用于疫情响应规划的高分辨率校园人群行为智能体建模

本文报告了一个将高分辨率基于智能体的建模与仿真应用于大学校园疫情响应规划的案例研究。2020年夏季，我们承担了一个COVID-19疫情响应项目，为宾汉姆顿大学创建整个校园人群的详细行为仿真模型。我们将此问题概念化为多层交通网络上的智能体迁移过程，其中每一层代表一种不同的交通方式。由于没有关于校园人群行为的直接数据，我们收集了尽可能多的间接信息来指导智能体的行为规则。每个智能体被假设在每个交通层内沿两点之间的最短路径移动，并在停车场或公交站切换层，此外还有若干其他行为假设。利用该模型，我们对典型工作日整个校园人群的行为进行了仿真，涉及超过25,000个智能体。我们测量了每个空间位置的密切社会接触频率，并识别出校园内需要大量行为干预的几个繁忙地点和走廊。此外，不同人口密度的系统仿真显示，人口密度降低的效果是非线性的，将人口密度降低至40-45%对于抑制校园疾病传播是最优且足够的。这些结果被报告给大学管理部门，并用于疫情响应规划，取得了成功的结果。