@mastersthesis{Szyprons2024,
  type      = {Bachelor Thesis},
  author    = {Szyprons, Annemarie},
  title     = {Optimierung der Einsatzplanung im Rettungsdienst durch die Anwendung von Deep Learning-Modellen zur Zeitreihenprognose},
  school    = {Institut f{\"u}r Informationswissenschaft der Technische Hochschule K{\"o}ln},
  pages     = {55},
  year      = {2024},
  abstract  = {Seit 1994 verzeichnet der Rettungsdienst in Deutschland einen kontinuierlichen Anstieg des Einsatzaufkommens, der vielf{\"a}ltige Ursachen hat und sich deutlich auf die Qualit{\"a}t und Effizienz des Rettungsdienstes auswirkt. L{\"a}ngere Wartezeiten auf den Rettungswagen k{\"o}nnen die {\"U}berlebenswahrscheinlichkeit der Patienten beeinflussen. Um den Tr{\"a}gern des Rettungsdienstes eine effiziente und wirtschaftliche Einsatzplanung zu erm{\"o}glichen, k{\"o}nnten zuverl{\"a}ssige Prognosen des Einsatzgeschehens die Effizienz der vorhandenen Ressourcen optimieren und zu einer Verk{\"u}rzung der Reaktionszeiten f{\"u}hren. In dieser Arbeit wird das st{\"u}ndliche Notfallaufkommen im Rettungsdienst auf Basis der Einsatzdokumentation eines Rettungsdienstbereiches aus dem Zeitraum 2018 bis 2023 prognostiziert. Nach einer explorativen und deskriptiven Darstellung der Einsatzdaten wird die Datenbasis f{\"u}r die Zeitreihenprognose aufbereitet, wobei zus{\"a}tzliche Informationen wie Stundenintervall, Wochentag und Monat ber{\"u}cksichtigt werden. Es wird ein Long Short Term Memory Modell implementiert, da dieses besonders f{\"u}r die Verarbeitung von Sequenzdaten geeignet ist. Die Optimierung der Modellparameter erfolgt durch ein manuelles Trainingsverfahren, wobei sowohl univariate als auch multivariate Zeitreihenmodelle betrachtet werden. Nach der Vorhersage wird analysiert, ob das Modell in der Lage ist, Ausreißer zu identifizieren, indem eine Distanzmetrik verwendet wird, um die Vorhersage mit den tats{\"a}chlichen Werten zu vergleichen. Anschließend k{\"o}nnen die Daten anhand eines festgelegten Schwellenwertes klassifiziert werden. Ausreißer werden in dieser Arbeit als das Einsatzfahrtaufkommen betrachtet, welches außerhalb des Normbereiches des untersuchten Rettungsdienstbereiches liegt. Die Ergebnisse zeigen, dass Prognosemodelle auf Basis der Einsatzdokumentation allein nicht ausreichend leistungsf{\"a}hig sind, um Notfalleinsatzfahrten f{\"u}r die Zukunft pr{\"a}zise vorherzusagen. Das Verfahren zur Identifikation von Ausreißern anhand des Prognosemodells erm{\"o}glicht grunds{\"a}tzlich eine Klassifizierung des Einsatzfahrtaufkommens je Stundenintervall. Hierbei ist die Genauigkeit des Verfahrens stark von der Leistungsf{\"a}higkeit und des manuellen Schwellenwertes abh{\"a}ngig. Die Verwendung multivariater Zeitreihen zeigt f{\"u}r die Prognose potenziell bessere Ergebnisse als univariate Modelle, jedoch sind weitere Untersuchungen notwendig, um die Leistungsf{\"a}higkeit des Modells durch die Identifizierung und Ber{\"u}cksichtigung weiterer Einflussfaktoren zu verbessern.},
  subject      = {Deep learning},
  language  = {de}
}