Forecasting Ambulance Demand in Oslo and Akershus

Abstract

Evnen til å forutsi ambulanseetterspørsel er et kritisk verktøy innen akuttmedisin for å kunne fordele ressursene så effektivt som mulig. I denne oppgaven benytter vi et datasett gitt av Oslo Universitetssykehus for å forutsi romlig-temporal ambulanseetterspørsel i Oslo og Akershus. Vi gjennomfører flere ulike eksperimenter inspirert av relatert forskning innen både romlig-temporal prediksjon, samt prediksjon av ambulanseetterspørsel. For å forutsi volum av etterspørsel benytter vi statistiske dekomponeringsmetoder for tidsserier for å ekstrahere informasjon om sesongvariasjoner og trend og benytter flerlags perceptron (MLP) og regresjon for å forutsi henholdsvis rest og trend fra dekomponering. Vi gjennomfører også eksperimenter med en foreslått avviksmåling ment for å redusere underestimering av etterspørsel. Vi predikerer også fordeling av etterspørsel i rom både med høy oppløsning og med aggregert data. For høy oppløsning eksperimenterer vi med Wasserstein adversarial generative neural network (WGAN) for å generere realistiske fordelinger av hendelser, samt MLP med ulik input-data. For å lage aggregert data benytter vi genetiske algoritmer (GA) med multi-objektiv optimisering der vi bruker data fra Statistisk Sentralbyrå (SSB) og benytter MLP for å forutsi fordelingen basert på det aggregerte datasettet for hver time. Vi konkluderer med at våre foreslåtte modeller for volum av etterspørsel utkonkurrerer modeller i bruk innen industrien og modeller foreslått i relatert arbeid. Videre har vi at WGAN ikke genererer tilfredsstillende scenarier, og prediksjoner med høy oppløsning ikke er i stand til å utkonkurrere det historiske gjennomsnittet. Vi forbedrer prediksjonene ved å aggregere dataen slik at MLP er i stand til å utkonkurrere det historiske gjennomsnittet med en tynn margin på det aggregerte datasettet.

Forecasting ambulance demand can be a critical tool for emergency medical services to allocate their resources as efficiently as possible. In this thesis, we use data provided by Oslo University Hospital (OUH) to forecast spatio-temporal ambulance demand in Oslo and Akershus. We perform different experiments inspired by related work both within spatio-temporal forecasting in general and ambulance demand forecasting. To forecast demand volume, we experiment with machine learning and statistical decomposition for time series to extract information about seasonal variations and the trend. We apply multilayered perceptron (MLP) and regression to forecast the residual and trend, respectively. We also experiment with a proposed error metric to reduce the underestimation of demand. We forecast at a high resolution and on different aggregations for spatial forecasts. For high resolution forecasts we experiment with Wasserstein adversarial generative neural network (WGAN) to generate realistic distribution scenarios, and MLP with different input sets. To produce aggregated data, we apply genetic algorithms with multi-objective optimization, using population data from Statistics Norway (SSB), and apply a MLP to forecast the hourly aggregated distribution. We conclude that our proposed models for volume forecasting outperform models used in the industry and models proposed in related research. Furthermore, WGAN does not generate good scenarios, and forecasting of distribution at high resolution are unable to outperform the historical average of our data. We make improvements with the aggregation of data as this makes the forecasts from MLP able to outperform the historical average by a slim margin.