InicioIA y Aprendizaje AutomáticoAsignador de Recursos de Emergencia — Despacho Basado en la Demanda

🚑 Asignador de Recursos de Emergencia — Despacho Basado en la Demanda

Las ambulancias se reposicionan en una cuadrícula urbana mientras un modelo de previsión de demanda predice dónde es probable que surjan las próximas llamadas: observa cómo cae el tiempo de respuesta medio en comparación con el estacionamiento fijo.

IA y Aprendizaje Automático3DAvanzado60 FPS
ai-government-resource-management ↗ Abrir independiente

Acerca de la Asignación de Recursos de Emergencia Basada en la Demanda

Dónde se sitúa una ambulancia mientras está inactiva importa casi tanto como la rapidez con la que conduce una vez despachada. Los servicios médicos de emergencia llevan tiempo confiando en la "gestión del estado del sistema" — reposicionar unidades a lo largo de un turno según curvas de demanda por hora del día — pero la mayoría de las agencias más pequeñas todavía usan puestos fijos y estáticos elegidos a partir de un único promedio histórico. La brecha entre estos dos enfoques es exactamente lo que el software moderno de despacho predictivo está diseñado para cerrar: en lugar de un puñado de esquinas fijas, un modelo espacial de demanda actualizado continuamente le indica a la flota dónde se están abriendo huecos de cobertura ahora mismo, y las unidades inactivas se desplazan hacia ellos antes de que ocurra la siguiente llamada al 112 o al 911.

Esta simulación representa una cuadrícula urbana de 10×10 con tres puntos calientes de demanda sintéticos (centros de población, nudos de transporte, zonas de ocio nocturno) superpuestos sobre una tasa base baja, y genera llamadas de emergencia a partir de esa densidad como un auténtico proceso de llegada de Poisson. Seis ambulancias pueden operar bajo dos políticas de despacho reales: puestos fijos que solo salen para responder y regresan, o reposicionamiento predictivo que recalcula continuamente una puntuación de cobertura ponderada por distancia en toda la cuadrícula y desplaza la unidad inactiva menos útil hacia el hueco más grande. El tiempo de respuesta de cada llamada despachada (distancia en cuadrícula ÷ velocidad, más cualquier retraso de cola) se registra como un promedio móvil para ambas estrategias, de modo que puedas ver cómo el despacho predictivo se adelanta.

Preguntas Frecuentes

¿Qué es el despacho basado en la demanda y en qué se diferencia del estacionamiento estático?

En el estacionamiento estático (también llamado despliegue de puestos fijos), las ambulancias se estacionan en un pequeño número de ubicaciones predeterminadas —a menudo basadas en la densidad histórica media de llamadas— y solo salen para responder a una llamada, regresando después al mismo puesto. El despacho basado en la demanda (o predictivo) recalcula continuamente dónde deben situarse las unidades mientras están inactivas, usando un modelo de dónde es estadísticamente probable que ocurran las próximas llamadas, de modo que la flota se reorganiza en una mejor cobertura entre llamadas en lugar de permanecer quieta. La diferencia clave es la adaptabilidad: el estacionamiento estático optimiza para el promedio a largo plazo, mientras que el despacho basado en la demanda intenta seguir las fluctuaciones a corto plazo de dónde se concentra la demanda.

¿Qué representa el mapa de densidad de demanda, y cómo se construye en sistemas reales de servicios médicos de emergencia?

El mapa de densidad de demanda es una superficie de probabilidad bidimensional sobre el área de servicio que describe cuán probable es que una llamada de emergencia se origine en cada ubicación, por unidad de tiempo. En esta simulación es una superficie sintética fija construida a partir de un pequeño número de puntos calientes gaussianos (que representan centros de población densos, vías principales, zonas de ocio nocturno, etc.) superpuestos sobre una línea base uniforme baja, de modo que ninguna celda tiene un riesgo literalmente nulo. Las agencias reales de servicios médicos de emergencia construyen estos mapas a partir de años de registros de despacho asistido por computadora (CAD), ponderados por hora del día y día de la semana, a menudo actualizados con estimación de densidad de núcleo o modelos de previsión espaciotemporal.

¿Cómo decide realmente el reposicionamiento predictivo dónde mover una ambulancia inactiva?

A intervalos regulares, la simulación puntúa cada celda de la cuadrícula multiplicando su densidad de demanda por su distancia a la ambulancia más cercana, incluidas las que están ocupadas, ya que estas todavía proporcionan una cobertura de respaldo más lenta. Las celdas que tienen alta demanda y están lejos de cualquier unidad obtienen la puntuación más alta: son los huecos de cobertura. El motor entonces encuentra la ambulancia inactiva que actualmente contribuye menos a la cobertura total (aquella cuya eliminación apenas cambiaría la puntuación de cobertura), y mueve esa unidad hacia el hueco con mayor puntuación. Esta optimización de cobertura voraz y ponderada por distancia es una versión simplificada del "problema de ubicación de máxima cobertura esperada" (MEXCLP, por sus siglas en inglés) utilizado en software real de gestión del estado del sistema.

¿Por qué el reposicionamiento predictivo supera al estacionamiento estático, y en qué medida en la práctica?

Los puestos estáticos son óptimos solo para el patrón de demanda promedio; en cuanto se despacha una unidad, la cobertura de la flota restante se desequilibra hasta que esa unidad regresa. El reposicionamiento predictivo cierra esos huecos de inmediato desplazando las unidades inactivas hacia las áreas de alta densidad recién descubiertas, de modo que la siguiente llamada —que tiene más probabilidades de ocurrir cerca de un punto caliente— cuenta con una unidad disponible más cercana. Estudios publicados sobre gestión del estado del sistema informan mejoras en el tiempo de respuesta del orden del 15-30% frente al despliegue de puestos fijos para el mismo tamaño de flota; el propio gráfico de promedio móvil de esta simulación normalmente muestra una brecha similar una vez que se acumulan suficientes llamadas.

¿Cuáles son los costes y las compensaciones de reposicionar unidades con frecuencia?

Reposicionar no es gratis: cada movimiento consume combustible, añade desgaste al vehículo y, lo más importante, mantiene a las tripulaciones trabajando (conduciendo, estacionándose en zonas desconocidas) en lugar de descansar, lo que contribuye a la fatiga y la rotación del personal en los sistemas reales de servicios médicos de emergencia. Un reposicionamiento demasiado agresivo también puede causar "oscilación", en la que las unidades persiguen una previsión de demanda que cambia antes de que lleguen, desperdiciando precisamente el ahorro de tiempo que la estrategia pretende producir. Los despliegues reales limitan la frecuencia con la que se puede mover una unidad y solo reposicionan una fracción de la flota inactiva a la vez; esta simulación modela un único intervalo de reposicionamiento y no incluye esos costes secundarios.

¿Cómo se calcula aquí el tiempo de respuesta, y cómo se corresponde con las métricas reales de despacho?

El tiempo de respuesta en esta simulación es la distancia Manhattan (de cuadrícula) desde la posición de la unidad que responde en el momento del despacho hasta la ubicación de la llamada, dividida por el ajuste de velocidad de la ambulancia, más cualquier tiempo que la llamada haya pasado en cola esperando que una unidad quedara libre. El tiempo de respuesta en el mundo real incluye además el tiempo de procesamiento de la llamada en el centro de despacho, el tiempo de salida de la tripulación y el tiempo de viaje real por la red de carreteras en lugar de la distancia de cuadrícula directa; esta simulación elimina esos factores para aislar el efecto de la estrategia de posicionamiento, la variable que el despacho predictivo realmente controla.

¿Se generaliza este enfoque a la asignación de recursos policiales y de bomberos?

Sí: las matemáticas subyacentes (una estimación espacial de densidad de demanda junto con una regla de asignación y reposicionamiento que maximiza la cobertura) se comparten entre los distintos ámbitos de seguridad pública. La asignación de patrullas policiales utiliza un enrutamiento de patrullas basado en puntos calientes similar, y los cuerpos de bomberos usan software comparable de gestión del estado del sistema para reposicionar autobombas y camiones de escalera según modelos de riesgo por hora del día. La principal diferencia es el modelo de respuesta: las llamadas policiales y de bomberos a menudo requieren tipos específicos de unidades en lugar de cualquier unidad intercambiable, lo que convierte el problema de asignación en un problema de emparejamiento más restringido que el modelo de un solo tipo de unidad mostrado aquí.

⚙ Bajo el capó

Las ambulancias se reposicionan en una cuadrícula urbana mientras un modelo de previsión de demanda predice dónde surgirán las próximas llamadas.

Three.jsWebGLIAAprendizaje Automático

3D · Motor Three.js / WebGL · Objetivo de 60 FPS · Funciona totalmente en el cliente, sin instalación

¿Qué encontraste?

Añadir pasos de reproducción (opcional)