[论文解读] 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 4

一句话总结

本文提出 DeepPPMNet，一种基于全局 LSTM 的预测框架，通过整合多个地方自治区域（LGAs）之间的跨系列信息，提升紧急医疗服务体系（EMS）需求预测的准确性。通过结合季节性分解与格兰杰因果关系分析，该框架可实现精确的因果性“假设分析”——例如，实证表明，酒精销售许可数量增加10%，可能导致某些 LGA 的 EMS 需求预测值最高上升15%，显著优于当前最先进的单变量模型。

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.

研究动机与目标

• 解决单变量预测模型忽略多个地方自治区域（LGAs）之间 EMS 需求跨系列模式的局限性。
• 开发一种统一的全局预测框架，以捕捉多系列 EMS 需求数据中的共享时间模式与结构性关系。
• 利用格兰杰因果关系实现因果推断，识别外部因素（如酒精销售许可）对 EMS 需求的影响。
• 通过可操作的‘假设’情景分析，支持基于证据的政策制定，例如评估改变酒精许可法规的影响。
• 证明该框架在预测准确性和生成政策相关洞察方面优于当前最先进的单变量方法。

提出的方法

• DeepPPMNet 采用全局预测方法（GFM），在一个单一的长短期记忆网络（LSTM）上联合训练所有可用的 EMS 需求时间序列，以利用不同 LGA 之间的共享模式。
• 该框架引入两种季节性分解训练范式——季节性嵌入（SE）与分解季节性（DS），以应对 EMS 数据中多样的季节性与趋势特征。
• 应用格兰杰因果关系分析，评估将外部因素（如酒精销售许可）作为外生变量纳入后是否能提升预测性能。
• 将外部因素（如酒精销售许可，ALI）作为外生输入整合进模型，以评估其对酒精相关（AO）EMS 需求的因果影响。
• 通过模拟外部因素（如 ALI 的 ±5% 和 ±10% 变化）的变化，支持‘假设’情景分析，并测量预测 EMS 需求的相应变化。
• 采用对称平均绝对百分比误差（sMAPE）与平均绝对标度误差（MASE）评估模型性能，并通过霍赫伯格方法进行显著性检验。

实验结果

研究问题

• RQ1 基于全局 LSTM 的框架是否能在多个 LGA 中优于单变量预测模型，实现对 EMS 需求的预测？
• RQ2 外部因素（如酒精销售许可，ALI）在多大程度上格兰杰因果于酒精相关 EMS 需求？
• RQ3 ALI 的变化如何影响不同 LGA 中预测的 EMS 需求？其结果能否为政策决策提供依据？
• RQ4 整合季节性分解技术是否能提升异质性 EMS 需求时间序列的预测准确性？
• RQ5 在全局预测模型中引入外部因素（如 ALI）是否具有预测价值，以支持政策相关的‘假设’情景分析？

主要发现

• DeepPPMNet-SE-License 在所有模型中取得最低的平均 sMAPE（0.1411）与中位数 sMAPE（0.1334），显著优于 Prophet 与 ARIMAX 等其他模型。
• DeepPPMNet-DS-License 在格兰杰因果检验中表现出最高显著性，p 值为 1.729 × 10⁻⁴，表明 ALI 对 AO 相关 EMS 需求具有强因果影响。
• 在 LGA-1 中，ALI 增加 10% 导致预测的 EMS 需求上升约 15%；而 ALI 减少 10% 则使需求下降相似幅度，表明模型对政策杠杆具有高度敏感性。
• 在 LGA-2 中，ALI 的增加对预测需求影响微乎其微，表明酒精许可政策对 EMS 使用的影响存在显著区域异质性。
• 该框架成功识别出 ALI 是 AO 相关 EMS 需求的重要因果因素，且通过霍赫伯格方法确认了统计显著性（ARIMA、ETS 与 DeepPPMNet-DS 的 p < 0.05）。
• 与单变量方法相比，利用跨系列信息的全局建模显著提升了预测准确性，表现为所有指标下 sMAPE 与 MASE 值持续更低。