論文の概要: Beyond Heuristics and Commercial Navigation: An AI-Augmented Decision-Support for Ambulance Travel Time Estimation

• arxiv url: http://arxiv.org/abs/2610.31968v1
• Date: Thu, 22 Oct 2026 22:16:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.304966
• Title: Beyond Heuristics and Commercial Navigation: An AI-Augmented Decision-Support for Ambulance Travel Time Estimation
• Title（参考訳）: ヒューリスティックスと商用ナビゲーションを超えて - アンバランス旅行時間推定のためのAIによる意思決定支援
• Abstract要約: 我々は、救急車旅行時間をより正確に見積もるために、機械学習システムに貢献する。 分析の結果, 救急車の利用時間は時間, 日, 旅行の優先度によって大きく異なることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate ambulance travel time estimation is critical for emergency medical dispatch, yet existing decision-support practices often rely on static lookup tables or simplified assumptions regarding how ambulance travel time differs from ordinary passenger-car travel. For instance, they assume ambulances simply travel a fixed percentage (e.g., 5%) faster than ordinary passenger cars. However, such assumptions are rarely validated using real ambulance operational data and may fail to capture the effects of trip priority, temporal context, and origin-destination. We address these limitations using historical ambulance trips from the Skåne region in Sweden. Our analysis reveals that ambulance travel times vary substantially by hour, day, and trip priority, and that commercial navigation systems fail to capture emergency-specific dynamics. We contribute a machine learning system to more accurately estimate ambulance travel time. To make the system interpretable, we explored SHapley Additive exPlanations and permutation importance techniques to ensure that our system captures operationally meaningful patterns.
• Abstract（参考訳）: 救急搬送には正確な救急車旅行時間推定が不可欠であるが、既存の意思決定支援手法は静的なルックアップ表や、通常の旅客車旅行と救急車旅行時間がどう違うかという仮定に頼っていることが多い。 例えば、救急車は通常の旅客車よりも一定の割合(例:5%)で移動していると仮定している。 しかし、そのような仮定は実際の救急医療データを用いて検証されることは稀であり、旅行優先、時間的文脈、起因決定の影響を捉えられない可能性がある。 スウェーデンのスコーネ地域からの歴史的な救急旅行を利用して、これらの制限に対処する。 分析の結果,救急車の走行時間は時間,日,旅行の優先度によって大きく異なり,商業航法システムでは緊急時特有のダイナミクスを捉えることができないことがわかった。 我々は、救急車旅行時間をより正確に見積もるために、機械学習システムに貢献する。 システムを解釈可能にするため,SHapley Additive exPlanations と permutation importance Technique を探索し,運用上意味のあるパターンを捉える。

関連論文リスト

• Towards Trustworthy AI-Enabled Emergency Medical Dispatch: Uncertainty-Aware Ambulance Travel Time Estimation [0.0]
  救急車走行時間推定のための不確実性を考慮した手法を提案する。 提案手法は,安定な経験的カバレッジを持つ文脈適応予測区間を生成する。 得られた予測間隔は、より透明でリスクに敏感な救急隊の派遣決定を支援する予測の不確実性に関する明確な情報を提供する。
  論文  参考訳（メタデータ） (2026-10-22T21:42:32Z)
• Selective Ambulance Dispatch Under Contextual Travel-Time Uncertainty [16.225780811704656]
  アンバランス・ディスパッチ(英語: Ambulance dispatch)は、時間外停止(OHCA)において重要であり、派遣者は艦隊の能力に制限のあるタイムリーな到着のバランスをとる。 我々は,プライマリパスとセカンダリパスがしきい値を超えた場合にのみ,第2救急車を送付するI(Intelligent Dual dispatch of Emergency AmbuLances)を提案する。
  論文  参考訳（メタデータ） (2026-05-22T08:46:21Z)
• A scalable framework for correcting public transport timetables using real-time data for accessibility analysis [8.519862241558519]
  我々は、高周波車両位置データから経験的なバス時刻表を再構築するためのスケーラブルなフレームワークを開発する。 得られたデータセットは、旅行時間変動(TTV)を、微細な時間分解能と広い地理的領域で分析することができる。
  論文  参考訳（メタデータ） (2026-03-12T02:59:07Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Optimization-Augmented Machine Learning for Vehicle Operations in Emergency Medical Services [2.5690340428649328]
  救急医療サービス(EMS)システムにとって、法的要件を満たして患者にタイムリーにサービスを提供するための応答時間を最小化することが重要である。 我々は,オンライン救急搬送・再配備政策を学習する中央制御型EMSシステムについて検討した。 本稿では,救急搬送と再配置のための効率的なポリシーを学習できる,新しい最適化強化機械学習手法を提案する。
  論文  参考訳（メタデータ） (2025-03-14T20:15:26Z)
• Multitask Weakly Supervised Learning for Origin Destination Travel Time Estimation [8.531695291898815]
  本論文は,道路網とOD旅行時間とを組み合わせて推定し始める。 現在の経路の共発生確率を最大化する新たな経路回復関数が提案されている。 我々は、Xi'anとChengduで、幅広い現実世界のタクシーのデータセットの実験を行っている。
  論文  参考訳（メタデータ） (2023-01-13T00:11:56Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• Transforming unstructured voice and text data into insight for paramedic emergency service using recurrent and convolutional neural networks [68.8204255655161]
  救急隊員は救急車内で限られた時間内に救命判断をしなければならないことが多い。 本研究の目的は、音声とテキストデータを自動的に融合して、救急隊員に適切な状況認識情報を提供することである。
  論文  参考訳（メタデータ） (2020-05-30T06:47:02Z)

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。