Çok kollu haydutlar ile dinamik ambulans konumlandırma

Abstract

Bir ülkenin acil yardım sistemlerinin iyileştirilmesi, daha çok acil vakaya zamanında müdahale edilmesi ve daha çok hayatın kurtarılmasını sağlar. 112 Acil Yardım sisteminin bir parçası olan ambulans konumlandırma problemi, ambulansların vakalara mümkün olan en kısa sürede ulaşmasını sağlayacak şekilde konumlandırılmasını sağlayan birçok yöntemden oluşur. Bu çalışmada ambulanslar, literatürdeki yöntemlerin aksine, bir çok kollu haydut (ÇKH) algoritması kullanılarak konumlandırılmaktadır. OpenStreetMap (OSM) harita uygulaması kullanılarak oluşturulmuş iki yönlü kenarlardan ve toplam 2400 düğümden oluşan bir Ankara şehri haritası üzerinde konumlandırma işlemi yapılmaktadır. Düğümler üzerindeki vaka dağılımları ve aralarındaki seyahat süreleri ÇKH algoritması tarafından bilinmemektedir ve zamanla öğrenilmektedir. Bu öğrenim keşif ve istifade arasındaki ödünleşim sistemi ile sağlanmaktadır. Algoritma karşılaştırmaları için literatürde sıkça kullanılan ve dinamik bir konumlandırma yöntemi olan DMEXCLP modeli kullanılmıştır. Simülasyonlarda algoritma karşılaştırmaları için iki ölçüt değerlendirilmiştir: 1) vakalara ortalama müdahale süresi ve 2) 15 dakika altında varılan vaka yüzdesi. Sonuç olarak aynı şartlar altında önerilen ÇKH algoritmasının DMEXCLP modeline göre bu iki ölçüt açısından daha iyi performans verdiği gösterilmiştir.

Improving a country's emergency medical services results in serving more calls on time and saving more lives in return. The ambulance redeployment problem, which is a part of the 112 Emergency Medical system in Turkey, consists of many methods that aim to redeploy ambulances in a way to minimize arrival times to calls. In this study, unlike many methods in the redeployment literature, ambulances are redeployed by a multiarmed bandit (MAB) algorithm. Using OpenStreetMap (OSM), a graph model that consists of 2400 nodes and bi-directional edges is constructed as a simplified map of Ankara for ambulance redeployment. Call distributions and travel times between the nodes are not known by the MAB algorithm beforehand and learned on the way. This learning process takes place via a mechanism called exploration and exploitation. The MAB algorithm is compared against a well-known dynamic redeployment optimization model called DMEXCLP. Two criteria are considered when comparing the performance of the algorithms during simulation: 1) the average arrival times and 2) the percentage of calls responded under 15 minutes. In conclusion, it is shown that under the same conditions the MAB algorithm performs better than the DMEXCLP model in terms of the two criteria.