AI 自动翻译
摘要：准确估算救护车的行驶时间对于急救调度至关重要，然而现有的决策支持方法往往依赖于静态查表或对救护车与普通乘用车行驶时间差异的简化假设。例如，这些方法通常假定救护车的行驶速度仅比普通乘用车快一个固定比例（如5%）。然而，此类假设很少得到真实救护车运行数据的验证，也难以捕捉行程优先级、时间背景以及起点—终点等因素的影响。我们基于瑞典斯科讷地区的历史救护车出行数据，有效弥补了上述局限性。分析结果表明，救护车的行驶时间在不同时段、不同日期以及不同行程优先级下存在显著差异，且商用导航系统无法充分反映紧急情况下的特殊动态。为此，我们提出了一套机器学习模型，用于更精准地预测救护车的行驶时间。为提升模型的可解释性，我们采用了SHapley Additive exPlanations（SHAP）和置换重要性等方法，确保模型能够捕获具有实际运营意义的规律与特征。
提交历史
访问 Paper：
查看PDF
HTML（实验性）
TeX 源代码
附加功能
音频摘要
当前浏览上下文：
参考文献与引用
谷歌学术
语义学者
书签
机构
arXivLabs 是一个框架，允许合作者直接在我们的网站上开发并共享新的 arXiv 功能。
无论是个人还是与 arXivLabs 合作的机构，都已认同并践行我们所倡导的开放、社区、卓越以及用户数据隐私等价值观。arXiv 致力于坚守这些价值，并且只与同样秉持这些价值观的合作伙伴开展合作。
您是否有一个能为 arXiv 社区创造价值的项目构想？欢迎了解更多关于 arXivLabs 的信息。