优先级、工作负荷、地理、天气及运行时间如何共同塑造响应时间变异和极端延迟。
分析2017–2022年斯德哥尔摩1,144,754次急救任务，将运行、地理和天气变量纳入回归与机器学习。
研究方法
分析2017–2022年斯德哥尔摩1,144,754次急救任务，将运行、地理和天气变量纳入回归与机器学习。
主要发现
优先级最重要，但工作负荷、呼叫原因、地理、降水、温度和运行时间相互作用；较低优先级呈明显长尾。
运行意义
管理应监测所有优先级的完整分布和极端延迟，而不只关注最高优先级的中位数。
解释边界
研究缺少交通数据、仅来自一个地区，模型表现不等同于可实时部署。