Previsão de eventos emergenciais utilizando séries temporais e aprendizado de máquina

Abstract

Situações emergenciais podem ocorrer devido a causas naturais (e.g. condições meteoro- lógicas) além de outras (e.g. acidentes). Para que as ocorrências sejam tratadas de forma eficaz, unidades de atendimento são instaladas e configuradas estrategicamente, baseadas em questões geográficas e demanda causada por incidentes que ocorrem em cada região. Entretanto, eventos emergenciais variam com o tempo, devido a diversos fatores tais quais meteorológicos e eventos sociais podem modificar a dinâmica das ocorrências. Então, a eficiência das instalações do departamento de bombeiros é posicionada de acordo com a média de incidentes por essas dinâmicas, especialmente quando elas não estão preparadas para picos nos números de ocorrências. Técnicas para previsões de eventos emergenciais com bons resultados podem possibilitar melhor tomada de decisão. Contudo, predições de eventos emergenciais precisas ainda são um desafio, apesar de recentes desenvolvimentos em aprendizagem de máquina. Esse trabalho visa explorar séries temporais de eventos emergenciais para construir modelos ARIMA, RNN e LSTM para prever eventos emer- genciais atrelado ao tempo e espaço. Outros dados, como dados históricos meteorológicos e geográficos relacionados a áreas de risco também serão considerados para a construção de diferentes modelos. A performance desses modelos e soluções referentes ao estado da arte serão avaliadas para comparar a qualidade das predições.

Emergency situations can occur due to natural causes (e.g. meteorological conditions) and other ones (e.g. accidents). In order for occurrences to be handled efficiently, service facilities must be strategically installed and configured, based on geographic issues and the demand occasionated by incidents that happen in each region. However, emergency events vary over time, as several factors such as meteorological and social events can change the dynamics of occurrences. Thus, the efficiency of fire department facilities positioned according to incident averages is hindered by these dynamics, especially when these facilities are not prepared for peaks in the number of occurrences. Emergency event forecasting techniques with good results can enable better decision making. However, accurate forecasting of emergency events is still a challenge, despite the recent develop- ments in machine learning. This work aims to exploit temporal series of emergency events to build ARIMA, RNN and LSTM models to predict emergency events along time and space. Other data, such as historic meteorological data and geographic data related to risky areas will also be considered for building distinct models. The performance of these models and state-of-the-art solutions will be evaluated to compare prediction quality.