Forecasting Ambulance Demand with Profiled Human Mobility viaHeterogeneous Multi-Graph Neural Netwo

Forecasting Ambulance Demand with Profiled Human Mobility via Heterogeneous Multi-Graph Neural Networks

预测区域救护车需求是实现车辆动态调配的基础。这一话题越来越重要，因为几乎每个国家都在经历人口老龄化，普遍具有更高的脆弱性和对紧急医疗服务(EMS)的需求。虽然探索了EMS历史记录中的空间和时间相关性，但现有的方法主要考虑了前者的时不变，而在现实中不一定如此。此外，这一假设忽略了一个事实，即幕后的动态是人，其人口结构和活动模式可能是区域EMS需求的决定因素。因此，本文挖掘人类移动中的集体日常活动，以进一步表示不断演变的空间相关性。将轮廓移动组建模为多个随机游走者，并提出了一个新的双分量神经网络，包括一个异构多图卷积层和时空交错注意力模块，来执行预测任务。在真实数据上的实验结果验证了引入动态人员移动性的有效性，以及该方法相对于当前最先进模型的优势。 

 

 

 提出的双分量神经网络的技术细节，该网络由异质多图卷积层(HMGCL)和时空交错注意力模块(STIAM)组成。

A  Multi-Level Temporal Inputs

正如时间序列图(见图4a)和部分自相关函数(见图4b)所示，区域救护车需求(1小时时间切片)在短期和周期性(如每日、每周)观察中显示出很强的(统计显著性)自相关.显式地利用历史记录中的最新、每日和每周观察作为输入，来表示这种多层次的时间依赖关系

 

B. Heterogeneous Multi-Graph Convolution Layer 

HMGCL能够使用图卷积网络(GCN)和一个专门设计的扩散卷积块(DC-Block)同时处理时变和时不变的空间依赖关系。

C. Spatio-Temporal Interlacing Attention Module