Optimierung der Einsatzplanung im Rettungsdienst durch die Anwendung von Deep Learning-Modellen zur Zeitreihenprognose
- Seit 1994 verzeichnet der Rettungsdienst in Deutschland einen kontinuierlichen Anstieg des Einsatzaufkommens, der vielfältige Ursachen hat und sich deutlich auf die Qualität und Effizienz des Rettungsdienstes auswirkt. Längere Wartezeiten auf den Rettungswagen können die Überlebenswahrscheinlichkeit der Patienten beeinflussen. Um den Trägern des Rettungsdienstes eine effiziente und wirtschaftliche Einsatzplanung zu ermöglichen, könnten zuverlässige Prognosen des Einsatzgeschehens die Effizienz der vorhandenen Ressourcen optimieren und zu einer Verkürzung der Reaktionszeiten führen. In dieser Arbeit wird das stündliche 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 für die Zeitreihenprognose aufbereitet, wobei zusätzliche Informationen wie Stundenintervall, Wochentag und Monat berücksichtigt werden. Es wird ein Long Short Term Memory Modell implementiert, da dieses besonders für 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 tatsächlichen Werten zu vergleichen. Anschließend können 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 leistungsfähig sind, um Notfalleinsatzfahrten für die Zukunft präzise vorherzusagen. Das Verfahren zur Identifikation von Ausreißern anhand des Prognosemodells ermöglicht grundsätzlich eine Klassifizierung des Einsatzfahrtaufkommens je Stundenintervall. Hierbei ist die Genauigkeit des Verfahrens stark von der Leistungsfähigkeit und des manuellen Schwellenwertes abhängig. Die Verwendung multivariater Zeitreihen zeigt für die Prognose potenziell bessere Ergebnisse als univariate Modelle, jedoch sind weitere Untersuchungen notwendig, um die Leistungsfähigkeit des Modells durch die Identifizierung und Berücksichtigung weiterer Einflussfaktoren zu verbessern.
Author: | Annemarie Szyprons |
---|---|
Document Type: | Bachelor Thesis |
Year of first Publication: | 2024 |
Date of final exam: | 2024/03/14 |
First Referee: | Gernot HeisenbergGND |
Advisor: | Frederik Schütte |
Degree Program: | Data and Information Science |
Language: | German |
Page Number: | 55 |
Tag: | Zeitreihenprognose LSTM |
GND Keyword: | Deep learning |
Access Rights: | Zugriffsbeschränkt |
Licence (German): | Creative Commons - Namensnennung-Weitergabe unter gleichen Bedingungen |