基于时空核扭曲的墨尔本救护车需求预测

准确预测精细时空分辨率的救护车需求对于救护车车队管理和动态部署至关重要。典型挑战包括高分辨率下的数据稀疏性以及需要尊重复杂的城市空间域。为了提供澳大利亚墨尔本救护车需求随小时间隔变化的空间密度预测，我们提出了一种预测性时空核扭曲方法。为了对每个小时进行预测，我们在来自相关过去时间段（标记数据）的最相似数据的稀疏集上构建核密度估计器，但将这些核扭曲到更大的过去数据集（无论时间段如何）（点云）。点云代表了墨尔本的空间结构和地理特征，包括复杂边界、道路网络和社区。借鉴流形学习，核扭曲通过点云的图拉普拉斯执行，并可解释为对空间特征的正则化及所施加的先验。核带宽和扭曲程度通过交叉验证有效估计，并且可以设为时间和/或位置特定。相较于当前行业实践、未扭曲的核密度估计和时变高斯混合模型，我们提出的模型给出的预测显著更准确。