Hierarchical time series forecasting of daily ambulance demand

Abstract

Die Bevölkerung Österreichs altert, und dieser demografische Wandel geht mit einer steigenden Nachfrage nach Rettungsdienstleistungen (EMS) einher. Falsche Schätzungen des täglichen Anrufaufkommens können schwerwiegende Folgen für die öffentliche Gesundheit haben, insbesondere in dicht besiedelten Gebieten wie Wien. Die Zuweisung der Rettungswagenflotte in Wien (verwaltet von MA70) ist derzeit nicht optimiert, da sie stark von der Fachkompetenz des Personals, den aktuellen Anrufmustern und bekannten Ereignissen abhängt. In dieser Arbeit wollen wir zeitliche Muster wie Trends und Saisonalität der Nachfrage nach Rettungswagen in den Wiener Bezirken analysieren und ein Zeitreihen-Prognosemodell entwickeln, mit dem sich genaue und kohärente tägliche Anrufprognosen sowohl auf Bezirks- als auch auf Stadtebene für eine Woche im Voraus erstellen lassen. Diese Prognosen können Rettungsdienstleister (wie MA70 in Wien) dabei unterstützen, datengestützte Entscheidungen über die Zuweisung von Rettungswagen zu treffen, was letztlich dazu beiträgt, die Reaktionszeiten zu verkürzen und die Behandlungsergebnisse für Patienten zu verbessern. Wir erstellen univariate Basisprognosen (sowohl auf Stadt- als auch auf Bezirksebene) unter Verwendung traditioneller Zeitreihenmodelle wie ARIMA. Anschließend untersuchen wir fortgeschrittenere multivariate Ansätze, darunter baumbasierte, Deep-Learning- und vortrainierte Modelle, um die Genauigkeit der Prognosen zu verbessern. Ein wesentlicher Bestandteil unserer Methodik ist die Anwendung hierarchischer Abgleichmethoden, die sicherstellen, dass die Vorhersagen auf Bezirksebene kohärent sind und korrekt zum gesamten stadtweiten Anrufvolumen aggregiert werden. Da das Ziel darin besteht, zu zeigen, dass Machine-Learning- und Deep-Learning-Modelle mit hierarchischem Abgleich traditionelle Zeitreihenmodelle übertreffen, haben wir baumbasierte Modelle wie XGBoost und LightGBM angepasst. Wir haben Kreuzvalidierung für die Hyperparameter-Optimierung verwendet und dabei eine Rolling/Sliding-Window-Split-Methode angewendet. Zusätzlich zu den baumbasierten Modellen haben wir auch mehrere Deep-Learning-Modelle aus der NeuralForecast-Bibliothek von Nixtla (einschließlich LSTM, NHITS und MLPMultivariate) angepasst und das vortrainierte TiRex-Modell von NX-AI getestet. Die Modellleistung wurde anhand des Root Mean Squared Error (RMSE) und des Mean Absolute Error (MAE) sowie anhand von Residual-/Fehlerdiagnosediagrammen bewertet. Die Ergebnisse zeigen, dass baumbasierte Modelle die stärkste Gesamtleistung erzielten, wobei XGBoost die beste Leistung erzielte. Unter den Nixtla-Modellen lieferte LSTM die genauesten Prognosen, während das NHITS-Modell die schwächste Leistung aller getesteten Ansätze zeigte. Insgesamt verbesserten fortschrittliche multivariate Modellierungsansätze die Leistung um etwa 15.8% im Vergleich zu univariaten Basiswerten. Das leistungsstärkste XGBoost-Modell erreichte einen MAE, der etwa 6.7% des durchschnittlichen täglichen Anrufvolumens entspricht.

Austria's population is ageing, and this demographic shift is associated with an increasing demand for emergency ambulance services (EMS). Incorrect estimates of daily call volume can have serious consequences for public health, particularly in densely populated areas such as Vienna. Ambulance fleet allocation in Vienna (managed by MA70) is currently not optimized, as it relies heavily on staff expertise, recent calls patterns, and known events. In this thesis, we aim to analyze temporal patterns, such as trend and seasonality, of ambulance call demand across Vienna's districts, and to develop a time-series forecasting model capable of producing accurate and coherent daily call predictions at both district and citywide levels for one week in advance. These forecasts can support EMS providers (such as MA70 in Vienna) in making more data-informed decisions about ambulance fleet allocation, ultimately helping to reduce response times and improve patient outcomes. We establish univariate baseline forecasts (both at the citywide and district levels) using traditional time-series models such as ARIMA. We then explore more advanced multivariate approaches, including tree-based, deep learning, and pre-trained models, to improve the accuracy of the forecasts. A key component of our methodology is the application of hierarchical reconciliation methods, which ensures that district-level predictions are coherent and aggregate correctly to the total citywide call volume. As the objective is to demonstrate that machine learning and deep learning models with hierarchical reconciliation outperform traditional time series models, we fitted tree-based models such as XGBoost and LightGBM. We used cross-validation for hyperparameter tuning, applying a rolling/sliding window split method. In addition to the tree-based models, we also fitted several deep-learning models from Nixtla's NeuralForecast library (including LSTM, NHITS, and MLPMultivariate) and tested the pre-trained TiRex model from NX-AI. Model performance was evaluated using Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE), along with residual/error diagnostic plots. The results indicate that tree-based models achieved the strongest overall performance, with XGBoost being the top performer. Among the Nixtla models, LSTM produced the most accurate forecasts, whereas the NHITS model showed the weakest performance of all tested approaches. Overall, advanced multivariate modelling approaches improved performance by approximately 15.8% compared to univariate baselines. The best-performing XGBoost model achieved a MAE corresponding to roughly 6.7% of the average daily call volume.