Агентно-ориентированный анализ чувствительности — количественная оценка влияния параметров в сложных моделях имитационного моделирования
- Автор метода
- Adapted from global sensitivity analysis (Saltelli et al.) for agent-based models
- Год
- 2000s–2010s
- Тип
- Simulation-based sensitivity analysis
- Семейство
- Simulation / optimization
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Агентно-ориентированный анализ чувствительности (ABSA) применяет методы анализа чувствительности к агентно-ориентированным моделям (ABM) для определения того, какие входные параметры наиболее сильно влияют на эмерджентные выходные данные.
Поскольку ABM стохастичны и нелинейны, стандартные аналитические производные недоступны; ABSA использует спланированные имитационные эксперименты — методы скрининга, индексы на основе дисперсии или регрессионные суррогаты — для ранжирования важности параметров и управления калибровкой и валидацией модели.
Интуиция метода
Агентно-ориентированная модель может иметь десятки параметров, управляющих поведением отдельных агентов, правилами взаимодействия и свойствами среды. Моделисты редко заранее знают, какие параметры фактически определяют эмерджентные результаты. Агентно-ориентированный анализ чувствительности систематически варьирует эти входные данные — часто используя эффективные планы, такие как скрининг Морриса или выборка Собеля — и измеряет, насколько каждый параметр изменяет выходные данные модели. Результатом является карта ранжированной важности: несколько параметров обычно доминируют, позволяя аналитику сосредоточить усилия по калибровке там, где это важно, и доверять выводам модели только для хорошо изученных областей параметров.
История
Анализ чувствительности для имитационных моделей имеет корни в глобальных методах на основе дисперсии, разработанных Салтелли, Собелем и их коллегами в 1990-х и 2000-х годах. Систематическое применение к агентно-ориентированным моделям росло в 2000-х годах по мере широкого распространения ABM в социальных науках, экологии и эпидемиологии. ten Broeke, van Voorn, и Ligtenberg (2016) предоставили широко цитируемый сравнительный обзор, специально адаптированный для ABM, консолидировав ABSA как признанный методологический шаг в цикле разработки ABM.
Когда применять
Используйте ABSA, когда агентно-ориентированная модель имеет несколько неопределенных параметров, и вам нужно знать, какие из них наиболее важны перед калибровкой, когда рецензенты или заинтересованные стороны требуют доказательств робастности модели, или когда вычислительные ресурсы должны быть эффективно распределены по большому пространству параметров. Применяйте скрининг Морриса для исследовательских фаз с большим количеством параметров; переходите к индексам Собеля, когда требуется количественная декомпозиция дисперсии для меньшего подмножества. НЕ используйте ABSA в качестве замены валидации модели на реальных данных; одна лишь чувствительность не может подтвердить правильность модели. Избегайте методов на основе дисперсии, когда отдельные запуски ABM чрезвычайно медленны, а пространство параметров имеет очень высокую размерность — вместо этого могут потребоваться суррогатные эмуляторы.
Ограничения и замечания
- Индексы Собеля на основе дисперсии требуют большого количества запусков модели (тысячи или десятки тысяч), что делает их дорогостоящими для медленных ABM.
- Результаты зависят от предполагаемых диапазонов и распределений параметров; плохая спецификация диапазона приводит к вводящим в заблуждение ранжированиям важности.
- Стандартные индексы чувствительности предполагают, что выходные данные являются скалярными; многомерные или временные ряды выходных данных требуют специализированных расширений.
- Стохастический шум в выходных данных ABM увеличивает оценки дисперсии, требуя достаточного количества репликаций для отделения сигнала параметра от шума имитационного моделирования.
- Анализ чувствительности не определяет правильные значения параметров — он только ранжирует их влияние.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Выявляет, какие параметры определяют эмерджентные результаты, эффективно фокусируя усилия по калибровке и валидации.
- Совместим с любой ABM независимо от внутренней структуры, поскольку требуются только входные и выходные данные модели.
- Обрабатывает стохастические модели, включая репликацию в экспериментальный дизайн.
- Скрининг Морриса масштабируется до десятков или сотен параметров при умеренных вычислительных затратах.
- Индексы Собеля обеспечивают полную декомпозицию дисперсии, которая разделяет общую дисперсию выходных данных на индивидуальные эффекты и эффекты взаимодействия.
- Поддерживает прозрачное документирование предположений модели для рецензирования и применения в политике.
Применение
- Эпидемиологические ABM: определение того, какие параметры скорости передачи наиболее сильно влияют на пиковый размер эпидемии.
- Социальное моделирование: определение того, какие правила поведения определяют эмерджентную сегрегацию или поляризацию мнений.
- Экологическое моделирование: ранжирование параметров среды обитания и поведения, которые управляют динамикой популяций видов.
- ABM финансовых рынков: оценка того, какие параметры стратегий трейдеров формируют волатильность цен.
- Имитационное моделирование цепочек поставок: поиск правил принятия решений агентами, которые наиболее сильно влияют на устойчивость системы к сбоям.
- Модели городского планирования: оценка чувствительности эмерджентности землепользования к параметрам правил зонирования.
Как это работает
Как это работает
Определите входные параметры ABM (правила поведения, силы взаимодействия, размеры популяций, начальные зерна) и укажите допустимые диапазоны или распределения для каждого. Выберите одну или несколько скалярных выходных метрик, которые отражают эмерджентное явление, представляющее интерес (например, конечный размер популяции, индекс сегрегации, рыночная цена). Уточните, является ли цель скринингом (ранжирование важности) или количественной оценкой (оценка разложения дисперсии).
Выберите стратегию выборки, соответствующую цели и бюджету. Скрининг элементарных эффектов Морриса «один за другим» (OAT) эффективен для многих параметров (10–100+) при ограниченном количестве запусков. Квазислучайные последовательности Собеля или выборка Латинского гиперкуба поддерживают индексы на основе дисперсии, но требуют большего количества запусков. Определите количество репликаций для каждой конфигурации параметра, чтобы усреднить стохастический шум, присущий ABM.
Выполните ABM для каждой выбранной конфигурации параметров, повторяя каждую конфигурацию несколько раз для оценки среднего и дисперсии выходных данных. Сохраняйте результаты в структурированной таблице экспериментов. Параллелизация является стандартной, поскольку ABM часто вычислительно затратны; облачные ресурсы или HPC обычно используются для больших прогонов параметров.
Вычислите метрики чувствительности из результатов имитационного моделирования. Для скрининга Морриса вычислите средний абсолютный элементарный эффект (mu*) и стандартное отклонение (sigma) для каждого параметра. Для анализа на основе дисперсии Собеля оцените индексы первого порядка S_i (прямое влияние) и общего порядка S_Ti (включая взаимодействия). Для регрессионных подходов вычислите стандартизированные коэффициенты регрессии (SRC), если модель приблизительно линейна.
Ранжируйте параметры по их индексу чувствительности. Различайте влиятельные параметры (высокие mu* или S_Ti) от невлиятельных (близкие к нулю). Исследуйте параметры с высоким sigma или высоким S_Ti - S_i, которые сигнализируют о сильной нелинейности или взаимодействии. Используйте результаты для сужения целей калибровки, обоснования фиксации параметров в публикациях и документирования робастности модели. Проводите перекрестную проверку с экспертными знаниями и, где возможно, с эмпирическими данными.
Частые ошибки
- Использование слишком малого количества репликаций для каждой конфигурации: стохастический шум ABM доминирует, производя ненадежные оценки чувствительности.
- Смешение чувствительности с калибровкой: параметр может быть очень влиятельным, но все же установлен неправильно, если эмпирические данные не используются.
- Игнорирование эффектов взаимодействия путем опоры исключительно на индексы первого порядка, когда взаимодействия агентов создают сильные нелинейности.
- Применение выборки Латинского гиперкуба или Собеля без проверки того, что пространство параметров адекватно покрыто при выбранном размере выборки.
- Рассмотрение результатов чувствительности как универсальных: ранжирование важности может существенно меняться при изменении изучаемой выходной метрики.
Часто задаваемые вопросы
Сколько имитационных запусков мне нужно для надежных оценок чувствительности?
Это зависит от метода. Скрининг Морриса обычно требует N × (k+1) запусков, где k — количество параметров, а N — 10–50 траекторий — выполнимо даже для медленных моделей. Индексы Собеля на основе дисперсии требуют N × (k+2) запусков, где N часто составляет 500–2000 или более. Всегда проводите проверку сходимости, вычисляя индексы при увеличивающихся размерах выборки до тех пор, пока они не стабилизируются.
Могу ли я использовать ABSA на модели с временными рядами выходных данных вместо одного скаляра?
Да, но требуются дополнительные шаги. Распространенные подходы включают вычисление индексов чувствительности по сводным статистикам временных рядов (среднее, пик, конечное значение), применение функционального анализа чувствительности с использованием главных компонент траекторий выходных данных или использование суррогатной модели, обученной на данных временных рядов.
В чем разница между скринингом Морриса и индексами Собеля для ABM?
Скрининг Морриса — это качественный или полуколичественный метод, который дешево ранжирует параметры, что делает его идеальным для начального скрининга больших пространств параметров. Индексы Собеля обеспечивают полную количественную декомпозицию дисперсии (эффекты первого порядка и общего порядка, включая взаимодействия), но требуют гораздо больше запусков. Рекомендуемый рабочий процесс: сначала Моррис, затем Собель на влиятельном подмножестве.
Заменяет ли анализ чувствительности калибровку?
Нет. Анализ чувствительности определяет, какие параметры важны, а какие можно зафиксировать на номинальных значениях; он не говорит вам правильные значения параметров. Калибровка — сопоставление выходных данных модели с эмпирическими данными — является отдельным шагом, который должен быть сосредоточен на влиятельных параметрах, выявленных ABSA.
Нужен ли суррогатный эмулятор для вычислительно дорогих ABM?
Для ABM, где один запуск занимает часы, выполнение тысяч конфигураций для индексов Собеля может быть непрактичным. В таких случаях статистический суррогат (Гауссовский процесс, разложение полиномиального хаоса или случайный лес), обученный на ограниченном бюджете запусков ABM, может аппроксимировать модель и позволить провести анализ чувствительности на суррогате с незначительными дополнительными затратами.
Похожие методы
Источники
Saltelli, A., Tarantola, S., Campolongo, F., & Ratto, M. (2004). Sensitivity Analysis in Practice: A Guide to Assessing Scientific Models. John Wiley & Sons.
ISBN: 9780470870938Скопировано.ten Broeke, G., van Voorn, G., & Ligtenberg, A. (2016). Which Sensitivity Analysis Method Should I Use for My Agent-Based Model? Journal of Artificial Societies and Social Simulation, 19(1), 5.
Открыть ссылку DOIСкопировано.