論文の概要: Geospatial Tessellation in the Agent-In-Cell Model: A Framework for Agent-Based Modeling of Pandemic

• arxiv url: http://arxiv.org/abs/2309.07055v1
• Date: Wed, 13 Sep 2023 16:13:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-14 13:29:25.216631
• Title: Geospatial Tessellation in the Agent-In-Cell Model: A Framework for Agent-Based Modeling of Pandemic
• Title（参考訳）: エージェント・イン・セルモデルにおける地理空間的テッセルレーション:パンデミックのエージェントベースモデリングのためのフレームワーク
• Authors: Amir Mohammad Esmaieeli Sikaroudi, Alon Efrat, Michael Chertkov
• Abstract要約: 「Agent-in-the-cell」モデルでは、さまざまなシナリオで拡散する新型コロナウイルスの動態をシミュレートしている。 アジェント・イン・ザ・セル(Agent-in-the-cell)の概念は、我々の代表エージェントであるメタエージェントが、市内のテッセル化において特定のホーム細胞と結びついていることを示している。 本研究は, アメリカ合衆国内の小都市(サンタフェ, NM), 中都市(シアトル, WA), 大都市(シカゴ, IL)を対象とする。
• 参考スコア（独自算出の注目度）: 0.4527270266697462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agent-based simulation is a versatile and potent computational modeling technique employed to analyze intricate systems and phenomena spanning diverse fields. However, due to their computational intensity, agent-based models become more resource-demanding when geographic considerations are introduced. This study delves into diverse strategies for crafting a series of Agent-Based Models, named "agent-in-the-cell," which emulate a city. These models, incorporating geographical attributes of the city and employing real-world open-source mobility data from Safegraph's publicly available dataset, simulate the dynamics of COVID spread under varying scenarios. The "agent-in-the-cell" concept designates that our representative agents, called meta-agents, are linked to specific home cells in the city's tessellation. We scrutinize tessellations of the mobility map with varying complexities and experiment with the agent density, ranging from matching the actual population to reducing the number of (meta-) agents for computational efficiency. Our findings demonstrate that tessellations constructed according to the Voronoi Diagram of specific location types on the street network better preserve dynamics compared to Census Block Group tessellations and better than Euclidean-based tessellations. Furthermore, the Voronoi Diagram tessellation and also a hybrid -- Voronoi Diagram - and Census Block Group - based -- tessellation require fewer meta-agents to adequately approximate full-scale dynamics. Our analysis spans a range of city sizes in the United States, encompassing small (Santa Fe, NM), medium (Seattle, WA), and large (Chicago, IL) urban areas. This examination also provides valuable insights into the effects of agent count reduction, varying sensitivity metrics, and the influence of city-specific factors.
• Abstract（参考訳）: エージェントベースシミュレーションは、様々な分野にまたがる複雑なシステムや現象を分析するために、多用途で強力な計算モデリング技術である。 しかし、その計算強度のため、地理的に考慮された場合、エージェントベースのモデルはより資源需要が高まる。 本研究は,都市を模擬したエージェントベースモデル「Adnt-in-the-cell」を製作するための多様な戦略を考察する。 これらのモデルは、都市の地理的属性を取り入れ、safegraphの公開データセットから実世界のオープンソースのモビリティデータを活用し、さまざまなシナリオで拡散する新型コロナウイルスのダイナミクスをシミュレートする。 エイジェント・イン・ザ・セル(agent-in-the-cell)」という概念は、我々の代表的エージェントであるメタエイジェントが、市内のテッセル化の特定の家庭細胞と結びついていることを示している。 我々は,モビリティマップの複雑度が異なるテッセレーションを調査し,実人口のマッチングから計算効率のための(メタ)エージェント数の減少まで,エージェント密度を実験する。 以上の結果から, 街路ネットワーク上の特定位置のボロノイ図に従って構築されたテッセレーションは, 国勢調査ブロック群テッセレーションに比べてダイナミックスを保ち, ユークリッド系テッセレーションよりも優れていることが示された。 さらに、Voronoi Diagramテッセルレーションと、Voronoi DiagramとCensus Block Groupベースのハイブリッドは、フルスケールのダイナミクスを適切に近似するためにメタエージェントを少なくする必要がある。 解析対象は米国内の都市規模で,小規模(サンタfe,nm),中規模(seattle,wa),大規模都市(chicago,il)を対象とする。 本試験は, エージェント数削減効果, 感度指標の変化, 都市固有の要因の影響について, 貴重な知見を提供する。

関連論文リスト

• A Short Survey of Human Mobility Prediction in Epidemic Modeling from Transformers to LLMs [0.0]
  疫病の流行をモデル化するためには、人々がどう動くかを理解することが不可欠である。 人口移動の予測は、公衆衛生上の緊急時のモデルや効果的な対応計画の策定に不可欠である。 BERTやLLM(Large Language Models)のような事前訓練された言語モデルを用いて,モビリティ予測タスクに特化して,さまざまなアプローチをレビューする。
  論文  参考訳（メタデータ） (2024-04-25T17:52:19Z)
• An AI-enabled Agent-Based Model and Its Application in Measles Outbreak Simulation for New Zealand [5.4017711896476905]
  エージェントベースモデル(ABM)は、複雑な社会的相互作用を研究する強力なツールとして登場した。 グラフニューラルネットワーク(GNN)とLong Short-Term Memory(LSTM)を結合したテンソル化・微分可能なエージェントベースモデルを開発した。 本稿では、最新の人工知能(AI)技術と従来のABMの能力を活用して、伝染病の発生のダイナミクスについてより深い知見を得る。
  論文  参考訳（メタデータ） (2024-03-06T03:36:07Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Tk-merge: Computationally Efficient Robust Clustering Under General Assumptions [0.0]
  トリミングされたk平均と階層的アグロメレーションに基づく2段階のハイブリッドロバストクラスタリングアルゴリズムを提案する。 また、本手法の自然な一般化と、データ駆動方式で汚染量を推定する適応的な手順を提案する。
  論文  参考訳（メタデータ） (2022-01-17T13:05:05Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Decentralized MCTS via Learned Teammate Models [89.24858306636816]
  本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。 深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-19T13:10:20Z)
• TDEFSI: Theory Guided Deep Learning Based Epidemic Forecasting with Synthetic Information [8.681583244827936]
  TDEFSIは低分解能時系列データを用いて正確な高分解能予測を行う。 我々は、シーズン内とシーズン間の両方の低分解能観測を行うために、2分岐リカレントニューラルネットワークモデルを訓練する。 予測は観測データによって駆動されるが、特定の都市部の複雑な社会的、人口統計学的、地理的属性をキャプチャする。
  論文  参考訳（メタデータ） (2020-01-28T20:51:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。