[論文レビュー] Towards Accurate Predictions and Causal 'What-if' Analyses for Planning and Policy-making: A Case Study in Emergency Medical Services Demand

Kasun Bandara, Christoph Bergmeir+3 more|arXiv (Cornell University)|Apr 25, 2020

Forecasting Techniques and Applications参考文献 33被引用数 4

ひとこと要約

本論文では、複数の地方自治体（LGAs）にわたるEMS需要のクロスシリーズ情報を利用し、緊急医療サービス（EMS）需要予測を改善するグローバルLSTMベースの予測フレームワーク、DeepPPMNetを提案する。季節的分解とGranger因果関係を統合することで、正確な因果的「もしも」分析が可能となり、特に、アルコール販売許可の10％増加が特定のLGAsで予測されるEMS需要を最大15％まで引き上げる可能性があることが実証された。これは、最先端の単変量モデルを上回る結果である。

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.

研究の動機と目的

• 複数の地方自治体（LGAs）にわたるEMS需要のクロスシリーズパターンを無視する単変量予測モデルの限界を是正すること。
• 多変量EMS需要時系列データにおける共通する時間的パターンと構造的関係を捉えることのできる統合的グローバル予測フレームワークの開発。
• Granger因果関係を用いた因果的推論により、アルコール販売許可など外部要因がEMS需要に与える影響を同定すること。
• アルコール販売許可規制の変更がもたらす影響を含む、行動可能な「もしも」シナリオ分析を通じて、根拠に基づく政策立案を支援すること。
• 予測精度と政策関連のインサイト生成の両面で、最先端の単変量手法を上回ることを実証すること。

提案手法

• DeepPPMNetは、すべての利用可能なEMS需要時系列にわたって一括して学習を行うグローバル予測手法（GFM）を採用し、LGAs間で共有されるパターンを活用する。
• EMSデータに見られる多様な季節的およびトレンド特性に対応するため、季節的埋め込み（SE）と分解済み季節的（DS）の2つの季節的分解トレーニングパラダイムをフレームワークに統合する。
• 外部要因（例：アルコール販売許可）が予測性能を向上させるかどうかを評価するために、Granger因果関係が適用される。
• アルコール関連（AO）EMS需要に与える因果的影響を評価するために、外部要因（例：アルコール販売許可（ALI））を外部入力変数として統合する。
• 外部要因（例：ALIの±5％および±10％変更）の変更をシミュレートすることで「もしも」シナリオ分析を支援し、予測されたEMS需要への影響を測定する。
• モデルの性能評価には、対称平均絶対誤差率（sMAPE）と平均絶対スケーリング誤差（MASE）が用いられ、有意性検定にはHochberg法が適用される。

実験結果

リサーチクエスチョン

• RQ1 グローバルLSTMベースのフレームワークは、複数のLGAsにおけるEMS需要予測において、単変量予測モデルを上回ることができるか？
• RQ2 アルコール販売許可（ALI）などの外部要因が、アルコール関連EMS需要にGranger因果関係を示す程度はどの程度か？
• RQ3 ALIの変化が、異なるLGAsにおける予測されたEMS需要に与える影響は何か？また、政策意思決定にどのように寄与できるか？
• RQ4 季節的分解技術の統合は、多様性のあるEMS需要時系列における予測精度を向上させるか？
• RQ5 外部要因（例：ALI）をグローバル予測モデルに組み込むことで、政策関連の「もしも」分析における予測的価値は得られるか？

主な発見

• DeepPPMNet-SE-Licenseは、最小の平均sMAPE（0.1411）と中央値sMAPE（0.1334）を達成し、Prophet や ARIMAX を含むすべての他のモデルを上回った。
• DeepPPMNet-DS-Licenseは、Granger因果関係検定で最高の有意性を示し、p値が1.729 × 10⁻⁴であった。これは、ALIがAO関連EMS需要に影響を与える強力な証拠である。
• LGA-1では、アルコール販売許可の10％増加により、EMS需要が15％上昇すると予測された。逆に10％減少させると同程度の減少が予測され、政策の意思決定要因としての感受性が明確になった。
• LGA-2では、ALIの増加が予測された需要にほとんど影響を及ぼさなかった。これは、アルコール販売許可の影響が地域によって異なり得ることを示唆している。
• フレームワークは、ALIがAO関連EMS需要の有意な因果要因であることを明確に特定した。Hochberg法による有意性検定で、ARIMA、ETS、およびDeepPPMNet-DSのすべてでp < 0.05が確認された。
• クロスシリーズ情報を利用したグローバルモデリングは、単変量アプローチに比べて予測精度を顕著に向上させた。すべての指標で、sMAPEおよびMASEの値が一貫して低く抑えられた。