[論文レビュー] Foursquare to The Rescue: Predicting Ambulance Calls Across Geographies

Anastasios Noulas, Colin Moffatt+2 more|arXiv (Cornell University)|Jan 29, 2018

Data-Driven Disease Surveillance参考文献 24被引用数 3

ひとこと要約

本研究では、ノースウェストイングランドの下位スーパー出力地域（LSOAs）における救急車要請件数の複数ソース予測モデルを提案する。Foursquareのチェックイン、昼間人口推定値、および社会的脆弱性指標を統合している。Foursquareのチェックインが、意識を失う・気を失う、および過剰摂取・中毒といった夜間の緊急事態の予測を顕著に向上させ、従来の居住人口データを上回ることを示している。

ABSTRACT

Understanding how ambulance incidents are spatially distributed can shed light to the epidemiological dynamics of geographic areas and inform healthcare policy design. Here we analyze a longitudinal dataset of more than four million ambulance calls across a region of twelve million residents in the North West of England. With the aim to explain geographic variations in ambulance call frequencies, we employ a wide range of data layers including open government datasets describing population demographics and socio-economic characteristics, as well as geographic activity in online services such as Foursquare. Working at a fine level of spatial granularity we demonstrate that daytime population levels and the deprivation status of an area are the most important variables when it comes to predicting the volume of ambulance calls at an area. Foursquare check-ins on the other hand complement these government sourced indicators, offering a novel view to population nightlife and commercial activity locally. We demonstrate how check-in activity can provide an edge when predicting certain types of emergency incidents in a multi-variate regression model.

研究の動機と目的

• ノースウェストイングランドにおける下位スーパー出力地域（LSOAs）という細かい地理的粒度での救急車要請件数の空間的予測を改善すること。
• 特にFoursquareのチェックインを含む非伝統的データソースが、緊急医療需要の地理的変動を説明する役割を果たすかどうかを調査すること。
• 異なる種類の救急事故を予測する際、人口統計、社会経済的要因、およびリアルタイムの移動行動指標の相対的な重要性を評価すること。
• 静的居住人口ではなく、動的昼間人口が緊急サービス需要を予測する際に優れているかどうかを評価すること。
• 空間的格差に関するデータドリブンな知見を通じて、公衆衛生政策および緊急サービス計画を支援すること。

提案手法

• 多変量線形回帰モデルを構築：$ y_i = \textbf{x}_i^T \boldsymbol{\beta} + \boldsymbol{\nu}_i $、ここで $ y_i $ は地域 $ i $ における救急車要請件数、$ \textbf{x}_i $ には昼間人口、社会的脆弱性指標、Foursquareチェックインなどの予測変数が含まれる。
• 多重共線性を軽減するために、すべての予測変数を平均を引いて標準偏差で割ることで標準化した。
• モデル性能の主な評価指標として、10の予測タスク（合計要請1件と、9種類の特定の事故タイプ）における調整済み決定係数 $ R^2 $ を使用した。
• 変数の重要度分析として、各予測変数を順次除外し、それに伴う $ R^2 $ の低下量を測定。最大低下量で正規化することで相対的重要度を算出した。
• 開かれた政府データ（例：社会的脆弱性指標、人口統計）とFoursquareの位置ベースのチェックインデータを統合し、リアルタイムの都市活動パターンを捉えた。
• 昼間人口を、各LSOAにおける16歳未満の住民、労働者、65歳以上の住民の合計として定義し、非居住活動の代理指標とした。

実験結果

リサーチクエスチョン

• RQ1 昼間人口と居住人口を比較した場合、LSOAsにおける救急車要請件数の予測においてどちらが優れているか？
• RQ2 Foursquareのチェックインパターンは、ナイトライフや商業活動に関連する事故タイプの予測をどの程度向上させるか？
• RQ3 特に複数の脆弱性指標（Index of Multiple Deprivation）を含む、社会的・人口統計的要因の中で、救急車要請件数と強く相関する要因は何か？
• RQ4 さまざまな種類の緊急事故（例：転倒、意識を失う・気を失う、過剰摂取）は空間的にどのように共起しているか。また、それらの地理的分布を最もよく説明する予測変数は何か？
• RQ5 Foursquareのような位置ベースのサービスから得られるリアルタイムのデジタル移動行動データは、緊急需要モデル化における動的人口活動の信頼できる代理指標として機能するか？

主な発見

• 合計救急車要請件数を予測する際、モデルは調整済み $ R^2 $ を 0.702 に達し、すべての入力変数が強い説明力を持つことを示している。
• 昼間人口は救急車要請件数とピアソン相関係数 $ r = 0.68 $ を示し、居住人口（$ r = 0.18 $）を著しく上回った。
• Foursquareのチェックインは、9種類の事故タイプのうち8つについて統計的に有意な予測変数であり、正の回帰係数が確認され、チェックイン頻度の増加と要請件数の増加が関連していることを示している。
• 意識を失う・気を失う事故では、Foursquareのチェックインが最も重要な予測変数であり、昼間人口や社会的脆弱性指標を上回った。
• 複数の脆弱性指標が、大多数の事故タイプにおいて最も重要な変数であり、呼吸器障害、心絞り、精神的・自殺関連の要請において顕著であった。
• Foursquareのチェックインは、過剰摂取・中毒の事故の予測精度を、昼間人口を上回って向上させ、ナイトライフや商業活動のパターンを捉える価値が顕著に示された。