[論文レビュー] Models for managing the impact of an epidemic

Daniel Bienstock, Ana Cecilia Langle Zenteno|arXiv (Cornell University)|Jul 30, 2015

Facility Location and Emergency Management参考文献 46被引用数 5

ひとこと要約

本稿では、インフルエンザパンデミック期における緊急スタッフの配置を最適化するレジリエントな最適化フレームワークを提案する。感染率の不確実性を敵対的モデリングで取り入れ、古典的なSEIR感染拡大モデルと統合している。カラム生成とベンダース分解を用い、ウォームスタート手順を組み合わせることで、あらゆる可能性のある最悪の流行シナリオ下での運用影響を最小化する配置戦略を、35秒未塔で近似的最適解として効率的に算出している。

ABSTRACT

In this paper we consider robust models for emergency staff deployment in the event of a flu pandemic. We focus on managing critical staff levels at organizations that must remain operational during such an event, and develop methodologies for managing emergency resources with the goal of minimizing the impact of the pandemic. We present numerical experiments using realistic data to study the effectiveness of our approach. The underlying methodology is that of robust optimization; we model the problem as an infinite linear program which is approximately solved using a variant of Benders decomposition.

研究の動機と目的

• インフルエンザパンデミック期における人的資材の限界を考慮し、運用上の混乱を最小限に抑えるための手法を開発すること。
• 感染拡大の進行に伴う不確実性（特に感染率）を、確率的予測に依存するのではなく、最悪シナリオをモデル化することで扱うこと。
• 外部ソースからの制限された可用性や遅延した配置を含む、緊急スタッフ配置における物流的制約を考慮すること。
• 大規模かつ現実的な計画問題にスケーラブルな計算効率の高いソリューション手法を設計すること。
• 実際のデータを用いた数値実験により、本手法の有効性を検証し、レジリエンスと効率性を示すこと。

提案手法

• 古典的なSEIR感染拡大モデルと、不確かな感染率に対する敵対的モデリングを組み合わせ、最悪の流行進行を表現する。
• あらゆる妥当な流行シナリオ下での最大運用影響を最小化するための、ロバスト最適化フレームワークを構築する。
• 大規模かつ非凸な最適化問題を解くために、カラム生成とベンダース分解を用い、収束を加速する新規のウォームスタート手順を導入する。
• ウォームスタート手順は、与えられた配置戦略に対して最悪のシナリオを繰り返し特定し、それに対応する制約をマスタープロブレムに追加する。
• 収束の保証と終了のため、双対ギャップの許容誤差と最大反復回数の制限を用いる。
• 実装はAMPLと商用ソルバを活用し、計算性能はソルブ時間と双対ギャップを指標として測定する。

実験結果

リサーチクエスチョン

• RQ1 感染拡大の進行が不確実な状況下で、どのようにして運用影響を最小化するように緊急スタッフを配置できるか？
• RQ2 大規模なパンデミック計画問題にロバスト最適化手法を適用した際の計算効率はどの程度か？
• RQ3 敵対的シナリオ生成を用いたウォームスタート手順は、ベンダース分解における反復回数をどの程度削減できるか？
• RQ4 提案されたモデルは、限られたスパルスタンス容量や遅延した配置といった現実的な物流的制約を適切に扱えるか？
• RQ5 パンデミック期の人材不足に対する最悪シナリオ計画において、解の品質と計算時間のトレードオフはどのようなものか？

主な発見

• ウォームスタート手順を強化したアルゴリズムにより、収束に必要な反復回数が削減され、テスト例では双対ギャップが0.005%未満にまで低下した。
• ロバスト最適化問題の合計計算時間は35秒を上回らなかった。これは高い計算効率を示している。
• 本手法は、与えられた配置戦略下で運用影響を最大にする最悪のシナリオ（p1=0.01172, p2=0.0135, day ch=140）を的確に同定した。
• 強化により、最初の8回の反復後、たった1回の追加反復で収束に至った。
• 最適解の下限と上限が非常に近接して収束しており、高い解の正確性が裏付けられた。
• 本手法は、さまざまなシナリオにおいて数値的に正確かつ効率的であった。実世界のパンデミック計画への実用的応用が妥当であることが検証された。