应急医疗服务中基于优化的机器学习方法
机器学习
2025-03-18 v1
摘要
最小化应急医疗服务(EMS)系统中响应时间，以满足法律要求和及时服务患者至关重要。实现这一目标需要优化决策以高效管理救护车。在此背景下，我们研究了一个中心受控的EMS系统，通过学习在收到紧急呼叫后派遣救护车、在服务完成后将其重新部署到等待地点，以最小化系统中平均响应时间的在线救护车派遣和重新部署策略。我们提出了一种新的组合优化增强型机器学习管道，允许学习救护车派遣和重新部署的高效策略。在此上下文中，我们进一步展示了如何解决 underlying full-information problem 以生成训练数据，并提出了一种增强方案，通过缓解所考虑状态空间的分布不匹配来提高管道的泛化性能。与在训练期间依赖增强的现有方法相比，我们的方法在实现最高可达87.9%运行时节省的同时，仍能实现具有竞争力的性能。为了评估我们管道在当前行业实践方面的性能，我们在旧金山911呼叫数据的案例研究中进行了数值研究。结果表明，所学习的策略在各种资源和需求情景下都优于在线基准，平均响应时间可降低最高30%。
引用
@article{arxiv.2503.11848,
title = {Optimization-Augmented Machine Learning for Vehicle Operations in Emergency Medical Services},
author = {Maximiliane Rautenstrauß and Maximilian Schiffer},
journal= {arXiv preprint arXiv:2503.11848},
year = {2025}
}