A time-series modeling framework for spatially-segmented emergency event prediction using multimodal data

Abstract

Com o aumento do número de emergências e a ausência de soluções eficientes para prevê-las, a tarefa de alocar recursos tornou-se cada vez mais difícil. Esse desafio é agravado pelo fato de que as emergências podem estar relacionadas a contextos espaciais e temporais, exigindo ferramentas e técnicas especializadas para explorar essas relações de forma eficiente. Esta tese aborda a seguinte questão central de pesquisa: Podem as técnicas de aprendizado de máquina e métodos estatísticos prever com precisão eventos de emergência em diferentes horizontes temporais, melhorando assim a tomada de decisão quando combinadas com fontes de dados multimodais? Para responder a essa pergunta, propomos um framework para predição de eventos de emergência chamado FORESEE (Forecasting Of Regional Emergencies using Spatial and Temporal Event Evaluation). A novidade deste framework reside na integração de modelagem regionalizada por meio de segmentação espacial, no tratamento de dados mistos (multimodais) para aprimorar o desempenho preditivo e na previsão multi-passo em diferentes horizontes temporais. Os experimentos demonstram que combinar segmentação espacial com arquiteturas de deep learning aprimora significativamente a previsão de eventos de emergência em diferentes horizontes temporais. Experimentos conduzidos com vários anos de dados reais do sul do Brasil mostram que modelos especializados superam consistentemente abordagens generalistas. Por exemplo, modelos LSTM segmentados espacialmente alcançaram uma redução de 17,8% em MAE, saindo de 1,57 para 1,29, confirmando que a regionalização melhora significativamente o poder preditivo. Nossos resultados demonstram que a consideração de múltiplas macro-regiões ao longo de sete anos de dados, aliada à incorporação de informações multimodais, como condições climáticas e calendário, contribui para uma modelagem mais robusta e contextualizada das ocorrências. Além disso, o Temporal Fusion Transformer (TFT) superou tanto modelos tradicionais (como ARIMA) quanto abordagens de deep learning, alcançando ganhos de até 1,28 MAE em relação aos métodos concorrentes. Os mecanismos de interpretabilidade do TFT, como camadas de atenção e redes de seleção de variáveis, fornecem percepções sobre como variáveis exógenas influenciam dinamicamente as previsões, oferecendo uma transparência crucial para adoção operacional. O framework também possibilita previsões robustas de múltiplos passos à frente, produzindo resultados precisos desde horizontes de curto prazo até 15 dias adiante, o que é essencial para alocação proativa de recursos, planejamento de equipes e mitigação de riscos. Esses achados confirmam que técnicas de aprendizado de máquina e métodos estatísticos podem, de fato, prever com precisão eventos de emergência em diferentes horizontes temporais e, quando combinadas com dados multimodais, aprimoram substancialmente a tomada de decisão.

Abstract: With the increasing number of emergencies and the absence of efficient solutions topredict them, the task of allocating resources has become increasingly difficult. Thischallenge is further aggravated by the fact that emergencies may be linked to spatialand temporal contexts, requiring specialized tools and techniques to efficiently explorethese relationships. This thesis addresses the following central research question: Canmachine learning techniques and statistical methods accurately predict emergencyevents across different temporal horizons, thereby improving decision-making whencombined with multimodal data sources? To answer this question, we propose a frame-work for emergency event prediction called FORESEE (Forecasting Of Regional Emer-gencies using Spatial and Temporal Event Evaluation). The novelty of this frameworklies in the integration of regionalized modeling through spatial segmentation, the han-dling of multimodal data to enhance predictive performance, and multi-step forecastingacross different temporal horizons. Our experiments show that combining spatial seg-mentation with deep learning architectures significantly improves emergency eventprediction across various time horizons. Experiments conducted with several years ofreal-world data from southern Brazil demonstrate that specialized models consistentlyoutperform generalist approaches. For example, spatially segmented LSTM modelsachieved a 17.8% reduction in MAE, decreasing from 1.57 to 1.29, confirming thatregionalization substantially enhances predictive power. Our results also show thatconsidering multiple macro-regions over seven years of data, together with the incor-poration of multimodal information such as weather conditions and calendar features,contributes to a more robust and context-aware modeling of emergency occurrences.In addition, the Temporal Fusion Transformer (TFT) outperformed both traditionalmodels (such as ARIMA) and deep learning approaches, achieving gains of up to1.28 MAE compared to competing methods. The interpretability mechanisms of TFT,such as attention layers and variable selection networks, provide insights into howexogenous variables dynamically influence predictions, offering crucial transparencyfor operational adoption. The framework also enables robust multi-step forecasting,producing accurate results from short-term horizons up to 15 days ahead, which isessential for proactive resource allocation, team planning, and risk mitigation. Thesefindings confirm that machine learning techniques and statistical methods can indeedaccurately predict emergency events across different temporal horizons and, whencombined with multimodal data, substantially enhance decision-making.