From Urban Mobility to Epidemic Dynamics: A Mixture-of-Experts Framework with Preference Alignment for Policy Scenario Simulation

Wenn eine Stadt vor einer plötzlichen Gesundheitskrise steht, ist die unmittelbarste Frage für die Verantwortlichen nicht nur, wie man das Virus stoppt, sondern wie man die Funktion der Stadt aufrechterhält. Die Antwort liegt im Verständnis des menschlichen Verhaltens. Seit Jahrzehnten wissen Wissenschaftler, dass Menschen sich nicht zufällig bewegen; unser tägliches Leben ist durch feste Routinen von Arbeit, Einkaufen und Reisen strukturiert, die durch Zeit und Gewohnheit begrenzt sind. Wenn Regierungen Beschränkungen wie Lockdowns auferlegen, reduzieren sie nicht einfach die Gesamtmenge der Bewegungen. Stattdessen erzwingen sie eine komplexe Umstrukturierung dessen, wo Menschen ihre Zeit verbringen und wie sie dorthin gelangen. Eine Person mag vielleicht aufhören, ein überfülltes Büro zu besuchen, fährt aber weiterhin zum Lebensmittelgeschäft oder wechselt von einer belebten U-Bahn zu einem privaten Auto. Diese spezifischen Entscheidungen bestimmen, wie viel Exposition gegenüber dem Virus bestehen bleibt und wie viel wirtschaftliche Aktivität überlebt. Die Herausforderung für politische Entscheidungsträger bestand darin, diese Verschiebungen vorherzusagen, bevor sie geschehen, anstatt nur nach dem Faktum darauf zu reagieren.

Ein Forschungsteam des University College London hat eine neue Methode entwickelt, um diese Verschiebungen zu simulieren, die über einfache Zählungen der Anzahl der sich bewegenden Menschen hinausgeht und zu einer detaillierten Karte dessen führt, wie sie ihre Zeit verbringen. Ihre Arbeit, die auf Daten aus Singapur während der ersten Welle der Pandemie basiert, erschafft einen digitalen Spiegel des täglichen Lebens, der gegen verschiedene Politik-Kalender getestet werden kann. Anstatt zu raten, wie ein Lockdown das Verhalten verändern könnte, bauten die Forscher ein System, das aus den tatsächlichen Bewegungen echter Menschen lernt, um vorherzusagen, was passieren würde, wenn sich die Regeln ändern. Sie fanden heraus, dass der Zeitpunkt einer Beschränkung weit wichtiger ist als deren Dauer, und dass die spezifische Mischung der Aktivitäten, die Menschen fortführen, ebenso wichtig ist wie die Gesamtzahl der Fahrten, die sie unternehmen.

Die Forscher begannen mit einem massiven Datensatz realer Bewegungen von 911 Personen in Singapur, die über 184 Tage von März bis August 2020 verfolgt wurden. Dieser Zeitraum deckte den gesamten Bogen der ersten Welle des Landes ab, einschließlich des strengen Lockdowns, der schrittweisen Wiederöffnung und der sich ändernden Phasen der Beschränkung. Anstatt diese Menschen als eine einzige, verschwommene Masse zu behandeln, betrachtete das Team jeden Tag einer Person als eine Serie von Entscheidungen: wie viel Zeit mit Reisen verbracht wurde, wo sie anhielten, wenn sie nicht unterwegs waren, und welches Transportmittel sie nutzten. Sie bemerkten, dass sich die Menschen bei Änderungen der politischen Maßnahmen nicht einfach weniger bewegten, sondern anders bewegten. Einige hörten auf, in Restaurants zu gehen, besuchten aber weiterhin Parks; andere hörten auf, öffentliche Verkehrsmittel zu nutzen, fuhren aber weiter Auto. Die Forscher erkannten, dass sie ein Modell benötigten, das diese spezifischen, individuellen Abwägungen verstehen konnte, um die Zukunft vorherzusagen.

Um dieses Modell aufzubauen, erschuf das Team eine digitale Engine, die jeden Tag in drei Teile zerlegt. Zuerst berechnet sie, wie viel des Tages mit dem Pendeln verbracht wird. Zweitens entscheidet sie, wie die verbleibende Zeit auf verschiedene Arten von Orten verteilt wird, wie etwa Häuser, Büros, Geschäfte und Schulen. Drittens bestimmt sie, wie die Reisezeit zwischen Gehen, Autofahren, Busfahren oder Zugfahren aufgeteilt wird. Die entscheidende Innovation war, dieser Engine beizubringen, dass verschiedene Menschen unterschiedlich auf Regeln reagieren. Einige können vielleicht problemlos im Homeoffice arbeiten, während andere dies nicht können. Einige könnten sofort auf das Auto umsteigen, während andere abwarten. Das Modell nutzt einen „Mixture of Experts“-Ansatz (Mischung von Experten), was wie ein Team von Spezialisten innerhalb des Computers funktioniert, wobei je nach Situation unterschiedliche Spezialisten die Führung übernehmen. Ein Spezialist könnte das Verhalten von Menschen handhaben, die während eines Lockdowns zu Hause bleiben, während ein anderer diejenigen handhabt, die weiterhin zur Arbeit gehen. Dies ermöglicht es dem System, die chaotische Realität einzufangen, dass nicht jeder demselben Skript folgt.

Die Forscher fügten dann eine Ebene der „Präferenzanpassung“ hinzu, um sicherzustellen, dass das Modell logisch agiert, wenn sich die Regeln ändern. Sie brachten dem System bei, Aktionen zu bevorzugen, die zur aktuellen Politikphase passen, gegenüber Aktionen, die zu einer anderen Zeit gehörten. Wenn sich die Politik beispielsweise zu einem Lockdown verschob, lernte das Modell, dem Zuhausebleiben Vorrang zu geben, selbst wenn die Person eine Vorgeschichte des Ausgehens hatte. Dies war entscheidend für die Simulation von „Was-wäre-wenn“-Szenarien. Das Team wollte wissen, was passiert wäre, wenn der Lockdown eine Woche früher begonnen hätte, eine Woche länger gedauert hätte oder eine andere Dauer gehabt hätte. Durch das Durchlaufen dieser Simulationen konnten sie eine vollständige, tageweise Prognose darüber erstellen, wie sich die Bevölkerung unter diesen alternativen Regeln verhalten würde, noch bevor das Virus zu diesen neuen Bedingungen vordringt.

Die Ergebnisse dieser Simulationen zeigten ein klares und kraftvolles Muster: Der Zeitpunkt einer Beschränkung ist kritischer als ihre Dauer. Als die Forscher einen früheren Lockdown simulierten, der eine Woche vor dem tatsächlichen Ereignis begann, sank der Höhepunkt der Infektionen signifikant. Das Virus wurde abgeschnitten, bevor es eine große Infektionswelle aufbauen konnte. Im Gegensatz dazu ermöglichte ein verzögerter Lockdown, dass sich die Infektion weiter ausbreitete, bevor die Beschränkungen griffen, was zu einem höheren Gipfel und mehr Gesamtfällen führte. Interessanterweise half es nicht immer, einen Lockdown einfach länger zu machen. Wenn ein Lockdown verlängert wurde, nachdem der Höhepunkt der Epidemie bereits überschritten war, bewirkte dies kaum eine Reduzierung der Gesamtzahl der Infektionen, reduzierte aber die Zeit, die Menschen in öffentlichen Räumen verbrachten. Dies deutet darauf darauf hin, dass eine Verlängerung von Beschränkungen, sobald der schlimmste Teil des Ausbruchs vorüber ist, einen abnehmenden Grenznutzen für die Gesundheit bietet, während sie gleichzeitig die Wirtschaft weiter belastet.

Die Studie hob auch das empfindliche Gleichgewicht zwischen der Kontrolle des Virus und dem Erhalt des städtischen Lebens hervor. Die Forscher erstellten einen Index, um das verbleibende Maß an wirtschaftlicher Aktivität unter verschiedenen Szenarien zu messen. Sie fanden heraus, dass ein kürzerer Lockdown am meisten wirtschaftliche Aktivität bewahrte, dies jedoch mit einem kleinen Anstieg der Infektionen einherging. Ein früher Lockdown war am effektivsten darin, das Virus zu stoppen, ging aber mit einem größeren Rückgang der wirtschaftlichen Aktivität einher. Ein später Lockdown hielt das Aktivitätsniveau hoch, versagte jedoch dabei, die Krankheit effektiv zu kontrollieren. Es gab keine perfekte Lösung; jede Entscheidung beinhaltete eine Abwägung. Das Modell zeigte, dass das beste Ergebnis vollständig davon abhängt, was eine Gesellschaft in einem bestimmten Moment am meisten wertschätzt: die Minimierung der unmittelbaren Gesundheitskrise oder die Bewahrung des maximalen Anteils am täglichen Leben.

Was diese Arbeit bedeutend macht, ist, dass sie nicht auf breiten Annahmen oder aggregierten Zahlen beruht. Sie baut ihre Vorhersagen von Grund auf auf, indem sie die tatsächlichen Gewohnheiten echter Menschen nutzt. Indem sie versteht, dass ein Lockdown die Struktur eines Tages verändert und nicht nur das Volumen der Bewegung, liefert das Modell ein viel klareres Bild der Konsequenzen politischer Maßnahmen. Es zeigt, dass ein Politik-Kalender nicht nur eine Liste von Daten ist, sondern eine Reihe von Anweisungen, die den täglichen Rhythmus von Millionen von Menschen umgestaltet. Die Forscher demonstrierten, dass man, wenn man das Ergebnis einer Maßnahme vorhersagen will, zuerst verstehen muss, wie diese Maßnahme die Art und Weise verändert, wie Menschen ihre Zeit verbringen.

Die Studie kommt zu dem Schluss, dass für zukünftige Krisen die Fähigkeit, diese Verhaltensverschiebungen zu simulieren, essenziell sein wird. Politische Entscheidungsträger werden nicht nur wissen müssen, wie streng eine Regel ist, sondern wie sie in den Fluss des täglichen Lebens passt. Das Modell legt nahe, dass frühes Handeln oft mächtiger ist als langes Handeln, und dass die spezifische Mischung der Aktivitäten, die Menschen fortführen, ebenso wichtig ist wie die Gesamtzahl der sich bewegenden Menschen. Indem sie die komplexe, chaotische Realität des menschlichen Verhaltens in eine strukturierte, vorhersehbare Simulation verwandeln, haben die Forscher ein Werkzeug bereitgestellt, das Führungskräften helfen kann, die schwierigen Entscheidungen zwischen Gesundheit und Wirtschaft zu navigieren. Die Arbeit bietet kein Allheilmittel, aber sie bietet eine klarere Landkarte, die zeigt, dass in einer Krise der Zeitpunkt einer Entscheidung genauso wichtig sein kann wie die Entscheidung selbst.