面向规划与政策制定的精确预测与因果“假设”分析：以急救医疗服务需求为例
机器学习
2020-04-28 v1 人工智能
应用统计
机器学习
摘要
急救医疗服务（EMS）需求负荷已成为许多政府当局的相当负担，且 EMS 需求常常是社区压力的早期指标、新出现问题的警告信号。在本文中，我们引入深度规划与政策制定网络（DeepPPMNet），一种基于长短期记忆网络（LSTM）的全局预测与推断框架，用于预测 EMS 需求、分析因果关系，并跨多个地方政府区域执行用于政策制定的“假设”分析。不同于传统单变量预测技术，所提方法遵循全局预测方法，即一个模型在所有可用的 EMS 需求时间序列上训练以利用潜在的跨序列信息。DeepPPMNet 还使用季节分解技术，以两种不同训练范式整合进框架，以适应 EMS 相关时间序列数据的各种特征。我们随后使用 Granger 因果性的概念探索因果关系，其中全局预测框架使我们能够执行可用于国家政策制定过程的“假设”分析。我们使用一组与澳大利亚酒精、药物使用及自残相关的 EMS 数据集对我们的方法进行了实证评估。所提框架能够超越许多最先进的技术，并在预测精度方面取得有竞争力的结果。我们最后在一个关于酒精销售许可证的示例中说明了其用于政策制定的用途。
引用
@article{arxiv.2004.12092,
title = {Towards Accurate Predictions and Causal 'What-if' Analyses for Planning and Policy-making: A Case Study in Emergency Medical Services Demand},
author = {Kasun Bandara and Christoph Bergmeir and Sam Campbell and Deborah Scott and Dan Lubman},
journal= {arXiv preprint arXiv:2004.12092},
year = {2020}
}