2023-A review of multilevel modeling and simulation for human mobility and behavior


多出来的那一层,是把同一件事看得更细,还是在看另一件事?

论文名片|Luca Serena、Moreno Marzolla、Gabriele D’Angelo、Stefano Ferretti,A review of multilevel modeling and simulation for human mobility and behavior,Simulation Modelling Practice and Theory,2023,127:102780,2023年5月26日在线发表。DOI:10.1016/j.simpat.2023.102780。正式期刊版。收稿日期2022年11月3日,修订稿2023年4月27日,接受日期2023年5月17日。

早高峰的路口,前车刹住,后车要决定跟车、换道,还是接受一个能插进去的空隙。同一时刻,高速路段上被记下来的往往是密度和平均速度;另一个区里,人的移动还可能改变谁和谁发生接触。把这三件事放在一起,只是为了看清同一次模拟里可能同时出现的对象。它不是这篇综述里的某一次实验。

只写一条全市平均速度,路口那一下刹车不会出现。给每辆车、每个人每一秒都做一个主体,计算量和行为数据又常常接不上。文献里的办法是分成几层。麻烦在于,层有时指粗细两种尺度,有时指出行和传染两套语义不同的模型,有时只是一张图上的友谊、同事和家庭。

这篇综述没有新测一组出行或疫情。它把1996年至2022年留下的127篇文献分类后认为:人类移动性及相关行为的多层模拟已经有几套反复出现的搭配,三个近义词却不统一;层与层交换信息时,车辆数或速度的一致也不会自动成立。公开代码仍然少。下面的数字是文献计数、检索命中、作者份额,或综述用来说明取整的例子,不是新算出的预测误差。

先说结论

  • 三个常被换用的词可以拆开。多层建模指语义不同的子模型在同一次模拟里协作;多尺度指同一系统在时间、空间或行为上的粗细;多层网络指用图的不同层表示不同关系。统计学里的多层回归是另一套用法,社会科学文献里很常见。
  • 筛选后纳入127篇。期刊96篇、会议或研讨会29篇、书章2篇。主题为疫情38篇、短距离步行人群25篇、长距离车辆交通22篇、社会科学20篇、城市规划与物流17篇,另有5篇进不了这些类。分母都是127。
  • 按作者机构做分数计数,图例中的EU为56.81,USA为36.49,ASIA为22.80,世界其他地区为10.90,四项加总为127。这是作者份额,不是人数。交通文献的机构份额以EU为主;2020年以后疫情主题上升。亚洲作者近年增多,综述认为这很难用疫情论文来解释。
  • 反复出现的搭配是:局部疫情把宿主内和宿主间接在一起,大范围疫情再接上移动;交通和人群用微观个体加宏观流量;疏散把烟火或洪水模型和行人模型接在一起;信息扩散用多层图。人口研究在表8里被写成多层逻辑回归,同一节正文又写成多层连续模型。
  • 换尺度时要守住守恒。综述用一个例子说明:宏观侧平均125.4辆车,微观侧只能生成125或126辆。公开源代码的论文很少,而且集中在较近年份。模型再分层,精度也不会超过对真实系统的了解。

三个词拆开之后,层才有可交接的量

人类移动性在这里指人怎样在空间中移动、使用什么交通方式,以及这些模式怎样影响环境、又怎样被环境改变。污染、土地利用、疫情扩散和拥堵都算在内。它比日常通勤宽,也不等于居住地迁移。

模拟可以是确定性的,初始条件决定后续;也可以是随机的。常用范式包括:离散事件仿真(discrete-event simulation),状态在离散时刻变化;基于智能体的模型(agent-based model,ABM),每个主体按自己的规则与他人或环境互动;元胞自动机(cellular automata),格子上的状态随邻居更新;连续仿真,用微分方程描述持续变化;系统动力学(system dynamics),用微分方程和反馈回路更新状态变量;蒙特卡洛方法,靠反复随机抽样看结果出现的机会。并行与分布式仿真是把一次模拟分到多个计算单元上跑,用来缩短墙上时钟时间。它本身不是文中所说的层。

作者给三个词各定了一个工作定义。多层建模:同一次模拟里有语义不同的子模型,各自描述系统的一块,例如一块负责人怎么移动,另一块负责病原体怎么扩散。已有的专用模型可以接进来,精细算法也可以只用在关键局部。仅仅把一个整体模型按软件模块分层,不在这篇综述的范围内。文献有时把这种结构叫混合、嵌套或层次模型。统计学里的多层,经常指同时使用个体和汇总信息的回归,与这里的仿真结构不是一回事。

多尺度,也称多分辨率:同一系统用不同细节来表示。细节可以是时间或空间,例如把时间步缩小;也可以是行为,例如把真实系统里的大部分微观动作模仿出来。全用最细的模型,既慢,也会产生一大堆难以提炼指标的数据。典型做法是宏观仿真管全局,局部现象交给微观仿真。中观(mesoscale)位于两者之间。交通里的一个例子是把相关车辆编成车队,整队当作一辆车处理。原文在这句话里两次都写了microscopic:前一次指每辆车单独计算,后一次却用来指只看流量的那一层。按上文的定义,只看流量的是宏观。这里按流量那一层理解。

多层网络:主体被表示成含节点、边和层的图,层的含义由模型自己规定。多重网络(multiplex)是其中一种,层间边只连接代表同一个行动者的节点。友谊、同事、家庭可以各占一层。

综述明确说,这里的层和层都从语义上理解。软件工程式的分层若只实现一个整体模型,就不收入。

127篇是怎样从百万条检索里留下来的?

检索式可以写成:(multilevel 或 multilayer 或 multiscale)并且(modeling 或 simulation)。不是每个数据库都接受这样的布尔式,所以作者把它拆成六条短语,再手工合并。数据库是 Google Scholar、Scopus、ACM Digital Library 和 IEEEXplore。每条检索按相关性排序,只取前40条进入下一阶段。作者观察到,平均下来有意义的命中不到40条。

表1是筛选之前的命中条数。Scholar一列达到几十万到三百万,是因为这些词在化学、物理和材料里也大量出现,还没有限定人类移动性。

检索短语 Scholar Scopus ACM DL IEEEXplore
multilevel modeling 3,000,000 16,752 483,265 12,538
multilevel simulation 1,260,000 3,955 235,720 13,001
multiscale modeling 877,000 16,739 482,544 7,974
multiscale simulation 732,000 3,974 233,658 2,127
multilayer modeling 1,960,000 16,785 482,755 17,341
multilayer simulation 1,760,000 3,993 235,733 7,932

来源还有两条:已读论文里的参考文献,以及作者事先知道的文献。有4篇已知相关论文被手工加入。Google Scholar的结果包含了IEEEXplore和ACM DL的全部命中;Scopus另有少量论文不在Google Scholar里。为了画图简单,后三个库只计入没有出现在Google Scholar结果中的论文。全文拿不到或无法访问的论文被排除,综述只说这类论文很少,完整性没有受到明显影响,没有给出精确篇数。

原论文图1,文献筛选与分类流程

图 1|从检索词到127篇,中间有哪些人工回路?

无字母子图。左侧四个数据库进入查询,与关键词、被引论文合并后,先看摘要是否相关,再读全文看内容是否相关。无关文献进入丢弃。若读完又发现新参考文献或新关键词,就回到合并或查询。已知论文再并入一次,然后分类,得到纳入本综述的论文。图中没有各步骤淘汰的篇数。来源:原论文 Fig. 1。

正文给出的筛选规模是大约数:大约审阅250篇,大约40%在题目和摘要阶段剔除,10%在读完正文后排除,剩下127篇。若把250、40%和10%当成精确数,100加25等于125,与127差2篇。这三个大约不能改写成精确淘汰率。

原论文图2,饼图实际标出文献类型

图 2|这张饼图画出的是文献类型,还是检索来源?

无字母子图。扇区标的是期刊96篇、会议29篇、书章2篇,百分比为75.6%、22.8%、1.6%,三者合计127。图题却写 fraction of papers by data source,紧接着的正文也说这张图展示通过筛选的论文来自哪里。来源构成并没有画在这张饼上。来源:原论文 Fig. 2。

正文另给了一组百分比:期刊75.59%,会议或研讨会23.83%,书章1.57%。96/127等于75.59%,2/127等于1.57%,与正文和饼图都能对上。29/127约等于22.83%,与饼图上的22.8%一致,与正文印刷的23.83%不一致。后文用96、29、2和分母127,会议论文的比例采用图上的22.8%。

127篇的时间范围是1996年至2022年。主题及占127篇的比例为:疫情建模38篇,29.92%;长距离车辆交通22篇,17.32%;短距离步行与拥挤25篇,19.69%;城市规划与物流17篇,13.39%;社会科学20篇,15.75%。五类之外还有5篇,3.94%。38+22+25+17+20+5等于127。

谁在写,写的是哪一类,代码公开了没有?

地区按作者撰写论文时所属机构的第一单位计算,用的是分数计数(fractional counting)。一篇论文有n位作者,每位把自己的1/n记到所在地区。因此一项地区合计的分母是论文篇数,不是作者人数。多单位时只取第一个。

地区定义需要连着图例读。ASIA包括中国、日本、韩国、越南、新加坡等,列举没有封闭。EU在图里用这个缩写,定义却比欧盟成员国宽:欧洲大陆加上英国、爱尔兰、冰岛,并写明包括瑞士和挪威。正文的地区清单把下一类写成北美洲,含美国和加拿大;图3、图4的图例和后文的36.49都写成USA。其他地区点名了澳大利亚、巴西、墨西哥、阿根廷、尼日利亚、塞内加尔和摩洛哥。

原论文图3,按年份和作者地区的论文计数

图 3|文献数量随年份怎样变化,新增的份额来自哪里?

无字母子图。横轴年份,纵轴论文数,刻度到15。颜色自下而上按图例为USA、EU、ASIA、Other,同一根柱里的颜色是该年论文的作者份额。2021年的柱顶到15,是图中最高的一年,黄色占了明显的一段。图上没有逐年分段的数字标签。正文同时提醒,电子图书馆对更老和更新的工作都有代表性不足。来源:原论文 Fig. 3。

四项份额为EU 56.81、USA 36.49、ASIA 22.80、其他10.90。56.81+36.49+22.80+10.90等于127.00。近年亚洲作者份额上升较快。

原论文图4,各主题的作者地区构成

图 4|亚洲作者的增加,能不能看成疫情论文变多?

无字母子图。横轴六个主题,纵轴为该主题内部的作者份额,每根柱合计100%。颜色与图3相同。疫情列里蓝色和红色占了下部的大部分;交通列的主体是红色,一直铺到接近顶部。其他类看不到绿色,黄色占了上半段。图中没有印出各块的百分数。正文据此认为,疫情论文主要来自USA和EU的机构,因此亚洲作者近年的增加很难归因于疫情主题;交通多层模拟则以EU机构领先很多。正文还说按年份拆过原始数据来确认这一点,这张按年的交叉表没有印在正文图里。来源:原论文 Fig. 4。

原论文图5,按年份和主题的分数化作者计数

图 5|2020年以后多出来的是哪一类主题?

无字母子图。横轴年份,纵轴写的是 fractional author count,刻度到15。颜色按图例区分其他、城市问题、交通、社会科学、疫情和人群。若每篇论文只归一个主题,一篇论文的作者分数合计为1,柱高在这个定义下等于该年篇数。2021年的柱顶到15。2020年和2021年的橙色,也就是疫情,成为柱中很大的一块,2021年顶部仍有一段青色的人群研究。正文把2020年起的上升联系到新冠疫情。图上没有逐年主题的精确读数。来源:原论文 Fig. 5。

原论文图6,是否提供源代码

图 6|这些模拟里,有多少论文指向了公开代码?

无字母子图。横轴年份,纵轴论文数,刻度到15。红色为未找到源代码,蓝色为找到。对解析模型,作者找的是方程的机器可读实现。蓝色只出现在较后的年份,而且只占当年柱的一小段;多数柱整根是红色。2021年的柱顶到15,底部蓝色仍然很短。正文没有给出蓝色的精确篇数,只说近年少数论文指向公共仓库,并认为期刊开始鼓励或要求提供数据和代码后,情况会慢慢好转。来源:原论文 Fig. 6。

疫情的层,是身体里、人与人之间,还是人在移动?

第4节开头有一张未编号概念图,把疫情建模分成四支。后文的模型就沿着这四支长出来。

原论文第4节未编号概念图,疫情建模的分支

图 9|疫情文献里的层,先被分成哪几支?

无字母子图。根节点是疫情建模,四个分支为宿主内、宿主间、人类移动,以及关于疫情的信息或意见。图上没有篇数。来源:原论文第4节节首未编号概念图。

宿主内模型写病原体与宿主、免疫反应和治疗的相互作用,宿主间模型写病原体怎样在不同个体之间扩散。局部疫情里,一种反复出现的搭配是把两者接起来:宿主内模拟的结果用来决定宿主间使用的传染机会和恢复情况。两边通常都用微分方程。宿主内模型会按疾病改写,综述点到的对象包括埃博拉、流感、霍乱、弓形虫病、艾滋病毒、新冠变异株,也包括羊瘙痒症这类非人疾病。这里只保留耦合方式。综述没有给出传染率、恢复率或其他速率的数值。

宿主间模型常用仓室:人群被放进互斥的流行病学状态,再用转移规则说明怎样换状态。人口足够大时,这种写法可以近似整体趋势,而不追踪每一个人或每一个小群体。尺度变小以后,随机的传播事件和人群结构会明显影响结果,ABM就更合适。ABM在传染病模拟里很常见,放进多层框架却不常见。用得最多的仓室是易感、感染、康复。变体包括加上潜伏,以及康复后仍可能再次感染。另有工作把住院单独成层,因为住院既治疗感染者,也减少传播。易感者与无症状携带者接触时的暴露机会,会因家庭、工作场所和公共场所而不同。这些是状态和场合的划分,不是一组可直接代入的参数。

另一套更常出现的搭配,是把宿主间仓室与人的移动模型接在一起,同时表示局部传播和大范围扩散。移动多写成图:节点和边可以是人和人际关系,也可以是城市和路线。文献里的例子包括美国机场的航空网络、按交通方式分层的城市网络、带层间跳跃的多层网络,以及用两层分别表示稳定伴侣和偶然伴侣的时间多层图。也有完全用ABM的写法,微观主体是个人,中观主体是数百人的群体。另一些工作用方程区分长距离通勤者和短距离非通勤者,或用社会力描述机舱里的乘客、接触半径内的随机传染、社交距离和移动限制。

人口构成也会被放进移动。有的模型把总体写成按族裔、性别或年龄嵌套的子人群,有的同时放入小尺度通勤和长距离航空。精度和计算量之间的折中也有专门框架:一开始用ABM,感染人数越过某个阈值后改用方程,以便做人群平均。阈值本身没有在综述里给出。个体模型还可以先跑微观,再为宏观的易感—感染—康复模型提供输入。

第三支把病原体和社会反应接在一起。对疫情的知晓可以和仓室模型耦合,作者认为知晓会强烈影响实际扩散。信息层上的人可以支持保持距离、反对保持距离,或尚未形成看法;周围的社会联系影响他们是否遵守距离规则。也有工作同时模拟疾病传播和情绪传染,情绪状态被分成冷漠、担心、害怕和麻木。疾病和恐惧还可以都用仓室来写,人既会因接触感染者而感染,也会因接触害怕的人而害怕。

公共卫生系统、政策制定者这类外部主体,看起来很适合再加一层。综述在表2至表7的范围内没有找到这样做的论文。

这一节的讨论把证据边界说得很直:仓室模型省计算,ABM在需要更高精度时更受欢迎,但更高精度要求从免疫到个体行为的更多信息,而这些信息很少齐备。模型的精度至多等于开发者对真实系统的了解。在信息有限时,ABM仍可用来做假如式分析,用试错推断现实中尚未知道的性质。与后面的交通相比,疫情模拟更常关心随时间变化的趋势,所以基于人群的仓室模型通常就够用。纯ABM在流行病学里仍然流行,主要出现在单一整体仿真器里。

车流换尺度时,为什么人数会多出一辆或少掉一辆?

交通是多尺度用得最勤的领域。微观描述单辆车怎样响应道路和其他车,宏观把车流当成整体,中观仍保留一辆辆车,但用简化的流动力学推动它们。价值在于把费时的微观只用在拥堵、事故等关键位置。

原论文第5节未编号概念图,交通建模

图 10|交通的概念图把微观拆成了哪几种决策?

无字母子图。交通建模下面只有微观和宏观两支。微观再分成跟车、间隙接受、速度适应和换道。中观、亚微观没有出现在这张图上,它们写在后文。来源:原论文第5节节首未编号概念图。

微观模型要决定何时加速、刹车或转向。车辆状态可以包括位置、速度、驾驶员反应时间、最大速度和最大加速度。空间可以是连续的,也可以是离散格子;道路也常画成图,节点是交叉口,边是路段。真实交通变化快,离散模型的虚拟时间通常一次只前进几秒,综述没有规定统一步长。

四类微观子模型对应四种决策。跟车看同一车道前车。间隙接受规定驶出支路时,主路车辆至少要留出多大空隙。速度适应按限速或路面调整车速。换道编码超车或遵守车道限制。常用框架包括:智能驾驶模型,用常微分方程更新单车的位置和速度,涉及期望速度、安全车头时距、最大加速度和舒适减速度;Nagel–Schreckenberg模型,格子或空或有一辆车,车速依赖前车和其他因素;ABM则把车写成处在微观环境中的主体。MATSim和SUMO是这一带常用的仿真器。车辆很多时,常用降尺度:只用总人口的一个比例k来跑整个系统的动态。综述没有给出k的数值。它的目标是省时间并尽量保住精度,和多尺度不是同一件事。多尺度是关键路段用微观,其余地方用中观或宏观。

宏观不单独追踪每辆车。密度是某一时刻单位路长上的车辆数,空间平均速度是某路段车辆的平均速度,流量是一段时间内通过某一点的车辆数。常见对象是高速或快速路。网络基本图联系路网中的车辆数和该区域的平均流量。Lighthill–Whitham–Richards模型用连续性方程和一条假定的均衡速度—密度关系。Payne–Whitham模型用微分方程写平均速度、密度和单位时间路段车辆数。Aw–Rascle–Zhang模型用二阶非线性双曲偏微分方程写密度和速度。

微观与宏观最常见的交接是聚合和分解。聚合把个体属性收成一个数据点,个体特征就此消失,除非另有机制把它们存下来。分解要把宏观量拆回个体,相当于造出原来没有的信息,所以新信息必须仍然有意义。例如某区域在宏观侧只有平均速度,分解出一批车时,这些车的速度平均值应与宏观值一致,并可以加一点随机起伏来反映真实交通。有的交接由称为agent upstream的实体完成:宏观到微观要按流量参数生成相应数量的车,微观到宏观则从车群计算流量和密度。

连续模型换成一辆辆整数车辆时,会出现取整损失。综述的例子是:一个区域平均有125.4辆车,微观仿真只能生成125或126辆,分别少一点或多一点。这种误差积累起来,总车辆数会明显漂移。一种处理是把小数部分存起来,凑满1再生成一辆新车。这是综述用来说明问题的例子,不是本文新跑出的仿真误差。

局部不一致指换尺度的当下,交通变量对不上,例如车辆不守恒、平均速度突然跳跃、出现不真实的瓶颈。全局不一致指换了几次尺度之后,交通构成丢了:微观里算过的路径选择、车辆特性和驾驶风格,若没有存下来,回到微观时就无法再用。也有工作用面向服务的中间层,让一个宏观仿真器调用若干微观仿真器,并负责翻译不同尺度的数据。更紧的耦合则用偏微分方程写交通流,用常微分方程写自动驾驶或特别慢、特别笨重的车辆。

中观因为仍然逐车处理,从微观切过来通常不必聚合,但尺度之间仍可能要满足一致性。亚微观,也称picoscopic,可以细到用键合图写加速、刹车、转向下的纵向、横向、横摆和执行器动力学。四层都有的框架里,最细的一层是驾驶员模型和车辆模型不断交换信息,以决定刹车或转向;中观则给出单位时间内、某个空间和速度范围里出现一辆车的概率。

还有一种变体假设车辆有短程通信,周围的交通数据先在车群内汇总,再在更高层的车群之间共享,高层由代表交通管理中心的智能体处理。环境用元胞自动机,主体是车和管理中心。工作负载既有真实地区的地理、环境和人口,也有与具体城市无关的通用测试环境。更复杂的一种按地区特征生成合成人口,再根据对一部分人口所做调查生成每日活动计划。

交通这一节的结论是:微观多用ABM,因为主体可以写入复杂的驾驶行为,并与街道形态、防护设施、人行横道、限速等环境交互;大范围模型则尽量把ABM留在拥堵、与行人发生危险交互的位置。多尺度因此被看成降尺度之外的一条路。换层时要保持一致的量包括断面或路口流量、平均速度、平均密度。宏观多为连续量,微观多为离散个体,取整必须单独处理,否则会无中生有或凭空消失车辆,破坏守恒。

表3放在交通这一节,行内是微观、中观、宏观以及IDM、LWR等交通模型,标题却写成人群移动。表4的情况相反,放到下一节再看。

人群多出来的层,有时是烟、水和出口,不是更细的脚步

人群建模关心行人在特定情境中的行为,例如火灾、地震时的疏散,以及行人和汽车、火车的相遇。

原论文第6节未编号概念图,人群

图 11|人群文献先按模型和用途分成了什么?

无字母子图。模型一支包括社会力、离心力、ABM和群体动态。用途一支包括紧急情况,例如疏散,以及与其他交通方式的交互。最下方节点的原文印成 Interactions with other means of transp.。来源:原论文第6节节首未编号概念图。

微观上,行人走向目的地,同时避开障碍和过挤的地方。社会力和离心力模型让环境中的物体对行人产生吸引或排斥;ABM把每个人写成自主主体。宏观看的是局部平均量,如密度、动量和能量。中观处理成群的行人,忽略群内互动,以便既写群体动态,又对个体保留一些控制。

尺度交接仍常靠聚合和分解:聚合从微观收集密度和速度,注入宏观;分解在分区边界按宏观密度和速度生成主体。也可以让微观和宏观同时跑同一片区域并不断交换信息。有的同步模块把宏观运动趋势传给个体;有的只在事件扰乱了稳定流动时,才从宏观切到微观;还有的按计算约束动态调整细节。

群体本身也可以是一层。一种层次是人群、小组、个人,行为从人群传到小组,再传到个人。另一类在微观方程里写入躲避碰撞、避开拥挤和结伴移动,宏观则用离散格子,每步更新格子密度。路径决策也可以单列:一层用A*算法算到目标的最短路,另一层管转向和局部避碰;个人差异体现在厌挤、地图知识和是否属于某个群体。战术层按环境寻找目的地的短路径,操作层在微观描述拥挤中的互动。

疏散里常有少数被称为领导者的主体负责找安全出口,其余人跟随。领导者可以在宏观层观察环境并做路线决策,跟随者的动作留在微观。海啸警报的例子里,微观标出知道如何反应的领导者和跟随者,宏观用LWR模型写路网上的行人流。

火灾疏散经常把行人模型和烟火传播分开。火焰演化可以用元胞自动机,烟和火也可以用方程;还有用马尔可夫链同时写烟雾和人员疏散的。电影院的疏散会把建筑模型和整座城市或街区模型接起来,以便看到建筑周围的日常活动。洪水用连续模型写水在城市中的蔓延,再用ABM写行人从危险区域走向安全区域。溃坝是更极端的例子:ABM写异质的个人行为和社会特征,水动力模型用扩散方程。两层保持同步,水力模拟先跑,结果再送进ABM。两侧时间尺度不同,一边是10分钟,一边是5秒,水深要等疏散模型走完120步才更新。10分钟等于600秒,600除以5等于120,与综述所写的步数一致。

极度拥挤时,人的移动也可以借用流体。一种做法把ABM和平滑粒子流体动力学接在一起,每个主体被当成一颗受多种力推动的流体粒子,力最终决定速度和加速度。

空间表示也可以换。需要细分辨率的区域用连续空间,主体有位置、速度、身体宽度等连续属性,不同类型的主体对环境刺激反应不同。不需要细分辨率的区域改用网络:房间或走廊是节点,门或其他连接是边。节点容量是该空间能容纳的人数,边的容量是给定时间内允许通过的最大主体数。综述没有给出这些容量的具体人数。

行人还会和其他交通方式放在一起。铁路道口可以用离散事件写行人、用连续模型写列车。道路交叉口的碰撞风险同时看微观环境,如标志、车流、道路和人行横道,以及宏观环境,如城市设计和交叉口周围的土地利用。低密度下,车辆、公共交通和行人可以用排队网络;高密度行人改用基于力的模型。公共活动中,宏观模型写班车到达,场地内的行人再分战略、战术、操作三层:战略定目标,战术定路线,操作写实际行走。狭窄处用微观,其余用元胞自动机式的中观,交接处设过渡带。轮渡码头则用元胞自动机写两座航站楼内的人,用中观图模型写渡轮航程。

人群与交通的共同点,是微观多用ABM,宏观用方程写密度、流量和平均速度。差别在于人群研究的目的更散,行人移动经常要和烟、火、洪水写在一起;空间通常也比整座城市小,所以元胞自动机适合建筑和一小段城区。行人比车辆更少受车道约束,因此经常多出一层,用来做中期的路径选择。

表4的标题写成交通建模,行内容却是动态环境中的人群、疏散、洪水、拥挤、列车与行人、渡轮码头等。第二列表头在PDF里只印出一个字母f,下面填的是这些场景。读表时要以行内容为准,不能按标题把这一页当成交通论文清单。

城市研究为什么收不成同一种搭配?

城市问题包括城市形态和居民活动。这一节是五类里最杂的,方法很难收成一种。多数工作有一个共同点:用真实地理数据,而不是随机生成的场景。研究既有城市时,环境要尽量像被检验的那座城市。假如式分析仍可以使用合成数据,用来看环境在另一种情形下会怎样反应。污染、土地利用这类问题同时出现时,语义不同的模型必须合作。交通和移动建模里发展出来的工具,在这里被大量沿用。

原论文第7节未编号概念图,城市问题

图 12|城市问题在概念图里只分成哪两支?

无字母子图。城市问题连接到城市形态和居民活动。气候、污染、停车、物联网都写在后文,没有单独成为图上的节点。来源:原论文第7节节首未编号概念图。

形态这一支把气候和经济变化放进规划。城市综合评估框架分三级:顶层城市模型用社会经济变化和气候预测分析未来人口的空间格局;城市分区模型把数据降到更细的空间分辨率,再用人口、交通和土地利用估计气候相关影响;地块模型则模拟各分区人口预测所对应的住房开发格局。热岛用三种空间尺度,中观看温度和风,微观看绿化、周围建筑和路面。

Simmobility把对移动敏感的行为模型放在一起,时间分辨率有三档,短到几分之一秒,长到数日甚至数年。长期是战略活动,如换工作、搬家、土地开发和买车。中期是每日活动安排、路线、目的地和出发时间,分成出发前模型和日内模型。短期负责人、车和货物的实际移动。

城市扩张有多座城市的案例。武汉的一套三尺度框架用宏观系统动力学预测新增城市用地需求,用中观模型考虑城际相互作用以确定可能扩张的区域,用微观逻辑回归表示邻里相互作用,三者再并入一个元胞自动机。奥克兰的例子里,政府主体按分区要求和居民需要在宏观层管理开发,居民主体在微观层寻找居住地点,ABM再与人工神经网络耦合,以支持主体选择哪些非城市区域可以扩张。综述表5对这两篇的方法标注,与这段正文的对应不一致。这里保留正文的城市和方法,不把表5的行当成已经对上的第二份说明。

武汉的另一项研究用多尺度层次框架:宏观定义整个研究区的变化概率,中观只在非城市变为城市的范围内定义变化密度,微观在局部定义变化强度。哥斯达黎加的土地利用与覆被变化用系统动力学,数据取不同聚合尺度,并显示地方、区域和国家趋势可以产生相反的效果。综述没有给出相反到什么程度的数值。也有工作在宏观用元胞自动机写土地利用和交通基础设施,在微观写行人;或把环境、社会、经济分成若干ABM子模型,按共同建模的想法,让微观模型成为更高层模型里的主体。

居民活动这一支更散。马德里的PM10扩散用计算流体力学,气象边界条件来自中观的天气研究和预报模型,包括风速、风向和地表热通量,小时PM10排放来自微观交通排放模型。亚马孙毁林把区域回归和局部ABM接在一起:宏观回归使用环境、人口、农地结构、技术和市场连通性等指标;局部有两类主体,小农户偏好靠近道路或城镇的土地,大农户寻找大片便宜土地。菲律宾的土地利用使用多层回归,数据在地块、家庭和村庄三层。这是统计学意义上的多层,与前文定义的仿真多层不同,综述仍把它收了进来。

智慧城区的例子是一个智能市场:用户订阅感兴趣的商品或服务,并收到附近活动与促销信息。粗尺度用ABM、并行分布式仿真和离散事件,描述整个区域上的销售、订阅和地理移动;需要时再启动细尺度仿真,写入市场内部的无线通信、交互和移动。后来又加了一层方程,写邻里中的客流和停车策略,用包装器协调两个细尺度仿真器并与高层同步。停车也可以让网络基本图写车流,微观算法模拟巡游找车位,决策受巡游速度、停车时长和占有率影响。综述没有给出这些量的数值。

塞内加尔的黑鼠借助商业运输扩散。模型单位叫世界:一个自足的子模型,有自己的地点、主体、空间分辨率和时间尺度。主体是鼠或运送它们的人。世界之间用门连接,门是离散空间里的格子,充当跨越点。结果取决于人的移动和鼠的繁殖。人只能乘特定车辆去有限的目的地,环境是否适合鼠则取决于生物气候和地形等信息。繁殖速率没有在综述里给出。

社会科学里的层,常常是回归的层级

社会科学模型的目的和实现差得很远,共同点是个人动态要放在与其他人或群体的关系里看。第8节的概念图只分成意见传播和人口动态,人口动态再分成健康状况的影响和搬迁。

原论文第8节未编号概念图,社会科学

图 13|社会科学的概念图把层收成了哪几支?

无字母子图。社会科学下面是意见传播和人口动态;人口动态再连到健康状况的影响和搬迁。回归层级、多层图的具体层名都没有画在图上。来源:原论文第8节节首未编号概念图。

关系有很多种,所以信息、潮流和新闻的扩散常用多层图:节点是人,边是联系,层是发生特定联系的环境。Twitter和FriendFeed可以各占一层。信息传播会借用仓室的样子,人处于不知道、正在传播或不再传播。这里的状态说的是消息还在不在传。另一套状态包括不知情者、传播者、传播改动版本的人、收到但不再主动传播的人,以及不再传播的人。线上联系和所谓现实联系也可以分属不同层,中间再加一个认知过渡层。

多重网络被用来考察社会结构:社会由若干联系紧密的社区组成,社区之间靠弱联系相连。转推研究把变量放在三层:潜在转推者及其与话题的关系,例如兴趣相似度;父级,包括级联深度;级联级,包括内容特征和推文热度。综述没有报告这些变量的系数。

人口动态是另一大块,涉及疾病倾向、同质性、迁移和绅士化。绅士化在这里指中产或富裕人口进入原有社区,价格上升,低收入居民更难负担生活成本。这类研究依赖可靠数据,并同时在个体和汇总层寻找统计上站得住的关联。

健康与个体特征的一组,大多是逻辑回归。儿童肥胖同时使用个人的性别、年龄、族裔,邮编层的收入中位数、生活方式分类和城市化,以及县层的收入和城乡分布。肥胖与糖尿病、儿童疟疾、特雷西纳的内脏利什曼病、印度艾滋病预防项目Avahan、得克萨斯道路死亡、水果蔬菜消费、美国人性取向与收入,都同时放入个人变量和地区、家庭、社区或制度变量。综述几乎没有给出系数。少数被转述的实质结论来自得克萨斯的多尺度地理加权回归:地方尺度上与道路事故关联最强的因素之一,是上班所需的平均时间;区域和全球尺度上,独自驾车与道路安全变差有关。这是综述对那项研究的转述,没有系数,也不是这篇综述自己做的因果识别。

搬迁是第二组。费城的绅士化同时看个人的族裔、教育、婚姻和收入,以及邻里的绅士化过程和稳定性。亚特兰大把绅士化与投票率放在一起,个人变量是年龄、性别、族裔,邻里变量包括平均教育、绅士化率和自有住房比例,并放入绅士化与长期选民的跨层交互。挪威境内迁移用个人和汇总特征定义迁移概率,最复杂的是事件史模型,决策依据个人整个生命史里发生过的事件。中国农民工的社会融合用个人与城市两层,城市变量包括城市性质、经济、人口结构、语言文化和管理制度。另一项人类移动研究把微观定为家庭和住房单元,中观定为微观主体组和城市部门,宏观定为城市特征和规划,移动受主体相似度和群体与城市部门之间的亲和影响。这些段落列出的是变量层级,不是效应大小。

对象也不限于人。变温动物的个体模型按当前成年种群预测产卵数,仓室模型用微分方程写种群动态。捕食者—猎物模型在宏观用微分方程写两类数量的变化,微观写个体行为。

这一节的方法和其他领域差得最明显。社会科学里的层,常常指观察系统的一个视角,而不是模型里的一个组件。ABM在社会科学中很流行,在多层框架里却不常用。作者认为,随着LevelSpace这类多尺度ABM平台发展,多尺度方法以后可能更重要。LevelSpace是NetLogo的扩展,可以让多个NetLogo模型按层次相互作用,并便于接入已有模型。这是对以后的判断,不是这127篇里已经出现的频数。

五篇进不了以上各类的文献在拆什么?

进不了五类的是5篇,占127篇的3.94%。它们仍在拆层,只是对象换成了供应链、市场和情绪。

供应链的一篇同时用连续和离散模型。工厂里的短期操作是一层,战术和战略政策是更高层。客户订单和供应链组件被当成连续变量,运输是离散的。另一篇用纯ABM估计气候变化对马铃薯供应链各阶段的经济影响,模拟里出现栽培、运输、加工、零售和商品物流五层,并用机器学习按年趋势和季节性预测价格。货运的一篇用三个时间尺度:长期是商品流和物流网络,中期是发货、物流计划和车流,短期是调度、路径和派车。主体是机构和货运司机。

双公司市场的例子把ABM和系统动力学接在一起。个人顾客的行为被汇总成趋势;顾客又受产品流行度和邻里决策影响。公司吸引并留住顾客的能力用连续反馈回路来写。连续ABM构建器把主体输入变成待解方程,并处理邻里模型;求解器负责算出仿真结果。

最后一篇把情绪心理分成心情、情绪和性格三层,用一组方程把三层的相互作用映射成心情和情绪的变化。综述没有给出这组方程。

该用哪个词,交接时要守住什么?

结论把反复出现的搭配收成一张表。格子里没有篇数,所以最常是综述读完文献后的判断。

应用 综述写出的常见搭配
局部疫情扩散 宿主内模型 + 宿主间模型
大范围疫情扩散 大尺度移动模型 + 局部宿主间模型
交通 宏观模型 + 微观模型
人群行为 宏观模型 + 微观模型
人群疏散 烟火模型 + 微观模型
人口动态 多层逻辑回归
信息扩散 多层图

人口动态这一格与同一节的正文不完全一致。正文说人口动态研究通常基于多层连续模型,表里写的是多层逻辑回归。表6里这一类论文的类型列大多标成逻辑回归。两处不能合成一种更干净的说法。

结论还写考察了125项研究工作,主要为会议和期刊论文。期刊96篇加会议29篇等于125,加上2篇书章等于127。论文没有写明125是否故意去掉书章。

图7和图8把方法放进两个维度:模型类型是连续、离散或混合,细节水平是低、高或混合。混合指不同层使用不同类型的模型。其他应用的组合更杂,综述认为无法做同样的分类。格子里同样没有篇数。空格表示综述没有把一类反复出现的做法放在那里。

原论文图7,疫情建模与仿真方法分类

图 7|疫情模型被放进了哪几种类型和细节?

无字母子图。纵轴是细节水平,横轴是模型类型。高细节、连续:宿主内模型。混合细节、连续:局部疫情扩散模型。低细节、离散:基于图的移动模型。低细节、连续:宿主间模型。低细节、混合类型:全球疫情扩散模型。来源:原论文 Fig. 7。

原论文图8,人群与交通建模分类

图 8|人群和交通的模型落在哪些格子里?

无字母子图。高细节、离散:行人疏散模型。高细节、连续:微观交通或人群模型。高细节、混合:多层疏散模型。混合细节、连续:多尺度交通或人群模型。低细节、连续这一格里叠放着火灾或烟雾传播模型,以及宏观交通或人群模型。来源:原论文 Fig. 8。

层与层交换状态,有两种反复出现的做法。一种是互相提供对方要用的量。疫情里,宿主内的感染结果用来产生宿主间的传染机会;健康人接触到感染者的机会又依赖大尺度扩散,并可能按宿主内的结果触发感染。另一种是聚合与分解,交通和人群里最典型:平均速度或密度交给宏观,宏观再给出可以带随机起伏的量,实例化到微观个体上。

什么时候用哪个词,综述收成三行。实体之间存在不同类型的关系,用多层网络,例如每种社会网络一层。需要把语义不同或已经存在的模型接进同一次仿真,用多层建模,例如烟火扩散和行人行为。需要在精度和运行时间之间取舍,或者同时需要粗和细的表示,用多尺度,例如只把市中心和拥堵路段写成细粒度。

精度是跨领域的限制。综述用garbage in, garbage out来概括:多层建模可以让人在需要的地方选择细节,但真实参数和工作负载仍要单独选择。社会科学以数据为核心,采集尤其重要。疫情研究可以使用来自真实地区的传染率、恢复率,并配上区域之间的真实移动;交通和人群则常常把合成信息与道路、地理、人的存在混在一起。综述强调工作负载的刻画和验证,没有在这里比较哪一组参数更接近实测。

这些数字和搭配不能推出什么

127篇是按相关性取前40条、再加人工程引用和4篇已知论文之后的集合,不是这六个检索词在四个库中的全部文献。大约250、大约40%和10%不能当成精确漏斗。电子图书馆对更老和更新的论文都有覆盖不足,图3里的上升要连着这句话读。

地区份额的分母是127篇论文。EU这个标签包含非欧盟国家,USA这个标签和含加拿大的北美洲定义并排出现在同一节。图4能支持疫情主题的作者份额主要来自USA和EU、交通主题由EU占优;它没有给出各块的百分数,也没有把按年的地区—主题交叉表印出来。

图2的图题和随后一句正文指向检索来源,饼图本身是期刊、会议和书章。正文里的23.83%与29/127、以及饼图上的22.8%对不上。结论中的125与分类中的127并排存在。表3、表4的标题与行内容互换,表5对两篇城市扩张论文的方法标注与正文段落不一致,表8的人口动态与同节正文用了不同的模型族。这些不一致留在原处,不在复述时抹平。

125.4辆车是取整问题的说明性例子。10分钟对5秒、更新间隔120步,是溃坝案例里两个模型的时间尺度。它们都不是这篇综述新跑出来的误差或实验。

搭配是这批文献里反复出现的设计,不是唯一合法的设计,也不是对某座城市的预测。仓室输出、流量方程和回归层级都不是直接观测。相关变量被放进同一回归,不能写成这篇综述已经识别了因果。ABM在信息不足时可以做假如式分析,试错结果仍是模型里的结果。公开代码少,意味着图6里的红色占优是这批论文的可重复性状况,不能改写成这些模型因此无效。

一句话总结

多出来的那一层,要看交接的是什么:更细的尺度、另一件语义不同的事,或另一种社会关系,三者都能出现在人类移动性的模拟里,但车辆数、速度和状态不会因为已经分层就自动对齐。

核心来源

作者介绍

  • Luca Serena:通讯作者,署名为博洛尼亚大学计算机科学与工程系。博洛尼亚大学学位论文库收录其2025年博士论文,研究多层建模与仿真的方法与应用,导师为本文作者Moreno Marzolla,合作导师为Gabriele D’Angelo。
  • Moreno Marzolla:博洛尼亚大学计算机科学与工程系,以及跨系工业研究中心ICT。论文脚注写明,其部分经费来自INdAM-GNCS,以及下一代欧盟计划中的ICSC国家高性能计算、大数据与量子计算研究中心。
  • Gabriele D’Angelo:与Marzolla同样署名为博洛尼亚大学计算机科学与工程系和跨系工业研究中心ICT。
  • Stefano Ferretti:乌尔比诺卡洛博大学纯科学与应用科学系。

延伸思考

以下是 AI 基于论文结果所作的延伸,不属于原论文结论。

若一座城市的数字孪生只在事故路段切换到微观,值得同时记账的不只是局部速度。一辆已经在微观层选定路线的配送车,一旦被收成密度,再分解回来时可能变成一辆没有原路线的普通车。可以设计一次只检查守恒的试验:来回切换许多次,看区域车辆总数、以及每辆车所服务的目的地清单是否还在。125.4这个例子说明整数车辆会漂;目的地清单会不会一起丢,是另一项独立的检查。

疫情与移动耦合时,还要先写清被交过去的那个机会是按一次接触、一次出行,还是按一天计算。宿主内过程可以是小时尺度,通勤图可能一年才更新一次。两边都叫概率时,数值仍可能对不上同一种事件。这不是把某一疾病的速率填进公式,而是在两层握手之前,先把事件的时间单位写成接口的一部分。


文章作者: 猴猴猴
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 猴猴猴 !
  目录