journal= {arXiv preprint arXiv:2306.04994},
year = {2023}
}
备注
29 pages, 8 figures