基于深度学习的城市疫情Agent-Based模拟器空间显式仿真
多智能体系统
2023-01-31 v2 计算机与社会
机器学习
摘要
Agent-Based模型（基于主体的模型）对于物理或社会过程的模拟非常有用，例如城市中疫情的蔓延。此类模型通过指定个体（主体）的行为及其交互，并基于城市的地理与人口特征，将感染过程参数化。然而，此类模型计算代价极高，其复杂度通常正比于主体总数。这严重限制了此类模型在模拟中的使用，而模拟往往需运行数百次以进行政策规划乃至模型参数估计。一种替代方案是开发仿真器（emulator），即一种可根据初始条件与参数预测Agent-Based模拟器输出的代理模型。本文讨论一种基于膨胀卷积神经网络（Dilated Convolutional Neural Network）的深度学习模型，可高精度地仿真此类基于主体的模型。我们表明，使用该模型替代原始Agent-Based模型可大幅提升模拟速度，从而实现更快速地对观测值进行校准，以及更广泛的情景分析。我们所考虑的模型是空间显式的，因为其模拟的是感染个体的位置而非总量。我们仿真框架的另一特点是其分而治之的方法：将城市划分为若干小型重叠区块并并行仿真，之后将结果合并。这确保了同一仿真器可适用于任意规模的城市，并且相较于原始模拟器，显著改善了仿真器的时间复杂度。
引用
@article{arxiv.2205.14396,
title = {Deep Learning-based Spatially Explicit Emulation of an Agent-Based Simulator for Pandemic in a City},
author = {Varun Madhavan and Adway Mitra and Partha Pratim Chakrabarti},
journal= {arXiv preprint arXiv:2205.14396},
year = {2023}
}