A multi-objective combinatorial optimisation framework for large scale hierarchical population synthesis

要約

エージェントベースシミュレーションでは、個体の構造、行動、相互作用を表現するために、エージェントの合成集団が一般的に使用されます。しかし、実際の個体群統計を正確に反映した合成個体群を生成することは、特に大規模に実行する場合には困難な課題である。本論文では、大規模集団合成のための多目的組み合わせ最適化手法を提案する。選択した地域の合成母集団を生成し、実際の母集団データから得られた分割表を用いて検証することで、本アプローチの有効性を実証する。我々の手法は、個人と世帯の間の複雑な階層構造をサポートし、大規模集団に拡張可能であり、最小の分割表再構成誤差を達成する。したがって、政策立案者や研究者にとって、複雑な集団の動態をシミュレーションするための有用なツールとなる。

要約(オリジナル)

In agent-based simulations, synthetic populations of agents are commonly used to represent the structure, behaviour, and interactions of individuals. However, generating a synthetic population that accurately reflects real population statistics is a challenging task, particularly when performed at scale. In this paper, we propose a multi objective combinatorial optimisation technique for large scale population synthesis. We demonstrate the effectiveness of our approach by generating a synthetic population for selected regions and validating it on contingency tables from real population data. Our approach supports complex hierarchical structures between individuals and households, is scalable to large populations and achieves minimal contigency table reconstruction error. Hence, it provides a useful tool for policymakers and researchers for simulating the dynamics of complex populations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL