Model Markov Berbasis Agen — Simulasi Hibrida dengan Agen Otonom dan Transisi Keadaan Markov
- Diperkenalkan oleh
- Hybrid approach synthesized from Bonabeau (ABM) and Norris/classical Markov chain literature
- Tahun
- 2000s
- Jenis
- Hybrid simulation — agent-based modeling with Markov state transitions
- Keluarga
- Simulation / optimization
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Model Markov Berbasis Agen (ABMM) adalah kerangka kerja simulasi hibrida yang menyematkan logika transisi keadaan rantai Markov di dalam agen otonom individual. Setiap agen secara independen mengambil sampel keadaan berikutnya dari matriks transisi probabilitas, memungkinkan model untuk menangkap baik heterogenitas tingkat mikro di antara agen maupun struktur probabilistik rantai Markov yang dapat dikelola.
Pendekatan ini banyak digunakan dalam ekonomi kesehatan, epidemiologi, ilmu sosial, dan riset operasi.
Intuisi di balik metode
Bayangkan populasi individu, masing-masing berada dalam salah satu dari beberapa keadaan (misalnya, sehat, sakit, pulih). Model Markov biasa memperlakukan semua orang sebagai identik dan melacak proporsi agregat. Pemodelan berbasis agen memungkinkan setiap orang berperilaku berbeda berdasarkan interaksi lokal, atribut pribadi, atau lokasi spasial. ABMM menggabungkan kekuatan ini: setiap agen membawa keadaannya sendiri dan berkembang sesuai dengan probabilitas transisinya sendiri, yang dapat bergantung pada usia, lingkungan sekitar, atau pengaruh teman sebaya. Hasilnya adalah model yang lebih realistis daripada rantai Markov kohort namun lebih terstruktur daripada simulasi agen murni tanpa batasan.
Sejarah
Model Markov berbasis agen muncul pada awal tahun 2000-an ketika para peneliti berusaha mendamaikan kelayakan komputasi model rantai Markov dengan kekayaan perilaku simulasi berbasis agen. Tinjauan PNAS Bonabeau tahun 2002 mengkatalisasi minat luas pada metode berbasis agen di seluruh ilmu sosial dan kesehatan. Ekonom kesehatan dan ahli epidemiologi selanjutnya menghibridisasi struktur keadaan Markov dengan heterogenitas agen untuk mengatasi keterbatasan homogenitas model kohort, menghasilkan kerangka kerja ABMM yang digunakan saat ini.
Kapan digunakan
Gunakan ABMM ketika Anda membutuhkan transisi keadaan yang probabilistik dan terstruktur (tulang punggung Markov) tetapi juga perlu merepresentasikan heterogenitas populasi, efek spasial, atau interaksi agen-ke-agen yang tidak dapat ditangkap oleh model Markov kohort. Sangat cocok untuk pemodelan keadaan kesehatan dengan perbedaan subkelompok, penyebaran epidemi dengan jaringan kontak, dan evaluasi kebijakan di bawah heterogenitas demografis. Hindari jika populasi benar-benar homogen dan model Markov kohort standar sudah memadai, ketika sumber daya komputasi sangat terbatas (simulasi agen berskala O(N x T)), atau ketika asumsi Markov tanpa memori secara fundamental dilanggar dan transisi yang bergantung pada riwayat sangat penting — dalam kasus tersebut pertimbangkan representasi keadaan semi-Markov atau yang diperkaya riwayat sebagai gantinya.
Batasan dan pertimbangan
- Biaya komputasi berskala dengan jumlah agen dan langkah waktu, membuat populasi besar menjadi mahal tanpa komputasi berkinerja tinggi.
- Asumsi Markov (tanpa memori) mungkin tidak sesuai untuk proses dengan ketergantungan durasi yang kuat, seperti keparahan penyakit yang memburuk semakin lama agen sakit.
- Menentukan dan memvalidasi matriks transisi spesifik agen memerlukan data yang lebih kaya daripada matriks kohort tunggal, dan dapat menimbulkan parametrisasi berlebih.
- Perilaku yang muncul dari interaksi agen dapat membuat keluaran model sulit diinterpretasikan atau diatribusikan pada mekanisme tertentu.
- Reproduksibilitas memerlukan manajemen benih (seed) yang cermat; varians stokastik antar percobaan harus dikontrol dengan replikasi Monte Carlo yang memadai.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menangkap heterogenitas tingkat individu yang hilang oleh model Markov agregat dengan merata-ratakan di seluruh populasi.
- Probabilitas transisi memberikan struktur probabilistik yang mendasar, membuat model lebih mudah dikalibrasi dan divalidasi daripada aturan agen tanpa batasan.
- Interaksi agen dapat secara dinamis memodifikasi tingkat transisi, memungkinkan efek penularan, difusi, dan pengaruh sosial yang realistis.
- Berskala secara alami untuk kontrafaktual kebijakan: mengubah baris matriks transisi secara langsung sesuai dengan intervensi pada subkelompok.
- Hasil dapat diinterpretasikan dalam hal konsep Markov yang familiar (keadaan tunak, waktu tinggal yang diharapkan) sambil mempertahankan detail tingkat mikro.
Penerapan
- Ekonomi kesehatan: memodelkan perkembangan penyakit di seluruh subkelompok pasien yang heterogen dengan matriks transisi yang diklasifikasikan berdasarkan usia dan risiko.
- Epidemiologi: mensimulasikan penyebaran penyakit menular di mana struktur jaringan kontak memodifikasi probabilitas transisi penularan.
- Ilmu sosial: mempelajari dinamika opini di mana individu bertransisi antar keadaan sikap yang dipengaruhi oleh tetangga.
- Riset operasi: memodelkan aliran pelanggan atau pasien melalui keadaan layanan dengan laju layanan spesifik agen.
- Perencanaan kota: mensimulasikan transisi lokasi rumah tangga antar keadaan penggunaan lahan yang didorong oleh atribut lingkungan lokal.
- Asuransi dan ilmu aktuaria: memperkirakan hasil tabel kehidupan multi-keadaan di bawah heterogenitas kelas risiko individu.
Cara kerjanya
Cara kerjanya
Definisikan populasi agen dan ruang keadaan hingga S = {s1, s2, ..., sn}. Setiap agen memiliki atribut (usia, kelas risiko, lokasi) yang dapat mengindeks matriks transisi yang berbeda. Keadaan harus saling eksklusif dan lengkap untuk setiap agen pada titik waktu mana pun.
Susun matriks probabilitas transisi keadaan P di mana P[i][j] adalah probabilitas bahwa agen dalam keadaan si bertransisi ke keadaan sj dalam satu langkah waktu. Matriks dapat spesifik agen, bervariasi waktu, atau dikondisikan pada komposisi lingkungan lokal, memungkinkan dinamika yang heterogen dan didorong oleh interaksi.
Buat N agen dan tetapkan setiap agen keadaan awal yang diambil dari distribusi dasar. Tetapkan nilai atribut individu (misalnya, usia, kelompok risiko) yang akan mengatur matriks transisi atau baris mana yang digunakan agen selama simulasi.
Pada setiap langkah waktu, setiap agen mengambil sampel keadaan berikutnya dengan menarik dari baris matriks transisinya yang relevan menggunakan generator angka pseudo-acak. Interaksi agen (misalnya, penyebaran infeksi, pengaruh sosial) dapat memodifikasi probabilitas transisi sebelum pengambilan sampel, menghubungkan lapisan agen dan Markov.
Setelah T langkah waktu (atau replikasi Monte Carlo di R kali percobaan), agregatkan lintasan keadaan individu ke dalam statistik tingkat populasi: kurva prevalensi, distribusi keadaan tunak, waktu rata-rata dalam setiap keadaan, dan interval kepercayaan. Bandingkan skenario dengan mengubah parameter transisi atau kondisi awal.
Kesalahan umum
- Memperlakukan probabilitas transisi sebagai laju tanpa konversi langkah waktu yang tepat menyebabkan nilai probabilitas melebihi 1 pada resolusi waktu yang kasar.
- Mengabaikan efek interaksi: jika agen saling mempengaruhi probabilitas transisi tetapi model memperlakukannya sebagai independen, dinamika epidemi atau difusi akan secara sistematis diremehkan.
- Replikasi yang tidak memadai: menjalankan terlalu sedikit replikasi Monte Carlo menghasilkan interval kepercayaan yang berisik; minimal 1.000 percobaan biasanya direkomendasikan untuk statistik yang stabil.
- Mencampuradukkan heterogenitas agen dengan kekacauan: kebisingan transisi individu tidak sama dengan ketidakpastian parameter tingkat populasi — keduanya harus dimodelkan dan dilaporkan secara terpisah.
Pertanyaan yang sering diajukan
Bagaimana Model Markov Berbasis Agen berbeda dari model Markov kohort standar?
Model Markov kohort melacak fraksi populasi homogen dalam setiap keadaan menggunakan perkalian matriks. ABMM melacak setiap agen secara individual, memungkinkan probabilitas transisi bervariasi berdasarkan atribut agen dan dimodifikasi oleh interaksi dengan agen lain. Hal ini membuat ABMM lebih realistis tetapi lebih berat secara komputasi.
Apakah model memerlukan properti Markov untuk berlaku secara ketat?
ABMM dasar mengasumsikan tanpa memori (keadaan berikutnya hanya bergantung pada keadaan saat ini, bukan riwayat sebelumnya). Jika ketergantungan durasi penting, ruang keadaan dapat diperkaya dengan 'waktu dalam keadaan' sebagai dimensi tambahan, atau ekstensi semi-Markov dengan distribusi waktu tinggal dapat digunakan.
Berapa banyak agen yang dibutuhkan untuk hasil yang andal?
Tidak ada minimum universal, tetapi populasi di bawah beberapa ratus agen biasanya menunjukkan varians Monte Carlo yang tinggi. Untuk model kesehatan atau epidemiologi, N = 1.000 hingga 10.000 agen dikombinasikan dengan setidaknya 500-1.000 replikasi adalah titik awal yang umum; konvergensi harus diverifikasi secara empiris.
Bisakah matriks transisi berubah seiring waktu dalam satu kali jalannya simulasi?
Ya. Matriks transisi yang bervariasi waktu atau bergantung pada keadaan adalah keuntungan utama dari kerangka kerja ABMM. Misalnya, laju transisi dapat mencerminkan efek kohort usia, paksaan musiman, atau intervensi kebijakan yang diterapkan pada langkah simulasi tertentu.
Perangkat lunak apa yang tersedia untuk mengimplementasikan ABMM?
NetLogo, Mesa (Python), AnyLogic, dan Repast Simphony adalah platform berbasis agen umum yang dapat menyematkan logika keadaan Markov. Untuk aplikasi kesehatan, heemod dan hesim di R menyediakan mesin miksimulasi dengan struktur keadaan Markov yang sangat cocok untuk implementasi ABMM.
Metode terkait
Sumber
Bonabeau, E. (2002). Agent-based modeling: Methods and techniques for simulating human systems. Proceedings of the National Academy of Sciences, 99(Suppl 3), 7280-7287.
Buka referensi DOIDisalin.Norris, J. R. (1997). Markov Chains. Cambridge University Press, Cambridge, UK.
ISBN: 9780521633963Disalin.