[論文レビュー] Agent-Based Modelling: An Overview with Application to Disease Dynamics

Affan Shoukat, Seyed M. Moghadas|arXiv (Cornell University)|Jul 8, 2020

COVID-19 epidemiological studies参考文献 69被引用数 6

ひとこと要約

本稿は、感染症の動態に注目したエージェントベースモデリング（ABM）の理論的および計算的枠組みを提示し、個体レベルの相互作用が集団レベルのパターンをどのように生じさせるかを示している。部分再帰関数とマルコフ過程を用いて形式的基盤を確立し、感染症の広がりをシミュレートする応用を行った。感染伝播確率を調整することで基本再生産数R₀ = 1.6を達成した。

ABSTRACT

Modelling and computational methods have been essential in advancing quantitative science, especially in the past two decades with the availability of vast amount of complex, voluminous, and heterogeneous data. In particular, there has been a surge of interest in agent-based modelling, largely due to its capabilities to exploit such data and make significant projections. However, any well-established quantitative method relies on theoretical frameworks for both construction and analysis. While the computational aspects of agent-based modelling have been detailed in existing literature, the underlying theoretical basis has rarely been used in its construction. In this exposition, we provide an overview of the theoretical foundation of agent-based modelling and establish a relationship with its computational implementation. In addition to detailing the main characteristics of this computational methodology, we illustrate its application to simulating the spread of an infectious disease in a simple, dynamical process. As the use of agent-based models expands to various disciplines, our review highlights the need for directed research efforts to develop theoretical methods and analytical tools for the analysis of such models.

研究の動機と目的

• 部分再帰関数とマルコフ過程に基づいたエージェントベースモデリング（ABM）の理論的基盤を確立すること。
• とりわけ複雑適応系において、計算実装と理論的分析の間のギャップを埋めること。
• 実際の不均一性と確率的性質を反映した、感染症の広がりをシミュレートするABMの有効性を示すこと。
• ABMの応用がさまざまな分野に広がる中で、理論的および分析的ツールの指向的開発の必要性を強調すること。
• 実証疫学的指標（例：R₀）に一致するようにABMをキャリブレーションすることにより、モデルの妥当性と予測的関連性を保証すること。

提案手法

• 部分再帰関数とマーカフ連鎖プロセスを用いてABMを形式化し、理論的基盤を提供すること。
• 個々のエージェントが人間を表す確率的エージェントベースモデルを実装し、健康状態（感受性、感染、回復）に従う事前定義ルールに従わせる。
• 時間ステップアルゴリズムを用いて、感染伝播確率 $ b $ を含む確率的ルールに基づきエージェント状態を更新すること。
• 確率的ばらつきを扱うためにモンテカルロシミュレーション（500回の実行）を適用し、システムの平均的挙動を推定すること。
• 繰り返し調整することで、伝播確率 $ b $ を調整し、シミュレートされた $ \mathcal{R}_0 $ が目標値1.6に一致するようにキャリブレーションすること。
• 感染連鎖や伝播イベントといったミクロレベルのダイナミクスを追跡し、集計的結果を超えた詳細な洞察を提供すること。

実験結果

リサーチクエスチョン

• RQ1 部分再帰関数やマルコフ過程といった数学的構造を用いて、エージェントベースモデリングに形式的理論的枠組みを確立する方法は何か？
• RQ2 感染症伝播において、局所的で不均一なエージェント相互作用が、どのように局所的で多様な相互作用を通じて全体的で顕在的なダイナミクスを捉えることができるか？
• RQ3 エージェントベースモデリングにおける伝播確率を、$ \mathcal{R}_0 = 1.6 $ といった目標疫学的指標に一致させるにはどうすればよいか？
• RQ4 方程式ベースモデルは、特に確率的インスタンスにおいて、ABMで観察される複雑なシステム行動をどの程度再現できるか？
• RQ5 実世界の応用に向けたスケーリングにおいて、ABMの信頼性と効率性を確保するにあたり、計算的および手法的課題は何か？

主な発見

• 伝播確率 $ b = 0.047 $ にキャリブレーションしたABMは、500回のモンテカルロシミュレーションの平均で $ \mathcal{R}_0 = 1.6 $ を達成し、感染症の広がりを適切にシミュレートした。
• 確率的性質のため、個々のシミュレーション実行では多様な感染曲線が得られ、多くの流行が二次伝播が不足することで早期に消滅した。
• すべてのシミュレーション実行の平均値は、多くの個々の実現値よりも低い感染ピークを示しており、これは初期の確率的絶滅の影響を反映している。
• ABMは、通常の式ベースモデルでは得られない、感染連鎖や伝播源といったミクロレベルの観察可能な変数を提供した。
• 式ベースモデルの確率的インスタンス（例：ギルズビー法）では、ABMで観察された特定の行動的パターンを再現できず、ダイナミクスに根本的な違いがあることが示された。
• 本研究は、複雑系解析におけるABMの信頼性、効率性、柔軟性を高めるためのさらなる理論的発展の必要性を強調している。