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