Machine Learning for Spatio-Temporal Forecasting of Ambulance Demand: A Norwegian Case Study

Abstract

I akuttmedisinen opererer man ofte i en kamp mot klokken. Man må fordele tilgjengelige ressurser strategisk slik at man kan nå mennesker i nød på kortest mulig tid og redde liv. For å kunne posisjonere ambulanser strategisk må vi vite hvor og når det er stor sannsynlighet for at hendelser skjer. Denne oppgaven tar for seg predikering av den timesvise akuttmedisinske etterspørselen i 1x1km geografiske områder i Oslo og Akershus. Vi sammenlikner komplette og splittede modeller. De splittede modellene predikerer det totale antallet hendelser og distribusjonen av hendelsene hver for seg, mens de komplette modellene predikerer antallet hendelser i hvert område direkte. Vi bruker hovedsaklig nevrale nettverk for å predikere etterspørselen, samt noen enkle aggregeringsmodeller. Vi undersøker om været påvirker den akuttmedisinske etterspørselen ved å inkludere værdata i noen av input-settene til de nevrale nettene. Resultatene våre tyder på at de splittede modellene er bedre egnet til å predikere den akuttmedisinske etterspørselen enn de komplette modellene, ettersom de komplette modellene har en tendens til å underestimere volumet av hendelser. Vi viser også at online trening er et godt verktøy som forbedrer prediksjonene til modellene. Blant modellene vi tester slår vi fast at en splittet modell med en enkel distributisjonsmodell basert på aggregering og en flerlags perceptron (MLP) volummodell med enkle temporale inputter har mest nytteverdi i vårt tilfelle. Denne modellen produserer bedre komplette, volum og distribusjons prediksjoner enn en standard industrimodell samt MLP-modellen foreslått i Setzler et al. [2009].

In emergency medical services, time is of the essence. It is crucial to distribute available resources strategically so that they can reach the scene of an incident quickly and ensure timely life-saving assistance to people in need. In order to do that, we need to have good estimates of when and where incidents are likely to occur. This thesis investigates how to best forecast the EMS demand in and around the capital of Norway based on historical EMS data and, to some lesser extent, weather data. We use a fine spatio-temporal resolution of 1x1km spatial regions and 1-hr time intervals. The EMS demand is forecast directly and using a split approach that looks at the volume and distribution of the demand separately. We use multi layer perceptron (MLP) and long short-term memory (LSTM) models to forecast the EMS demand, in addition to some simple aggregation methods. The neural network models are trained with different input sets consisting of simple temporal data and weather data to investigate how the forecast quality varies with varying input feature sets. We conclude from our experiments that the split approach is better suited for modeling EMS demand as the complete methods tend to underestimate the demand volume. We also show how online learning tends to improve the performance of the models. Among the models tested in this study, we find that a split model consisting of a simple aggregation distribution model and an MLP volume model with simple temporal input features produces the best forecasts. This split model produces better volume, distribution, and complete forecasts than a common industry practice method and the complete MLP model proposed by Setzler et al. [2009].