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

Wanneer een stad te maken krijgt met een plotselinge gezondheidscrisis, is de meest directe vraag voor leiders niet alleen hoe ze het virus kunnen stoppen, maar hoe ze de stad draaiende kunnen houden. Het antwoord ligt in het begrijpen van menselijk gedrag. Decennialang hebben wetenschappers geweten dat mensen zich niet willekeurig bewegen; ons dagelijks leven bestaat uit gestructureerde routines van werk, winkelen en reizen, beperkt door tijd en gewoonte. Wanneer overheden restricties opleggen zoals lockdowns, verminderen zij niet simpelweg de totale hoeveelheid beweging. In plaats daarvan dwingen zij een complexe herschikking af van waar mensen hun tijd doorbrengen en hoe ze daar komen. Een persoon kan stoppen met het bezoeken van een druk kantoor, maar blijft wel naar een supermarkt rijden, of schakelt van een drukke metro over naar een privéauto. Deze specifieke keuzes bepalen hoeveel blootstelling aan het virus overblijft, en hoeveel economische activiteit overleeft. De uitdaging voor beleidsmakers is geweest om deze verschuivingen te voorspellen voordat ze plaatsvinden, in plaats van er alleen op te reageren nadat ze zijn gebeurd.

Een team onderzoekers aan University College London heeft een nieuwe manier ontwikkeld om deze verschuivingen te simuleren, waarbij ze verder gaan dan eenvoudige tellingen van hoeveel mensen er bewegen naar een gedetailleerde kaart van hoe zij hun tijd doorbrengen. Hun werk, gecentreerd rond data uit Singapore tijdens de eerste golf van de pandemie, creëert een digitale spiegel van het dagelijs leven die getest kan worden tegen verschillende beleidskalenders. In plaats van te gokken hoe een lockdown het gedrag zou veranderen, bouwden de onderzoekers een systeem dat leert van de werkelijke bewegingen van echte mensen om te voorspellen wat er zou gebeuren als de regels zouden veranderen. Ze ontdekten dat de timing van een restrictie veel belangrijker is dan de lengte ervan, en dat de specifieke mix van activiteiten die mensen blijven doen net zo belangrijk is als het totale aantal ritten dat zij maken.

De onderzoekers begonnen met een enorme dataset van werkelijke bewegingen van 911 individuen in Singapore, gevolgd over 184 dagen van maart tot augustus 2020. Deze periode besloeg de volledige boog van het land van de eerste golf, inclusief de strikte lockdown, de geleidelijke heropening en de verschuivende fasen van restrictie. In plaats van deze mensen te behandelen als één enkele, vage massa, bekeken het team de dag van elke persoon als een reeks keuzes: hoeveel tijd werd besteed aan reizen, waar ze stopten wanneer ze niet aan het reizen waren, en welke vervoerswijze zij gebruikten. Ze merkten op dat wanneer het beleid veranderde, mensen niet alleen minder bewogen; ze bewogen anders. Sommigen stopten met het bezoeken van restaurants maar bleven parken bezoeken; anderen stopten met het gebruik van openbaar vervoer maar bleven auto rijden. De onderzoekers realiseerden zich dat om de toekomst te voorspellen, ze een model nodig hadden dat deze specifieke, individuele afwegingen kon begrijpen.

Om dit model te bouwen, creëerde het team een digitale motor die elke dag opdeelt in drie delen. Eerst berekent het hoeveel tijd er aan reizen wordt besteed. Ten tweede beslist het hoe de resterende tijd wordt verdeeld over verschillende soorten plaatsen, zoals huizen, kantoren, winkels en scholen. Ten derde bepaalt het hoe de reistijd wordt verdeeld tussen wandelen, autorijden, de bus nemen of de trein gebruiken. De belangrijkste innovatie was het leren van deze motor dat verschillende mensen op verschillende manieren op regels reageren. Sommige mensen kunnen misschien gemakkelijk vanuit huis werken, terwijl anderen dat niet kunnen. Sommigen schakelen misschien direct over op autorijden, terwijl anderen wachten. Het model gebruikt een "mixture of experts"-benadering, wat lijkt op het hebben van een team specialisten binnen de computer, waarbij verschillende specialisten de leiding nemen afhankelijk van de situatie. Eén specialist kan bijvoorbeeld het gedrag van mensen afhandelen die tijdens een lockdown thuis blijven, terwijl een andere de mensen afhandelt die doorgaan naar hun werk. Dit stelt het systeem in staat om de chaotische realiteit te vangen dat niet iedereen hetzelfde script volgt.

De onderzoekers voegden vervolgens een laag van "preference alignment" toe om ervoor te zorgen dat het model logisch handelt wanneer de regels veranderen. Ze leerden het systeem om acties te verkiezen die overeenkomen met de huidige beleidsfase boven acties die bij een andere tijd hoorden. Bijvoorbeeld, als het beleid verschoof naar een lockdown, leerde het model om prioriteit te geven aan thuisblijven, zelfs als de persoon een geschiedenis had van naar buiten gaan. Dit was cruciaal voor het simuleren van "wat als"-scenario's. Het team wilde weten wat er zou gebeuren als de lockdown een week eerder was begonnen, een week later eindigde, of een andere duur had gehad. Door deze simulaties uit te voeren, konden ze een volledige, dag-tot-dag voorspelling genereren van hoe de bevolking zich zou gedragen onder deze alternatieve regels, lang voordat het virus zich naar die nieuwe omstandigheden verspreidde.

De resultaten van deze simulaties onthulden een duidelijk en krachtig patroon: de timing van een restrictie is kritischer dan de duur ervan. Wanneer de onderzoekers een eerdere lockdown simuleerden, beginnend een week vóór de werkelijke gebeurtenis, daalde de piek van infecties aanzienlijk. Het virus werd afgesneden voordat het een grote golf van gevallen kon opbouwen. Daarentegen zorgde een vertraagde lockdown ervoor dat de infectie zich verder verspreidde voordat de restricties ingrepen, wat leidde tot een hogere piek en meer totale gevallen. Interessant genoeg hielp het simpelweg verlengen van een lockdown niet altijd. Als een lockdown werd verlengd nadat de piek van de epidemie al was gepasseerd, deed dit weinig om het totaal aantal infecties te verminderen, maar verminderde het wel de tijd die mensen in openbare ruimten doorbrachten. Dit suggereert dat zodra het ergste van de uitbraak voorbij is, het verlengen van restricties een afnemend rendement oplevert voor de gezondheid, terwijl het de economie blijft kosten.

De studie benadrukte ook de delicate balans tussen het beheersen van het virus en het draaiende houden van de stad. De onderzoekers creëerden een index om te meten hoeveel economische activiteit er overbleef onder verschillende scenario's. Ze vonden dat een kortere lockdown de meeste economische activiteit behield, maar dat dit gepaard ging met een kleine toename van het aantal infecties. Een vroege lockdown was het meest effectief in het stoppen van het virus, maar dit ging gepaard met een grotere daling in de economische activiteit. Een late lockdown hield de activiteitsniveaus hoog, maar slaagde er niet in de ziekte effectief te beheersen. Er was geen perfecte oplossing; elke keuze bracht een afweging met zich mee. Het model toonde aan dat de beste uitkomst volledig afhangt van wat een samenleving op een specifiek moment het meest waardeert: het minimaliseren van de onmiddellijke gezondheidscrisis of het behouden van een maximaal deel van het dagelijks leven.

Wat dit werk significant maakt, is dat het niet vertrouwt op brede aannames of geaggregeerde cijfers. Het bouwt zijn voorspellingen vanaf de grond af, gebruikmakend van de werkelijke gewoonten van echte mensen. Door te begrijpen dat een lockdown de structuur van een dag verandert in plaats van alleen het volume van de beweging, biedt het model een veel duidelijker beeld van de gevolgen van beleid. Het laat zien dat een beleidskalender niet alleen een lijst met data is, maar een reeks instructies die het dagelijkse ritme van miljoenen mensen hervormt. De onderzoekers hebben aangetoond dat als je de uitkomst van een beleid wilt voorspellen, je eerst moet begrijpen hoe dat beleid de manier waarop mensen hun tijd doorbrengen verandert.

De studie concludeert dat voor toekomstige crises het vermogen om deze gedragsverschuivingen te simuleren essentieel zal zijn. Beleidsmakers zullen niet alleen moeten weten hoe strikt een regel is, maar ook hoe deze in de stroom van het dagelijks leven past. Het model suggereert dat vroegtijdig handelen vaak krachtiger is dan langdurig handelen, en dat de specifieke mix van activiteiten die mensen blijven doen even belangrijk is als het totale aantal mensen dat beweegt. Door de complexe, chaotische realiteit van menselijk gedrag om te zetten in een gestructureerde, voorspelbare simulatie, hebben de onderzoekers een instrument geboden dat leiders kan helpen bij de moeilijke keuzes tussen gezondheid en economie te navigeren. Het werk biedt geen wondermiddel, maar het biedt wel een duidelijkere kaart, die laat zien dat in een crisis de timing van een beslissing even belangrijk kan zijn als de beslissing zelf.