Forecasting Ambulance Demand and Response Times Using Machine Learning: The Impact of Weather Data and Black Ice Modeling

Abstract

Denne masteroppgaven undersøker integrasjonen av værprognoser, med spesielt fokus på lufttemperatur, nedbør og hålke, i prediktive modeller for akuttmedisinske etterspørsel og responstider i Oslo og Akershus. Med økende press for å forbedre effektiviteten og responstider av akuttmedisinske behandlinger, spesielt i områder som Oslo og Akershus hvor responstidsmål ikke oppnås, ønsker denne studien å undersøke de potensielle fordelene ved å anvende værdata for å forbedre prediksjoner for akuttmedisinsk etterspørsel og responstider. Ved å bruke historiske data av akutthendelser i Oslo og Akershus fra 2015 til 2019, sammenlignes grunnmodeller med utvidede modeller som inkluderer variabler som hålke, lufttemperatur og nedbør.

Hålke, en kritisk faktor som påvirker akuttmedisinske etterspørsel og responstider, har blitt modellert ved hjelp av værvariabler som lufttemperatur, nedbør, duggpunkts-temperatur, vindhastighet og relativ fuktighet. Sannsynligheten for hålke-dannelse bestemmes gjennom en grundig analyse av disse værparametrene, inkludert beregning av sannsynligheter for dannelse av rimfrost, underkjølt regn og frysing av vann på vei. Værdata, inkludert lufttemperatur, nedbør og annen værdata nødvendige for modellering av hålke, hentes fra værstasjoner nærmest hver akutthendelse, med en timevis granularitet.

Studien avdekker betydelige forbedringer for prediktiv nøyaktighet for alle utvidede modeller sammenlignet med grunnmodeller. Spesielt utmerker hålke-modellen seg, ved å vise de største forbedringene både for prediksjoner av akuttmedisinske etterspørsel og responstider. For prediksjoner av akuttmedisinske etterspørsel ble det observert forbedringer på 12,29% og 6,72% i gjennomsnittlig kvadratisk feil (MSE) og gjennomsnittlig absolutt feil (MAE), med tilsvarende økninger i R^2 og justert R^2 på omtrent 9%. Lignende ble forbedringer på 6,32% og 3,03% fra grunnmodellen observert for prediksjoner av responstider, med en betydelig forbedring på 13,80% og 14,56% i R^2 og justert R^2.

I tillegg avdekker studien betydelige korrelasjoner mellom akuttmedisink etterspørsel, antall akutthendelser, og responstider, der antall akutthendelser og responstid viser tett sammenheng og gjensidig påvirker den akuttmedisinske etterspørselen. Funnene understreker den kritiske rollen værforhold, spesielt hålke, spiller i å forbedre akuttmedisinske prediksjoner. Ved å inkludere værprognoser i prediktive modeller kan akuttmedisinske tjenester bedre forutse etterspørselsøkninger og strategisk fordele ressurser. Denne forskningen tilfører verdifull innsikt for å forbedre akuttmedisinsk drift og understreker betydningen av værinformert beslutningstaking innen akuttmedisinsk omsorg.

This master's thesis investigates the integration of weather forecasts, particularly focusing on air temperature, precipitation, and black ice, into predictive models for Emergency Medical Services (EMS) demand and response times. With the pressing need to enhance EMS efficiency and response times, especially in regions like Oslo and Akershus, Norway, where response time targets have consistently not been met, this study explores the potential benefits of leveraging weather data to improve EMS demand and response time prediction. By utilizing historical EMS data from the Emergency Medical Communication Centre (EMCC) in Oslo and Akershus spanning from 2015 to 2019, the research compares baseline models with extended models incorporating black ice, air temperature, and precipitation.

Black ice, a critical factor influencing EMS demand and response times, is modeled through comprehensive weather variables such as air temperature, precipitation, dew point temperature, wind speed, and relative humidity. The probability of black ice formation is determined through the comprehensive analysis of these weather parameters, involving the calculation of probabilities for the formation of hoar frost, freezing rain, and wet road freezing. Weather data, including air temperature, precipitation, and those used for black ice modeling, are sourced from weather stations nearest to EMS incident locations, using an hourly granularity.

The study demonstrates significant improvements in predictive accuracy for all extended models compared to baseline models. The black ice model particularly stands out, showcasing the highest improvements in both EMS demand and response time predictions. For EMS demand predictions, improvements of 12.29% and 6.72% in mean squared error (MSE) and mean absolute error (MAE) respectively, with corresponding increases in R^2 and adjusted R^2 by approximately 9%, were observed. Similarly, for EMS response time predictions, MSE and MAE were enhanced by 6.32% and 3.03% from the baseline respectively, with a substantial 13.80% and 14.56% improvement in R^2 and adjusted R^2.

Additionally, the study reveals substantial correlations among EMS demand, incident counts, and response times, where incident counts and response time exhibit a close correlation, collectively influencing EMS demand. The findings underscore the critical role of weather conditions, particularly black ice, in enhancing EMS predictions. By integrating weather forecasts into predictive models, EMS providers can better anticipate demand surges and allocate resources strategically. This research contributes valuable insights into improving EMS operations and underscores the importance of weather-informed decision-making in emergency medical care.