基于可扩展百万智能体强化学习的微观疫情模拟器用于疫情预测
机器学习
2021-08-17 v1 人工智能
多智能体系统
摘要
微观传染病模型是政府决策者预测和模拟疫情暴发的有力工具，能够捕捉个体行为对宏观现象的影响。然而，现有模型仅考虑基于简单规则的个体行为，限制了其适用性。本文提出一种由深度强化学习驱动的微观模型，称为微观疫情模拟器（Microscopic Pandemic Simulator, MPS）。通过用行为受奖励最大化驱动的合理智能体替代基于规则的智能体，MPS 更好地逼近了真实世界的动态。为在 MPS 中高效模拟海量智能体，我们提出可扩展百万智能体 DQN（Scalable Million-Agent DQN, SMADQN）。MPS 使我们能够有效评估不同政府策略的影响。本文首先针对美国 Allegheny 的真实世界数据对 MPS 进行校准，随后示范性地评估了两种政府策略：信息披露与隔离。结果验证了所提方法的有效性。作为广泛影响，本文为 DRL 在大规模基于智能体的网络（如经济和社会网络）中的应用提供了新颖见解。
引用
@article{arxiv.2108.06589,
title = {A Microscopic Pandemic Simulator for Pandemic Prediction Using Scalable Million-Agent Reinforcement Learning},
author = {Zhenggang Tang and Kai Yan and Liting Sun and Wei Zhan and Changliu Liu},
journal= {arXiv preprint arXiv:2108.06589},
year = {2021}
}
备注
14 pages