論文の概要: Towards Accurate Predictions and Causal 'What-if' Analyses for Planning
and Policy-making: A Case Study in Emergency Medical Services Demand
- arxiv url: http://arxiv.org/abs/2004.12092v1
- Date: Sat, 25 Apr 2020 09:03:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 21:08:24.683594
- Title: Towards Accurate Predictions and Causal 'What-if' Analyses for Planning
and Policy-making: A Case Study in Emergency Medical Services Demand
- Title(参考訳): 計画・政策立案における正確な予測と因果分析 : 救急医療サービス需要を事例として
- Authors: Kasun Bandara, Christoph Bergmeir, Sam Campbell, Deborah Scott, Dan
Lubman
- Abstract要約: 救急医療サービス(EMS)の需要は、多くの政府機関にとってかなりの負担となっている。
本稿では,EMS需要を予測し,因果関係を分析し,その分析を行うためのDeep Planning and Policy Making Net(DeepPPMNet)を紹介する。
- 参考スコア(独自算出の注目度): 3.963609604649394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Emergency Medical Services (EMS) demand load has become a considerable burden
for many government authorities, and EMS demand is often an early indicator for
stress in communities, a warning sign of emerging problems. In this paper, we
introduce Deep Planning and Policy Making Net (DeepPPMNet), a Long Short-Term
Memory network based, global forecasting and inference framework to forecast
the EMS demand, analyse causal relationships, and perform `what-if' analyses
for policy-making across multiple local government areas. Unless traditional
univariate forecasting techniques, the proposed method follows the global
forecasting methodology, where a model is trained across all the available EMS
demand time series to exploit the potential cross-series information available.
DeepPPMNet also uses seasonal decomposition techniques, incorporated in two
different training paradigms into the framework, to suit various
characteristics of the EMS related time series data. We then explore causal
relationships using the notion of Granger Causality, where the global
forecasting framework enables us to perform `what-if' analyses that could be
used for the national policy-making process. We empirically evaluate our
method, using a set of EMS datasets related to alcohol, drug use and self-harm
in Australia. The proposed framework is able to outperform many
state-of-the-art techniques and achieve competitive results in terms of
forecasting accuracy. We finally illustrate its use for policy-making in an
example regarding alcohol outlet licenses.
- Abstract(参考訳): 緊急医療サービス(ems)の需要負荷は多くの政府当局にとってかなりの負担となっている。
本稿では,ems需要を予測し,因果関係を分析し,複数の地方自治体にまたがる政策立案のための「what-if」分析を行うためのグローバル予測・推論フレームワークであるdeepppmnet(deepppmnet)を提案する。
従来の単変量予測手法がなければ,提案手法はグローバルな予測手法に従っており,モデルが利用可能なEMS需要時系列全体にわたってトレーニングされ,利用可能なクロスシリーズ情報を活用する。
DeepPPMNetはまた、2つの異なるトレーニングパラダイムに組み込まれた季節分解技術を使用して、EMS関連時系列データの様々な特性に適合する。
次に,グローバルな予測フレームワークによって,国家の政策決定プロセスに使用可能な<What-if'分析が可能になる,Granger Causalityという概念を用いて因果関係を探究する。
オーストラリアにおけるアルコール, 薬物使用, セルフハームに関連するEMSデータセットを用いて, 本手法を実験的に評価した。
提案手法は,多くの最先端技術より優れ,予測精度の点で競争力のある結果が得られる。
最後に、アルコールアウトレットライセンスに関する例で、ポリシー作成にその使用法を説明します。
関連論文リスト
- Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Regions of Reliability in the Evaluation of Multivariate Probabilistic
Forecasts [73.33395097728128]
時系列予測評価のための適切なスコアリングルールに関する最初の体系的な有限サンプル研究を提供する。
本研究では, 地中構造と予測分布のいくつかの重要な相違点をテストするために, 総合的な総合的合成ベンチマークを用いて解析を行った。
論文 参考訳(メタデータ) (2023-04-19T17:38:42Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳(メタデータ) (2022-07-19T16:15:11Z) - Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。
本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。
理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
論文 参考訳(メタデータ) (2022-01-31T20:58:47Z) - Predictive modeling of movements of refugees and internally displaced
people: Towards a computational framework [0.0]
機械学習を使って将来の到着を期待することへの関心が高まっている。
難民やIDPの流れの予測方法に関する標準化された知識はほとんどない。
我々は,予測問題を構造化するために,ビッグデータソースの利用に適応した体系的モデルに依存しないフレームワークを提供する。
論文 参考訳(メタデータ) (2022-01-20T05:33:12Z) - LoMEF: A Framework to Produce Local Explanations for Global Model Time
Series Forecasts [2.3096751699592137]
複数の時系列にまたがってトレーニングされたグローバル予測モデル(GFM)は、多くの予測競合や実世界のアプリケーションにおいて優れた結果を示している。
しかしながら、GFMは通常、特に特定の時系列に対する解釈可能性に欠ける。
本稿では,GFMからの予測を説明するために,局所モデルに依存しない新しい解法を提案する。
論文 参考訳(メタデータ) (2021-11-13T00:17:52Z) - Clinical Temporal Relation Extraction with Probabilistic Soft Logic
Regularization and Global Inference [50.029659413650194]
既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。
本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
論文 参考訳(メタデータ) (2020-12-16T08:23:03Z) - Energy Forecasting in Smart Grid Systems: A Review of the
State-of-the-art Techniques [2.3436632098950456]
本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。
統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。
ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
論文 参考訳(メタデータ) (2020-11-25T09:17:07Z) - Predicting COVID-19 cases using Bidirectional LSTM on multivariate time
series [1.8352113484137624]
本稿では,新型コロナウイルス感染者の累積数を予測するための深層学習手法を提案する。
ロックダウンに加え、複数の国のデータにより、毎日の累積感染者の予測の精度が向上している。
論文 参考訳(メタデータ) (2020-09-10T12:53:05Z) - Data-driven Simulation and Optimization for Covid-19 Exit Strategies [16.31545249131776]
コロナウイルスSARS-2の急速な普及は、世界中のほぼ全ての政府が悲劇に対応するために徹底的な対策を講じる大きな課題である。
我々は,疫学パラメータの深層学習推定を組み合わせたパンデミックシミュレーションと予測ツールキットを構築した。
論文 参考訳(メタデータ) (2020-06-12T11:18:25Z) - When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and
Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。
さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。
本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文 参考訳(メタデータ) (2020-05-13T18:21:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。