Die Einsatzzahlen im Rettungsdienst sind in den letzten Jahren flächendeckend gestiegen und zunehmende Extremwetterlagen stellen auch die Rettungsdienstbereiche vor neue Herausforderungen. Um eine rettungsdienstliche Unterversorgung zu vermeiden und im Rahmen eines effizienten und wirtschaftlichen Flottenmanagements, könnten zuverlässige Prognosen eine frühzeitige bedarfsadaptierte Verlegung von Rettungsmitteln ermöglichen. Aus diesem Grund soll in der vorliegenden Masterarbeit die stündliche Einsatznachfrage im Kölner Rettungsdienst, unter Berücksichtigung von exogenen Einflussfaktoren, analysiert und prognostiziert werden. Zur Verfügung stand ein Datensatz des Einsatzleitrechners der Berufsfeuerwehr Köln aus dem Zeitraum 2017 bis 2019. Als Untersuchungsraum wurde das Einzugsgebiet der Feuer- und Rettungswache 1 in der Kölner Innenstadt ausgewählt. Durch eine induktive Analyse des Datensatzes und eine Literaturrecherche wurden potenzielle zeitliche, meteorologische und lufthygienische Einflussfaktoren identifiziert sowie in stündlicher Auflösung aggregiert. Im Rahmen einer explorativen und deskriptiven Darstellung der multivariaten Zeitreihe wurden nur geringe lineare Korrelationen zwischen der stündlichen Einsatznachfrage und den exogenen Einflussfaktoren festgestellt. Abschließend erfolgte eine Prognose durch eine lineare Regression, ein Entscheidungsbaummodell, ein mehrschichtiges Perzeptron und zwei Long short-term memory-Modelle. Das Entscheidungsbaummodell schnitt mit einer Abweichung von etwas mehr als einem Einsatz pro Stunde am besten ab und es zeigte sich, dass die Gütekriterien aller Modelle von den exogenen Einflussfaktoren deutlich profitierten. Die Verwendung von Prognosen auf Basis von multivariaten Zeitreihendaten birgt somit großes Potenzial und könnte sich, skaliert und dargestellt als Lagekarte, effizienzsteigernd auswirken.
Inhaltsverzeichnis
1 Einleitung …1
2 Stand der Wissenschaft …3
3 Theoretische Grundlagen …5
3.1 Skalenniveaus …5
3.2 Zeitreihen …6
3.2.1 Univariate Zeitreihen …6
3.2.2 Multivariate Zeitreihen …6
3.3 Prognosemodelle …7
3.3.1 Qualitative Prognosemodelle …7
3.3.2 Quantitative Prognosemodelle …7
3.4 Multivariate Analysemethoden …7
3.4.1 Regressionsanalyse …9
3.4.2 Neuronale Netze …23
4 Methodik …35
4.1 Räumlich-zeitliche Faktoren …37
4.2 Meteorologische Faktoren …39
4.2.1 Auswirkungen auf die Umwelt …39
4.2.2 Auswirkungen auf den menschlichen Körper …40
4.3 Datenerhebung …42
4.3.1 Messstation Turiner Straße …43
4.3.2 Messstation Flughafen Köln-Bonn …43
4.3.3 Vergleich der Messstationen …44
4.3.4 Lunardaten …46
4.4 Datenaufbereitung I …46
4.4.1 Einsatzleitrechnerdaten …46
4.4.2 Wetterdaten Turiner Straße …47
4.4.3 Wetterdaten Flughafen Köln-Bonn …47
4.4.4 Finaler Datensatz …48
4.5 Datenanalyse …49
4.5.1 Deskriptive Statistik …50
4.5.2 Explorative Statistik …54
4.6 Datenaufbereitung II …57
4.6.1 Zeit …57
4.6.2 Skalierung …58
4.7 Prognosemodelle …58
4.7.1 Lineare Regression …58
4.7.2 Mehrschichtiges Perzeptron …59
4.7.3 LightGBM …61
4.7.4 LSTM …63
4.7.5 Zusammenfassung …64
5 Modellfindung …65
5.1 Lineare Regression …65
5.1.1 Prüfung der Regressionsfunktion …65
5.1.2 Prüfung der Regressionskoeffizienten …66
5.1.3 Prüfung auf Multikollinearität …67
5.1.4 Prüfung der Residuen …67
5.2 Mehrschichtiges Perzeptron …67
5.2.1 Anpassung der Lernrate …68
5.2.2 Optimierung der Hyperparameter …68
5.2.3 Ergebnisse der Optimierung …69
5.3 LightGBM …69
5.3.1 Optimierung der Hyperparameter …70
5.3.2 Ergebnisse der Optimierung …71
5.4 LSTM …71
5.4.1 Initialisierung …71
5.4.2 Optimierung der Hyperparameter …72
6 Ergebnisse …73
6.1 Gütekriterien …73
6.2 Modellausgabe …77
6.2.1 Lineare Regression …77
6.2.2 LightGBM …78
7 Diskussion …82
7.1 Lineare Regression …82
7.2 LSTM-Modelle …84
7.3 Mehrschichtiges Perzeptron …85
7.4 LightGBM …87
7.5 Vergleich …89
7.5.1 Lokaler Vergleich …89
7.5.2 Globaler Vergleich …92
8 Ausblick …93
9 Fazit …95
2 Stand der Wissenschaft …3
3 Theoretische Grundlagen …5
3.1 Skalenniveaus …5
3.2 Zeitreihen …6
3.2.1 Univariate Zeitreihen …6
3.2.2 Multivariate Zeitreihen …6
3.3 Prognosemodelle …7
3.3.1 Qualitative Prognosemodelle …7
3.3.2 Quantitative Prognosemodelle …7
3.4 Multivariate Analysemethoden …7
3.4.1 Regressionsanalyse …9
3.4.2 Neuronale Netze …23
4 Methodik …35
4.1 Räumlich-zeitliche Faktoren …37
4.2 Meteorologische Faktoren …39
4.2.1 Auswirkungen auf die Umwelt …39
4.2.2 Auswirkungen auf den menschlichen Körper …40
4.3 Datenerhebung …42
4.3.1 Messstation Turiner Straße …43
4.3.2 Messstation Flughafen Köln-Bonn …43
4.3.3 Vergleich der Messstationen …44
4.3.4 Lunardaten …46
4.4 Datenaufbereitung I …46
4.4.1 Einsatzleitrechnerdaten …46
4.4.2 Wetterdaten Turiner Straße …47
4.4.3 Wetterdaten Flughafen Köln-Bonn …47
4.4.4 Finaler Datensatz …48
4.5 Datenanalyse …49
4.5.1 Deskriptive Statistik …50
4.5.2 Explorative Statistik …54
4.6 Datenaufbereitung II …57
4.6.1 Zeit …57
4.6.2 Skalierung …58
4.7 Prognosemodelle …58
4.7.1 Lineare Regression …58
4.7.2 Mehrschichtiges Perzeptron …59
4.7.3 LightGBM …61
4.7.4 LSTM …63
4.7.5 Zusammenfassung …64
5 Modellfindung …65
5.1 Lineare Regression …65
5.1.1 Prüfung der Regressionsfunktion …65
5.1.2 Prüfung der Regressionskoeffizienten …66
5.1.3 Prüfung auf Multikollinearität …67
5.1.4 Prüfung der Residuen …67
5.2 Mehrschichtiges Perzeptron …67
5.2.1 Anpassung der Lernrate …68
5.2.2 Optimierung der Hyperparameter …68
5.2.3 Ergebnisse der Optimierung …69
5.3 LightGBM …69
5.3.1 Optimierung der Hyperparameter …70
5.3.2 Ergebnisse der Optimierung …71
5.4 LSTM …71
5.4.1 Initialisierung …71
5.4.2 Optimierung der Hyperparameter …72
6 Ergebnisse …73
6.1 Gütekriterien …73
6.2 Modellausgabe …77
6.2.1 Lineare Regression …77
6.2.2 LightGBM …78
7 Diskussion …82
7.1 Lineare Regression …82
7.2 LSTM-Modelle …84
7.3 Mehrschichtiges Perzeptron …85
7.4 LightGBM …87
7.5 Vergleich …89
7.5.1 Lokaler Vergleich …89
7.5.2 Globaler Vergleich …92
8 Ausblick …93
9 Fazit …95
Literaturverzeichnis
Arens T, Hettlich F, Karpfinger C, Kockelkorn U, Lichtenegger K, Stachel H (2018) Mathematik. 4. Aufl., Springer, Berlin, Heidelberg.
Backhaus K, Erichson B, Weiber R (Hrsg.) (2015) Fortgeschrittene Multivariate Analysemethoden. Eine anwendungsorientierte Einführung. 3. Aufl., Springer, Berlin, Heidelberg.
Backhaus K, Erichson B, Plinke W, Weiber R (2018) Multivariate Analysemethoden. Eine anwendungsorientierte Einführung. 15. Aufl., Springer, Berlin, Heidelberg.
Baru C (Hrsg.) (2019) 2019 IEEE International Conference on Big Data. Proceedings. Konferenz vom 9. bis 12. Dezember in Los Angeles (CA). IEEE, Piscataway (NJ).
Belsley DA, KU E, WELSCH RE (2005) Regression diagnostics. Identifying influential data and sources of collinearity. Wiley, New York.
Bi Y, Bhatia R, Kappor S (2020) Intelligent Systems and Applications. Springer, Cham.
Bleymüller J (2015) Statistische Formeln und Tabellen. Kompakt für Wirtschaftswissenschaftler. 13. Aufl., Franz Vahlen, München.
Brainard GC, Hanifin JP, Greeson JM, Byrne B, Glickman G, Gerner E, Rollag MD (2001) Action apectrum for melatonin regulation in humans: evidence for a novel circadian photoreceptor. J Neurosc 21 (16): 6405 – 6412.
Bucher K, Wanka E (2007) Das Problem der Wetterfühligkeit. Promet 33 (3/4): 133 – 139. (Abruf: 5. Januar 2022).
Casiraghi L, Spiousas I, Dunster GP, McGlothlen K, Fernénadez-Duque E, Valeggia C, de la Iglesia HO (2021) Moonstruck sleep: Synchronization of human sleep with the moon cycle under field conditions. Sci Adv 7 (5): eabe0465.
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 Manag Sci 10 (1): 25 – 45.
Che Z, Purushotham S, Cho K, Sintag D, Liu Y (2018) Recurrent neural networks for multivariate time series with missing values. Sci Rep 8 (1): 6085.
Chen AY, Lu T-Y, MA MH-M, Sun W-Z (2016) Demand forecast using data analytics for the preallocation of ambulances. IEEE J Biomed Health Inform 20 (4): 1178 – 1187.
Cohen J (1988) Statistical power analysis for the behavioral sciences. 2. Aufl., Taylor and Francis, Hoboken.
Deistler M, Scherrer W (2018) Modelle der Zeitreihenanalyse. Birkhäuser, Cham.
Deutscher Wetterdienst (DWD) (Hrsg.) (2016) Die Feinde des Schnees. (Abruf: 17. Januar 2022).
Deutscher Wetterdienst (DWD) (Hrsg.)(2021) Wetter- und Klimalexikon: Biowetter. (Abruf: 5. Januar 2022).
Deutscher Wetterdienst (DWD) (Hrsg.) (2022a) Wetter- und Klimalexikon: Beaufort-Skala. (Abruf: 25. Januar 2022).
Deutscher Wetterdienst (DWD) (2022b) Wetter- und Klimalexikon: Bodenfrost. (Abruf: 16. Januar 2022).
Diaz C, Conde JE, Estévez D, Pérez Olivero SJ, Pérez Trujillo JP (2003) Application of multivariate analysis and artificial neural networks for the differentiation of red wines from the Canary Islands according to the island of origin. J Agric Food Chem 51 (15): 4303 – 4307.
Ertel W (2021) Grundkurs Künstliche Intelligenz. Eine praxisorientierte Einführung. 5. Aufl., Springer Vieweg, Wiesbaden.
Fahrmeir L, Kneib T, Lang S, Marx B (2013) Regression. Models, methods and applications. Springer, Berlin.
Frank RJ, Davey N, Hunt SP (2001) Time series prediction and neural networks. J Intellig Robot Syst 31 (1/3): 91 – 103.
Göbel H (2018) Einführung in die Halbleiter-Schaltungstechnik. 6. Aufl., Springer, Berlin, Heidelberg.
Goldfeld SM, Quandt RE (1965) Some tests for homoscedasticity. Journal of the American Statistical Association 60 (310) 539 – 547.
Goodfellow I, Bengio Y, Ccourville A (2016) Deep learning. MIT Press, Cambridge (MA).
Guo Y (2017) Hourly associations between heat and ambulance calls. Environ Pollut 220 (Pt B): 1424 – 1428.
Hahnloser RHR, Sarpeshkar R, Mahowald MA, Douglas RJ, Seung HS (2000) Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit. Nature 405 (6789) 947 – 951.
Haupt H, Bory J, Muehling P (1988) Pseudo-croup (acute stenosing laryngotracheitis). Investigation into its relation to the meteorological situation and to the air pollution on the basis of a temporal evaluation. Staub – Reinhalt. Luft 48 (12) 473 – 477.
Hecht-Nielsen R (1987) Counterpropagation networks. Appl Opt 26 (23): 4979 – 4983.
Hochreiter S, Schmidhuber J (1997) Long short-term memory. Neural Comput 9 (8): 1735 – 1780.
Jendritzky G, Fiala D, Havenith G, Koppe C, Laschewski G, Staiger H, Tinz B (2007) Thermische Umweltbedingungen. Promet 33 (3/4): 83 – 94. (Abruf: 5. Januar 2022).
Kinnebrock W (1994) Neuronale Netze. Grundlagen, Anwendungen, Beispiele. 2. Aufl., Oldenbourg, München.
Kleinhenz A (11. Dezember 2019) Bringt die Hitze Rettungsdienste ins Schwitzen? Artikel in Main Post (Abruf: 2. August 2021).
Klose B (2015) Meteorologie. Eine interdisziplinäre Einführung in die Physik der Atmosphäre. 2. Aufl., Springer, Berlin, Heidelberg.
Kockelkorn U (2000) Lineare statistische Methoden. Oldenbourg, Berlin.
Kolen JF, Kremer SC (Hrsg.) (2001) A field guide to dynamical recurrent networks. IEEE Press, New York.
Kong W, Dong ZY, Jia Y, Hill DH, Xu Y, Zhang Y (2019) Short-term residential load forecasting based on LSTM recurrent neural network. IEEE 10 (1): 841 – 851.
Köpke P, Placzek M, Staiger H, Winkler P (2007) Solare UV-Strahlung und ihre Wirkung auf den Menschen. Promet 33 (3/4): 95 – 108. (Abruf: 6. Januar 2022).
Krishnan TV, Bass MF, Kumar V (2000) Impact of al late entrant on the diffusion of a New Product/Service. JMR 37 (2): 269 – 278.
Kruse R, Borgelt C, Braune C, Klawonn F, Moewes C, Steinbrecher M (2015) Computational intelligence. Eine methodische Einführung in künstliche neuronale Netze, evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze. 2. Aufl., Springer Vieweg, Wiesbaden.
Kruskal JB (1964) Multidimensional scaling by optimizing goodness of fit to a nonmetric hypothesis. Psychometrika 29 (1): 1 – 27.
Lewandowsky R (1980) Mittelfristige Prognose- und Marketing-Systeme: De Gruyter, Berlin.
Li H, Chen X, Guo Z, Xu J, Shen Y, Gao X (2021) Data-driven peer-to-peer blockchain framework for water consumption management. Peer-to-Peer Networking and Applications 14 (5): 2887 – 2900.
Lin AX, Ho AFW, Cheong KH, Li L, Cai W, Chee ML, Ng YY, Xiao X, Ong MEH (2020) Leveraging machine learning techniques and engineering of multi-nature features for national daily regional ambulance demand prediction. Int J Environm Resear Publ Health 17 (11): 4179.
Liu F, Cai M, Wang L, Lu Y (2019) An ensemble model based on adaptive noise reducer and over-fitting prevention LSTM for multivariate time series fore-casting. IEEE 7: 26102 – 26115.
Luiz T, Bader F, Pichler B, Huber T, Madler C (2001) Analyse von Notarzteinsätzen in Alten- und Pflegeheimen. Anästh Intensivmed 42: 776 – 783.
Mahmood M, Thornes J, Pope F, Fisher P, Vardoulakis S (2017) Impact of air temperature on London Ambulance call-out incidents and response times. Climate 5 (3): 61.
Malin F, I. Norros I, Innamaa S (2019) Accident risk of road and weather conditions on different road types. Accident, Analysis and Prevention 122: 181-188.
Mischra S (2019) Applications of computing, automation and wireless systems in electrical engineering. Proceedings of MARC 2018. Springer, Singapore. Lecture Notes in Electrical Engineering Ser. v.553.
Mochmann H-C, Arntz HR, Bobbert P (2014) Der Notarzt im Altenheim. Vorurteil und Wirklichkeit. Notf Rett Med 17 (2): 131 – 136.
Nabarro S, Fletcher T, Shawe-Taylor J (28. Juni 2018) Spatiotemporal prediction of ambulance demand using gaussian process regression.
Pruscha H (Hrsg.) (2006) Statistisches Methodenbuch. Springer, Berlin Heidelberg.
Radio Herne (7. August 2020) Herner Rettungsdienst im Dauereinsatz. Beitrag in Radio Herne (Abruf: 2. August 2021).
Radtke R/Statista (2020) Einsatzfahrtaufkommen im öffentlichen Rettungsdienst in Deutschland nach Einsatzart in den Jahren 1994 bis 2017. (Abruf: 28. März 2022).
Rumelhart DE, Hinton GE, Williams RJ (1986) Learning representations by back-propagating errors. Nature 323 (6088) 533 – 536.
Schätti GC (2012) 10-Jahres-Trend von Alkohol- und Drogenintoxikationen basierend auf Rettungseinsätzen in der Stadt Zürich.
Schlink U, Kaminski U, Herbarth O, Schultze E (2007) Atmosphärische Schadstoffe und Gesundheit sowie Luftqualität in deutschen Kurorten. Promet 33 (3/4): 109 – 119. (Abruf: 6. Januar 2022).
Schlittgen R (2013) Regressionsanalysen mit R. Oldenbourg, München.
Schröder M (Hrsg.) (2012) Finanzmarkt-Ökonometrie. Basistechniken, Fortgeschrittene Verfahren, Prognosemodelle. 2. Aufl., Schäffer-Poeschel, Stuttgart.
Shi X, Chen Z, Wang H, Yeung D-Y, Wong W, Woo W (2015) Convolutional LSTM network: a machine learning Approach for precipitation nowcasting. NeuIPS Proceedings 28.
Siami-Namini S, Tavakolin N, Namin AS (2019) The performance of LSTM and BiLSTM in forecasting time series. In: Baru C (Hrsg.) IEEE International Conference on Big Data. Proceedings. Konferenz vom 9. bis 12. Dezember in Los Angeles (CA). IEEE, Piscataway (NJ), S. 3285 – 3292.
Sprecher DA (1965) On the structure of continuous functions of several variables. Transactions of the American Mathematical Society 115: 340 – 355.
Stadt Aachen (Hrsg.) (2020) preRESC. (Abruf: 28. März 2022).
Teichmann L (2021) Anwendung der Methoden und Modelle der Zeitreihenanalyse auf die stündliche Einsatznachfrage im Kölner Rettungsdienst. Stumpf + Kossendey, Edewecht.
Umweltbundesamt (UBA) (Hrsg.) (2019) Stickstoffdioxid: Gesundheitliche Bedeutung von Grenzwerten. (Abruf: 25. Januar 2022).
Umweltbundesamt (UBA) (Hrsg.) (2021). Ozon. (Abruf: 25. Januar 2022).
Vogel J (2015) Prognose von Zeitreihen. Eine Einführung für Wirtschaftswissenschaftler. Springer Gabler, Wiesbaden.
Wartala R (2018) Praxiseinstieg Deep Learning. Mit Python, Caffe, TensorFlow und Spark eigene Deep-Learning-Anwendungen erstellen. O’Reilly, Heidelberg.
Watanabe O, Narita N, Katsuki M, Ishida N, Cai S, Otomo H, Yokota K (2021) Prediction model of deep learning for ambulance transports in Kesennuma City by meteorological data. Open Access Emerg Med 13: 23 – 32.
Wen J, Zhang Z, Yin Z, Sun L, Su S, Yu PS (2019) DeepBlue: Bi-layered LSTM for tweet popUlarity Estimation. In: Baru C (Hrsg.) IEEE International Conference on Big Data. Proceedings. Konferenz vom 9. bis 12. Dezember in Los Angeles (CA). IEEE, Piscataway (NJ), S. 968 – 977.
Will J (1. Februar 2021) Glatteis in Dortmund: Rettungsdienst hilft Sturz-Opfern. Beitrag in Ruhr Nachrichten. (Abruf: 28. März 2022).
Wittge M (28. Dezember 2021) Berliner Feuerwehr am Limit. Wenn der Ausnahmezustand zum Normalzustand wird. Beitrag in BZ-Berlin. (Abruf: 28. März 2022).
Wong H-T, Lai P-C (2014) Weather factors in the short-term forecasting of daily ambulance calls. Int J Biometeorol 58 (5): 669 – 678.
Woolridge JM (2013) Introductory econometrics. A modern approach. 5. Aufl., South-Western Cengage Learning, Mason (OH).
Wüst R (2008) Mathematik. Für Physiker und Mathematiker Band 1: Reelle Analysis und Lineare Algebra. 2. Aufl., Wiley-VCH, Weinheim.
Zell A (2003) Simulation neuronaler Netze. De Gruyter Oldenbourg, München.
Zhao H, Liu F, Li L, Luo C (2018) A novel softplus linear unit for deep convolutional neural networks. Appl Intellig 48 (7): 1707 – 1720.
Zhou Z (2016) Predicting ambulance demand: challenges and methods. ICML Workshops on #Data4Good: Machine Learning in Social Good Apllications, New York (NY).
Backhaus K, Erichson B, Weiber R (Hrsg.) (2015) Fortgeschrittene Multivariate Analysemethoden. Eine anwendungsorientierte Einführung. 3. Aufl., Springer, Berlin, Heidelberg.
Backhaus K, Erichson B, Plinke W, Weiber R (2018) Multivariate Analysemethoden. Eine anwendungsorientierte Einführung. 15. Aufl., Springer, Berlin, Heidelberg.
Baru C (Hrsg.) (2019) 2019 IEEE International Conference on Big Data. Proceedings. Konferenz vom 9. bis 12. Dezember in Los Angeles (CA). IEEE, Piscataway (NJ).
Belsley DA, KU E, WELSCH RE (2005) Regression diagnostics. Identifying influential data and sources of collinearity. Wiley, New York.
Bi Y, Bhatia R, Kappor S (2020) Intelligent Systems and Applications. Springer, Cham.
Bleymüller J (2015) Statistische Formeln und Tabellen. Kompakt für Wirtschaftswissenschaftler. 13. Aufl., Franz Vahlen, München.
Brainard GC, Hanifin JP, Greeson JM, Byrne B, Glickman G, Gerner E, Rollag MD (2001) Action apectrum for melatonin regulation in humans: evidence for a novel circadian photoreceptor. J Neurosc 21 (16): 6405 – 6412.
Bucher K, Wanka E (2007) Das Problem der Wetterfühligkeit. Promet 33 (3/4): 133 – 139. (Abruf: 5. Januar 2022).
Casiraghi L, Spiousas I, Dunster GP, McGlothlen K, Fernénadez-Duque E, Valeggia C, de la Iglesia HO (2021) Moonstruck sleep: Synchronization of human sleep with the moon cycle under field conditions. Sci Adv 7 (5): eabe0465.
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 Manag Sci 10 (1): 25 – 45.
Che Z, Purushotham S, Cho K, Sintag D, Liu Y (2018) Recurrent neural networks for multivariate time series with missing values. Sci Rep 8 (1): 6085.
Chen AY, Lu T-Y, MA MH-M, Sun W-Z (2016) Demand forecast using data analytics for the preallocation of ambulances. IEEE J Biomed Health Inform 20 (4): 1178 – 1187.
Cohen J (1988) Statistical power analysis for the behavioral sciences. 2. Aufl., Taylor and Francis, Hoboken.
Deistler M, Scherrer W (2018) Modelle der Zeitreihenanalyse. Birkhäuser, Cham.
Deutscher Wetterdienst (DWD) (Hrsg.) (2016) Die Feinde des Schnees. (Abruf: 17. Januar 2022).
Deutscher Wetterdienst (DWD) (Hrsg.)(2021) Wetter- und Klimalexikon: Biowetter. (Abruf: 5. Januar 2022).
Deutscher Wetterdienst (DWD) (Hrsg.) (2022a) Wetter- und Klimalexikon: Beaufort-Skala. (Abruf: 25. Januar 2022).
Deutscher Wetterdienst (DWD) (2022b) Wetter- und Klimalexikon: Bodenfrost. (Abruf: 16. Januar 2022).
Diaz C, Conde JE, Estévez D, Pérez Olivero SJ, Pérez Trujillo JP (2003) Application of multivariate analysis and artificial neural networks for the differentiation of red wines from the Canary Islands according to the island of origin. J Agric Food Chem 51 (15): 4303 – 4307.
Ertel W (2021) Grundkurs Künstliche Intelligenz. Eine praxisorientierte Einführung. 5. Aufl., Springer Vieweg, Wiesbaden.
Fahrmeir L, Kneib T, Lang S, Marx B (2013) Regression. Models, methods and applications. Springer, Berlin.
Frank RJ, Davey N, Hunt SP (2001) Time series prediction and neural networks. J Intellig Robot Syst 31 (1/3): 91 – 103.
Göbel H (2018) Einführung in die Halbleiter-Schaltungstechnik. 6. Aufl., Springer, Berlin, Heidelberg.
Goldfeld SM, Quandt RE (1965) Some tests for homoscedasticity. Journal of the American Statistical Association 60 (310) 539 – 547.
Goodfellow I, Bengio Y, Ccourville A (2016) Deep learning. MIT Press, Cambridge (MA).
Guo Y (2017) Hourly associations between heat and ambulance calls. Environ Pollut 220 (Pt B): 1424 – 1428.
Hahnloser RHR, Sarpeshkar R, Mahowald MA, Douglas RJ, Seung HS (2000) Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit. Nature 405 (6789) 947 – 951.
Haupt H, Bory J, Muehling P (1988) Pseudo-croup (acute stenosing laryngotracheitis). Investigation into its relation to the meteorological situation and to the air pollution on the basis of a temporal evaluation. Staub – Reinhalt. Luft 48 (12) 473 – 477.
Hecht-Nielsen R (1987) Counterpropagation networks. Appl Opt 26 (23): 4979 – 4983.
Hochreiter S, Schmidhuber J (1997) Long short-term memory. Neural Comput 9 (8): 1735 – 1780.
Jendritzky G, Fiala D, Havenith G, Koppe C, Laschewski G, Staiger H, Tinz B (2007) Thermische Umweltbedingungen. Promet 33 (3/4): 83 – 94. (Abruf: 5. Januar 2022).
Kinnebrock W (1994) Neuronale Netze. Grundlagen, Anwendungen, Beispiele. 2. Aufl., Oldenbourg, München.
Kleinhenz A (11. Dezember 2019) Bringt die Hitze Rettungsdienste ins Schwitzen? Artikel in Main Post (Abruf: 2. August 2021).
Klose B (2015) Meteorologie. Eine interdisziplinäre Einführung in die Physik der Atmosphäre. 2. Aufl., Springer, Berlin, Heidelberg.
Kockelkorn U (2000) Lineare statistische Methoden. Oldenbourg, Berlin.
Kolen JF, Kremer SC (Hrsg.) (2001) A field guide to dynamical recurrent networks. IEEE Press, New York.
Kong W, Dong ZY, Jia Y, Hill DH, Xu Y, Zhang Y (2019) Short-term residential load forecasting based on LSTM recurrent neural network. IEEE 10 (1): 841 – 851.
Köpke P, Placzek M, Staiger H, Winkler P (2007) Solare UV-Strahlung und ihre Wirkung auf den Menschen. Promet 33 (3/4): 95 – 108. (Abruf: 6. Januar 2022).
Krishnan TV, Bass MF, Kumar V (2000) Impact of al late entrant on the diffusion of a New Product/Service. JMR 37 (2): 269 – 278.
Kruse R, Borgelt C, Braune C, Klawonn F, Moewes C, Steinbrecher M (2015) Computational intelligence. Eine methodische Einführung in künstliche neuronale Netze, evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze. 2. Aufl., Springer Vieweg, Wiesbaden.
Kruskal JB (1964) Multidimensional scaling by optimizing goodness of fit to a nonmetric hypothesis. Psychometrika 29 (1): 1 – 27.
Lewandowsky R (1980) Mittelfristige Prognose- und Marketing-Systeme: De Gruyter, Berlin.
Li H, Chen X, Guo Z, Xu J, Shen Y, Gao X (2021) Data-driven peer-to-peer blockchain framework for water consumption management. Peer-to-Peer Networking and Applications 14 (5): 2887 – 2900.
Lin AX, Ho AFW, Cheong KH, Li L, Cai W, Chee ML, Ng YY, Xiao X, Ong MEH (2020) Leveraging machine learning techniques and engineering of multi-nature features for national daily regional ambulance demand prediction. Int J Environm Resear Publ Health 17 (11): 4179.
Liu F, Cai M, Wang L, Lu Y (2019) An ensemble model based on adaptive noise reducer and over-fitting prevention LSTM for multivariate time series fore-casting. IEEE 7: 26102 – 26115.
Luiz T, Bader F, Pichler B, Huber T, Madler C (2001) Analyse von Notarzteinsätzen in Alten- und Pflegeheimen. Anästh Intensivmed 42: 776 – 783.
Mahmood M, Thornes J, Pope F, Fisher P, Vardoulakis S (2017) Impact of air temperature on London Ambulance call-out incidents and response times. Climate 5 (3): 61.
Malin F, I. Norros I, Innamaa S (2019) Accident risk of road and weather conditions on different road types. Accident, Analysis and Prevention 122: 181-188.
Mischra S (2019) Applications of computing, automation and wireless systems in electrical engineering. Proceedings of MARC 2018. Springer, Singapore. Lecture Notes in Electrical Engineering Ser. v.553.
Mochmann H-C, Arntz HR, Bobbert P (2014) Der Notarzt im Altenheim. Vorurteil und Wirklichkeit. Notf Rett Med 17 (2): 131 – 136.
Nabarro S, Fletcher T, Shawe-Taylor J (28. Juni 2018) Spatiotemporal prediction of ambulance demand using gaussian process regression.
Pruscha H (Hrsg.) (2006) Statistisches Methodenbuch. Springer, Berlin Heidelberg.
Radio Herne (7. August 2020) Herner Rettungsdienst im Dauereinsatz. Beitrag in Radio Herne (Abruf: 2. August 2021).
Radtke R/Statista (2020) Einsatzfahrtaufkommen im öffentlichen Rettungsdienst in Deutschland nach Einsatzart in den Jahren 1994 bis 2017. (Abruf: 28. März 2022).
Rumelhart DE, Hinton GE, Williams RJ (1986) Learning representations by back-propagating errors. Nature 323 (6088) 533 – 536.
Schätti GC (2012) 10-Jahres-Trend von Alkohol- und Drogenintoxikationen basierend auf Rettungseinsätzen in der Stadt Zürich.
Schlink U, Kaminski U, Herbarth O, Schultze E (2007) Atmosphärische Schadstoffe und Gesundheit sowie Luftqualität in deutschen Kurorten. Promet 33 (3/4): 109 – 119. (Abruf: 6. Januar 2022).
Schlittgen R (2013) Regressionsanalysen mit R. Oldenbourg, München.
Schröder M (Hrsg.) (2012) Finanzmarkt-Ökonometrie. Basistechniken, Fortgeschrittene Verfahren, Prognosemodelle. 2. Aufl., Schäffer-Poeschel, Stuttgart.
Shi X, Chen Z, Wang H, Yeung D-Y, Wong W, Woo W (2015) Convolutional LSTM network: a machine learning Approach for precipitation nowcasting. NeuIPS Proceedings 28.
Siami-Namini S, Tavakolin N, Namin AS (2019) The performance of LSTM and BiLSTM in forecasting time series. In: Baru C (Hrsg.) IEEE International Conference on Big Data. Proceedings. Konferenz vom 9. bis 12. Dezember in Los Angeles (CA). IEEE, Piscataway (NJ), S. 3285 – 3292.
Sprecher DA (1965) On the structure of continuous functions of several variables. Transactions of the American Mathematical Society 115: 340 – 355.
Stadt Aachen (Hrsg.) (2020) preRESC. (Abruf: 28. März 2022).
Teichmann L (2021) Anwendung der Methoden und Modelle der Zeitreihenanalyse auf die stündliche Einsatznachfrage im Kölner Rettungsdienst. Stumpf + Kossendey, Edewecht.
Umweltbundesamt (UBA) (Hrsg.) (2019) Stickstoffdioxid: Gesundheitliche Bedeutung von Grenzwerten. (Abruf: 25. Januar 2022).
Umweltbundesamt (UBA) (Hrsg.) (2021). Ozon. (Abruf: 25. Januar 2022).
Vogel J (2015) Prognose von Zeitreihen. Eine Einführung für Wirtschaftswissenschaftler. Springer Gabler, Wiesbaden.
Wartala R (2018) Praxiseinstieg Deep Learning. Mit Python, Caffe, TensorFlow und Spark eigene Deep-Learning-Anwendungen erstellen. O’Reilly, Heidelberg.
Watanabe O, Narita N, Katsuki M, Ishida N, Cai S, Otomo H, Yokota K (2021) Prediction model of deep learning for ambulance transports in Kesennuma City by meteorological data. Open Access Emerg Med 13: 23 – 32.
Wen J, Zhang Z, Yin Z, Sun L, Su S, Yu PS (2019) DeepBlue: Bi-layered LSTM for tweet popUlarity Estimation. In: Baru C (Hrsg.) IEEE International Conference on Big Data. Proceedings. Konferenz vom 9. bis 12. Dezember in Los Angeles (CA). IEEE, Piscataway (NJ), S. 968 – 977.
Will J (1. Februar 2021) Glatteis in Dortmund: Rettungsdienst hilft Sturz-Opfern. Beitrag in Ruhr Nachrichten. (Abruf: 28. März 2022).
Wittge M (28. Dezember 2021) Berliner Feuerwehr am Limit. Wenn der Ausnahmezustand zum Normalzustand wird. Beitrag in BZ-Berlin. (Abruf: 28. März 2022).
Wong H-T, Lai P-C (2014) Weather factors in the short-term forecasting of daily ambulance calls. Int J Biometeorol 58 (5): 669 – 678.
Woolridge JM (2013) Introductory econometrics. A modern approach. 5. Aufl., South-Western Cengage Learning, Mason (OH).
Wüst R (2008) Mathematik. Für Physiker und Mathematiker Band 1: Reelle Analysis und Lineare Algebra. 2. Aufl., Wiley-VCH, Weinheim.
Zell A (2003) Simulation neuronaler Netze. De Gruyter Oldenbourg, München.
Zhao H, Liu F, Li L, Luo C (2018) A novel softplus linear unit for deep convolutional neural networks. Appl Intellig 48 (7): 1707 – 1720.
Zhou Z (2016) Predicting ambulance demand: challenges and methods. ICML Workshops on #Data4Good: Machine Learning in Social Good Apllications, New York (NY).
Lese- und Kaufoptionen
Freier Zugang
Die digitale Version der Masterarbeit ist frei für Sie zugänglich:
PDF: Teichmann-Luis_Prognose der stündlichen Einsatznachfrage im Kölner Rettungsdienst auf Basis einer multivariaten Zeitreihenanalyse _MAHerunterladen
Kaufoptionen
Die gerdruckte Version können Sie als Book on Demand im RETTUNGSDIENST-SHOP bestellen.