基于高斯过程回归的救护车需求时空预测
机器学习
2018-06-29 v1 机器学习
应用统计
摘要
准确预测救护车呼叫发生的时间和地点能够缩短响应时间,并确保患者更早获得紧急救治。本文提出一种利用时间和地理空间上的高斯过程回归(GPR)进行救护车需求预测的新方法。该方法在精度上优于已被工业界使用的 MEDIC 方法。GPR 的使用还具有额外优势,例如每次预测均可量化不确定性、可选择核函数以编码先验知识,以及能够捕捉空间相关性。本文概述了在当前背景下(具有大规模训练集且输出为 Poisson 分布)提升 GPR 实用性的措施。
关键词
引用
@article{arxiv.1806.10873,
title = {Spatiotemporal Prediction of Ambulance Demand using Gaussian Process Regression},
author = {Seth Nabarro and Tristan Fletcher and John Shawe-Taylor},
journal= {arXiv preprint arXiv:1806.10873},
year = {2018}
}
备注
12 pages, 5 figures, 2 tables