Modelo espacio temporal para la predicción de la demanda de emergencias médicas en Bogotá

Abstract
Bogotá, con más de siete millones de habitantes, enfrenta importantes desafíos en la eficiencia de su sistema de servicios de emergencia. A pesar de contar con 873 ambulancias, la congestión vehicular y la alta demanda provocan tiempos de respuesta superiores a los estándares internacionales. Este trabajo aborda preguntas clave como la identificación de datos relevantes, la selección y evaluación de modelos predictivos, y la representación efectiva de los resultados con el fin de mejorar la asignación de recursos y optimizar la calidad del servicio. El proyecto propone el diseño de un modelo predictivo espaciotemporal para prever la demanda diaria de servicios de emergencias en Bogotá. Se exploran diversos algoritmos de aprendizaje automático y modelos estadísticos, incluidos XGBoost, Random Forest, Redes Neuronales, y modelos de distribución Binomial Negativa, para capturar las dinámicas espaciotemporales. Los resultados esperados incluyen una base de datos completa y validada, una evaluación comparativa de modelos, el desarrollo de un modelo de pronóstico que contribuya a la reducción significativa de los tiempos de respuesta, y un tablero de control interactivo que presente pronósticos detallados.
Description
item.page.descriptioneng
Bogotá, with more than seven million inhabitants, faces significant challenges in the efficiency of its emergency services system. Despite having 873 ambulances, traffic congestion and high demand cause response times higher than international standards. This work addresses key questions such as the identification of relevant data, the selection and evaluation of predictive models, and the effective representation of results in order to improve resource allocation and optimize service quality. The project proposes the design of a spatiotemporal predictive model to predict the daily demand for emergency services in Bogotá. Various machine learning algorithms and statistical models, including XGBoost, Random Forest, Neural Networks, and Negative Binomial distribution models, are explored to capture spatiotemporal dynamics. Expected results include a complete and validated database, a benchmarking of models, the development of a forecasting model that contributes to the significant reduction of response times, and an interactive dashboard that presents detailed forecasts.
Keywords
Emergencias médicas, Espaciotemporal, Demanda, Estadística, Aprendizaje Automático, Medical emergencies, Spatiotemporal, Demand, Statistics, Machine Learning
Citation