[论文解读] 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 6

一句话总结

本文提出了一套理论与计算框架，用于基于代理的建模（ABM），重点关注疾病动态，展示了个体层面的互动如何产生群体层面的涌现模式。该框架基于偏递归函数和马尔可夫过程建立了形式化基础，并将模型应用于传染病传播的模拟，通过校准传播概率使基本再生数达到 R₀ = 1.6。

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.

研究动机与目标

• 建立基于偏递归函数和马尔可夫过程的基于代理的建模（ABM）的理论基础。
• 弥合ABM中计算实现与理论分析之间的差距，尤其是在复杂自适应系统中的应用。
• 展示ABM在模拟具有现实异质性与随机性的传染病传播方面的实用性。
• 强调随着ABM在各学科中应用的扩展，亟需开展针对理论与分析工具的定向研究。
• 将ABM校准以匹配实际流行病学指标（如 R₀），确保模型的有效性与预测相关性。

提出的方法

• 使用偏递归函数和马尔可夫链过程对ABM进行形式化，以提供理论基础。
• 实现一个具有个体代理的随机基于代理模型，每个代理代表一个群体中的人，各自遵循预定义的健康状态规则（易感、感染、康复）。
• 使用时间步进算法，根据概率规则更新代理状态，包括以校准概率 $ b $ 进行的感染传播。
• 应用蒙特卡洛模拟（500次运行）以考虑随机变异性，并估计系统的平均行为。
• 通过迭代调整传播概率 $ b $，使模拟得到的 $ \mathcal{R}_0 $ 与目标值 1.6 匹配，完成校准。
• 追踪微观层面的动力学，如感染链和传播事件，以提供超越整体水平结果的详细洞察。

实验结果

研究问题

• RQ1 如何利用偏递归函数和马尔可夫过程等数学构造，为基于代理的建模建立正式的理论框架？
• RQ2 在疾病传播中，ABM在多大程度上可以通过局部的、异质的代理互动捕捉到全局的涌现动力？
• RQ3 如何将ABM中的传播概率校准，以匹配目标流行病学指标（如 $ \mathcal{R}_0 = 1.6 $）？
• RQ4 基于方程的模型在复制ABM中观察到的复杂系统行为方面存在哪些局限性，特别是在随机实现的情况下？
• RQ5 在将ABM扩展至现实世界应用时，确保其可靠性与效率面临哪些计算与方法论挑战？

主要发现

• ABM成功模拟了疾病传播，校准后的传播概率为 $ b = 0.047 $，在500次蒙特卡洛模拟中平均 $ \mathcal{R}_0 = 1.6 $。
• 由于随机性，各次独立模拟运行产生了多样的感染曲线，许多疫情因缺乏二次传播而早期消亡。
• 所有模拟运行的平均值显示的峰值发病率低于许多单次实现的结果，反映出早期随机灭绝的影响。
• ABM提供了感染链和传播源等微观层面可观测量，这是标准基于方程模型无法获取的。
• 基于方程模型的随机实现（如Gillespie算法）未能再现ABM中观察到的某些行为模式，表明两者在动力学上存在根本性差异。
• 本研究强调了未来理论发展的必要性，以提升ABM在复杂系统分析中的可靠性、效率与适应性。