基于库普曼表示的早期暴发预警与多智能体传染病仿真中的最小反事实干预

本文提出一种基于库普曼方法的框架，用于多智能体传染病仿真中的早期暴发检测与干预选择。智能体表现出 mobility 模式、异构易感性、免疫相关的病毒负荷演进，以及通过共处的局部传播。仿真目标是研究近临界暴发态 regime，其中微小的暴露或时机变化即可改变最终结果。来自早期轨迹窗口的聚合每日可观测量被编码进低维库普曼潜在空间，其近似线性演化支持短期预测和暴发风险估计。这些表示与随机森林分类器结合，用于预测最终感染率是否超过主要暴发阈值。在系统临界点附近的实验显示出强大的早期警报性能，库普曼特征对类别分离贡献显著。反事实分析进一步表明，仅通过对单个智能体一天的居家限制，即可降低感染率，并常常将轨迹压制在暴发阈值以下。