Anwendung der Methoden und Modelle der Zeitreihenanalyse auf die stündliche Einsatznachfrage im Kölner Rettungsdienst
Abstract
In nahezu jedem Rettungsdienstbereich lässt sich ein Anstieg an Notfalleinsätzen und damit einhergehend ein höherer Bedarf an Rettungsmitteln beobachten. Daraus resultieren Einsatzspitzen, die durch den Regelrettungsdienst nicht abgedeckt werden können, und es entsteht eine Unterdeckung. Dies wird auch als Risikofall bezeichnet und birgt die Gefahr, dass ein Rettungsmittel nicht innerhalb der vorgeschriebenen Hilfsfrist am Notfallort eintreffen kann.
Einführung
In nahezu jedem Rettungsdienstbereich lässt sich ein Anstieg an Notfalleinsätzen und damit einhergehend ein höherer Bedarf an Rettungsmitteln beobachten. Daraus resultieren Einsatzspitzen, die durch den Regelrettungsdienst nicht abgedeckt werden können, und es entsteht eine Unterdeckung. Dies wird auch als Risikofall bezeichnet und birgt die Gefahr, dass ein Rettungsmittel nicht innerhalb der vorgeschriebenen Hilfsfrist am Notfallort eintreffen kann.
Um einen potenziellen Risikofall im Vorfeld absehen und einsatztaktische Ausgleichsmaßnahmen innerhalb eines Rettungsdienstbereiches ergreifen zu können, soll deshalb die Einsatznachfrage in stündlicher Auflösung prognostiziert werden. Dazu wurde die Einsatz-Zeit-Reihe 2017 der hochfrequentierten Feuer- und Rettungswache 1 in der Kölner Innenstadt analysiert und ein saisonales ARIMA-Modell sowie ein Erwartungswert-Modell auf die Einsatz-Zeit-Reihe des Folgejahres 2018 angewandt. Gezeigt werden konnte, dass sich die Einsatz-Zeit-Reihe mit einer mittleren absoluten Abweichung von etwas mehr als einem Einsatz prognostizieren lässt. Außerdem konnte mit einer Skalierung der Prognose über die Anzahl einsatzbereiter Rettungswagen jeder Risikofall in einem einwöchigen Anwendungstest vorhergesagt werden. Dabei zeigte sich, dass nicht die Prognosegüte in der Stunde der Einsatzspitze relevant ist, sondern die Prognosegüte in der Folgestunde. Die Prognosen haben somit, wenn sie skaliert werden, eine hohe einsatztaktische Relevanz und ermöglichen kurzfristige Ausgleichsmaßnahmen im Tagesgang.
Literaturverzeichnis
Bishop CM (2010) Neural networks for pattern recognition. Oxford University Press, Oxford.
Bourguignon M, Vasconcellos KLP, Reisen VA, Ispány M (2016) A Poisson INAR(1) process with a seasonal structure. JSCS 86 (2): 373-387.
Brockwell PJ, Davis RA (2016) Introduction to Time Series and Forecasting. 3. Aufl., Springer, Cham.
Brown RG, Hwang PYC (2012) Introduction to random signals and applied Kalman filtering. With MATLAB exercises. 4. Aufl., Wiley, Hoboken.
Bruce-Boye C, Staats J, Watts D (2016) Optimierung der Fahrplanprognose für die Beschaffung elektrischer Energie durch Einsatz messtechnisch ermittelter Kundenlastgänge anstelle von Standardlastprofilen. (Abruf: 9. Oktober 2019).
Channouf N, L'Ecuyer P, Ingolfsson A, Avramidis AN (2007) The application of forecasting techniques to modeling emergency medical system calls in Calgary, Alberta. Health Care Management Sci 10 (1): 25-45.
Deistler M, Scherrer W (2018) Modelle der Zeitreihenanalyse. Birkhäuser, Cham.
Fahmeir L (2016) Statistik: Der Weg zur Datenanalyse. 8. Aufl., Springer, Berlin, Heidelberg.
Fahmeir L, Kneib T, Lang S, Marx B (2013) Regression. Models, Methods and Applications. Springer, Dordrecht.
Hamilton JD (1994) Time series analysis. Princeton University Press, Princeton.
Heinz K (1969) Beitrag zur Anwendung von Warteschlangenmodellen beim innerbetrieblichen Transport. VS, Wiesbaden.
Hofmann T (2018) Personalengpässe im Rettungsdienst: Was muss sich ändern? RETTUNGSDIENST 41 (10): 936-940.
Hyndman RJ, Koehler AB (2006) Another look at measures of forecast accuracy. Int J Forecast 22 (4): 679-688.
Kim S, Kim H (2016) A new metric of absolute percentage error for intermittent demand forecasts. Int J Forecast 32 (3): 669-679.
Klenke A (2013) Wahrscheinlichkeitstheorie. 3. Aufl., Springer Spektrum, Berlin.
Lamperti J (1977) Stochastic Processes. A Survey of the Mathematical Theory. Springer, New York.
Lewis PAW (Hrsg.) (1972) Stochastic point processes. Statistical analysis, theory, and applications. Wiley, New York.
Lindenberg H, Schriever K-H, Nuske M, Heller W-D (2015) Stochastische Systeme. Markoffketten - Stochastische Prozesse - Warteschlangen. De Gruyter, Berlin, Boston.
Moghram I, Rahman S (1989) Analysis and evaluation of five short-term load forecasting techniques. IEEE Transactions on Power Systems 4 (4): 1484-1491.
Rinne H (2008) Taschenbuch der Statistik. 4., Aufl. Harri Deutsch, Frankfurt am Main.
Schlittgen R (2001) Zeitreihenanalyse. Oldenbourg, München.
Schiedel R, Behrendt H, Betzler E (2012) Regelwerk zur Bedarfsplanung Rettungsdienst. Mendel, Witten.
Vogel J (2015) Prognose von Zeitreihen. Eine Einführung für Wirtschaftswissenschaftler. Springer Gabler, Wiesbaden.
Webel K, Wied D (2016) Stochastische Prozesse. Eine Einführung für Statistiker und Datenwissenschaftler. 2. Aufl., Springer Gabler, Wiesbaden.
Zhou Z (2016) Predicting Ambulance Demand: Challenges and Methods. (Abruf: 12. Dezember 2021).
Schlagwörter
Teichmann, Luis (2021) Anwendung der Methoden und Modelle der Zeitreihenanalyse auf die stündliche Einsatznachfrage im Kölner Rettungsdienst. Stumpf + Kossendey, Edewecht.
Verwandte Arbeiten
