불확실성 하에서 구급차 운용을 위한 새로운 휴리스틱

초록

본 논문은 구급차 선택과 재배치 의사결정을 위한 네 가지 새로운 휴리스틱(BM, NM, GHP1, GHP2)과 두 단계 확률계획을 결합한 롤아웃 방식을 제안한다. 실제 대도시 EMS 데이터를 이용해 실시간 2~3초 내에 최적에 근접한 배치를 제공함을 입증하였다.

상세 분석

이 연구는 구급차 운용 문제를 “선택‑재배치”라는 두 단계 의사결정 구조로 명확히 분리하고, 각각에 대해 전통적인 가장 가까운 가용 구급차 규칙을 넘어서는 휴리스틱을 설계했다. 선택 단계에서는 BM(Best Myopic) 휴리스틱이 현재 비용을 최소화하는 가용 구급차를 선택하고, NM(Non‑Myopic) 휴리스틱은 미래 수요 분포를 추정해 기대 비용을 최소화한다. GHP1·GHP2는 각각 비용‑시간 가중치를 다르게 적용한 탐욕적 규칙으로, GHP2는 다중 환자 호출 상황을 위한 확장형을 포함한다. 재배치 단계에서는 대기열에 남은 응급콜의 위치, 연령, 유형, 그리고 구급차·팀의 기술 수준을 종합적으로 고려하는 여러 전략을 제시한다. 특히, 병원에서의 청소 가능 여부에 따라 청소 스테이션 선택을 동적으로 결정하는 점이 실무적 가치를 높인다.

핵심 기법은 두 단계 확률계획(stochastic two‑stage program)을 매 순간 해결하고, 제안된 휴리스틱을 이용해 두 번째 단계의 기대 비용을 빠르게 근사한다는 롤아웃 접근법이다. 이때 첫 단계는 현재 상태(가용 구급차, 대기열, 위치 등)를 입력으로 하며, 두 번째 단계는 미래 사건(새로운 호출, 서비스 완료 등)의 시나리오를 샘플링한다. 휴리스틱 기반 비용 근사는 전통적인 시뮬레이션 기반 근사보다 수십 배 빠르면서도 5% 이내의 최적성 손실만을 보인다.

실험에서는 브라질 대도시의 실제 EMS 로그(연간 200,000건 이상)를 사용해 기존 가장 가까운 가용 구급차 규칙, 준비도 기반 규칙, 그리고 최근 제시된 근사 동적 프로그래밍 방법과 비교했다. 롤아웃+BM 조합은 평균 응답시간을 12.4% 단축했고, 롤아웃+NM은 14.1% 단축했다. 또한, 각 의사결정이 2~4초 내에 완료되어 실시간 운영에 충분히 적용 가능함을 증명했다.

이 논문의 기여는 (1) 선택·재배치 각각에 특화된 네 가지 휴리스틱 설계, (2) 두 단계 확률계획에 휴리스틱을 효율적으로 삽입한 롤아웃 프레임워크, (3) 실제 대규모 EMS 데이터에 대한 광범위 실증 검증이다. 특히, 다중 환자 호출, 청소 스테이션 선택, 구급차·팀 능력 이질성 등을 포괄적으로 모델링한 점이 기존 연구와 차별화된다. 향후 연구는 강화학습 기반 정책과의 하이브리드, 그리고 지역별 위험도 모델을 통합해 더욱 정교한 사전 예측을 수행할 여지를 남긴다.