[论文解读] Hybrid metapopulation agent-based epidemiological models for efficient insight on the individual scale: a contribution to green computing

Julia Bicker, René Schmieding+2 more|arXiv (Cornell University)|Jun 6, 2024

Innovation Diffusion and ForecastingDecision Sciences被引用 3

一句话总结

本文提出了一种混合元种群基于代理的建模框架，将基于代理的模型（ABMs）用于高分辨率个体层面动态，同时结合方程模型（EBMs）实现更广泛、计算高效的群体层面动态。通过仅在感兴趣区域或时间段内应用ABMs，而在其他区域（尤其是通勤和疾病输入方面）使用EBMs，计算成本最高可降低98%，同时不损失个体尺度的洞察，为流行病学建模中的绿色计算做出了重要贡献。

ABSTRACT

Emerging infectious diseases and climate change are two of the major challenges in 21st century. Although over the past decades, highly-resolved mathematical models have contributed in understanding dynamics of infectious diseases and are of great aid when it comes to finding suitable intervention measures, they may need substantial computational effort and produce significant CO2 emissions. Two popular modeling approaches for mitigating infectious disease dynamics are agent-based and population-based models. Agent-based models (ABMs) offer a microscopic view and are thus able to capture heterogeneous human contact behavior and mobility patterns. However, insights on individual-level dynamics come with high computational effort that scales with the number of agents. On the other hand, population-based models using e.g. ordinary differential equations (ODEs) are computationally efficient even for large populations due to their complexity being independent of the population size. Yet, population-based models are restricted in their granularity as they assume a (to some extent) homogeneous and well-mixed population. To manage the trade-off between computational complexity and level of detail, we propose spatial- and temporal-hybrid models that use ABMs only in an area or time frame of interest. To account for relevant influences to disease dynamics, e.g., from outside, due to commuting activities, we use population-based models, only adding moderate computational costs. Our hybridization approach demonstrates significant reduction in computational effort by up to 98% -- without losing the required depth in information in the focus frame. Concluding, hybrid epidemiological models can provide insights on the individual scale where necessary, using aggregated models where possible, thereby making a contribution to green computing.

研究动机与目标

• 解决大规模流行病学模拟中详细基于代理的模型（ABMs）带来的高计算成本问题。
• 通过最小化不必要的高分辨率模拟，减少计算建模产生的二氧化碳排放。
• 在最关键的位置保持个体尺度的疾病动态精度，同时在其他区域使用粗粒度模型。
• 开发一种通用、可重用的空间-时间混合建模框架，整合ABMs与EBMs。
• 证明混合模型可在显著降低资源使用的同时，实现与纯ABMs几乎相同的洞察。

提出的方法

• 该框架仅在指定的空间区域或感兴趣的时间窗口内使用基于代理的模型（ABMs），以确保精细的个体动态至关重要。
• 在所有其他区域和时间段内使用方程模型（EBMs）来模拟群体层面动态，包括通过通勤引入的疾病传播。
• 空间混合通过在重点区域使用ABMs、在周边区域使用EBMs实现，利用通勤矩阵来模拟区域间传播。
• 时间混合仅在关键疫情阶段（如早期传播）应用ABMs，而EBMs负责其余模拟时间线。
• 混合模型在ABM与EBM组件之间动态交换边界条件和感染状态，以保持一致性。
• 该方法使用两个模型进行验证：一个合成四阱势模型和一个包含通勤数据的真实慕尼黑大都市区模型。

实验结果

研究问题

• RQ1 混合建模方法是否能在显著降低计算成本的同时，维持个体尺度的疾病动态？
• RQ2 方程模型在多大程度上能准确表示外部影响（如疾病输入）对本地ABM重点区域的影响？
• RQ3 通过仅将高分辨率ABM模拟限制在最相关的空间或时间域，能节省多少计算工作量？
• RQ4 与完整ABM相比，混合模型是否能保留关键流行病学结果（如感染峰值时间与攻击率）？
• RQ5 该框架是否可推广至其他ABM-EBM组合及现实世界情景？

主要发现

• 与完整基于代理的模拟相比，混合模型将计算工作量最高降低了98%，同时未牺牲重点区域的分辨率。
• 在慕尼黑案例研究中，混合模型准确再现了完整ABM的感染峰值时间和攻击率，关键指标偏差小于2%。
• 基于通勤的EBM耦合实现的空间混合成功捕捉了区域间流动对本地疫情的影响，结果与完整ABM一致。
• 仅在疫情早期阶段激活ABM的时间混合策略，在保留随机动力学的同时，将模拟时间减少了90%以上。
• 模型在混合边界处保持了稳定的传播动态和疾病进展，证明了ABM与EBM组件之间状态转移的鲁棒性。
• 该框架具有可扩展性，适用于任何ABM与EBM的组合，可实现高效、符合绿色计算要求的传染病传播建模。