PANDEMOS
Projektinhalte und Ziele
Die Covid-19-Pandemie stellte die Welt vor gewaltige Aufgaben und diese muss für künftige Pandemien besser vorbereitet sein. Eine besondere Herausforderung ist dabei die Erhaltung der Mobilität als soziales und wirtschaftliches Gut in unserer Gesellschaft. Der Einfluss der Mobilität auf die Pandemie unter Beachtung verschiedener politischer Maßnahmen wie z.B. Mund- und Nasenschutz, regelmäßige Testung im ÖPNV oder Mindestabstände ist bisher unzureichend untersucht. Innovative Strategien zur lokalen Viruseindämmung abhängig von Region, Verkehrsmittelauswahl und Verkehrsströmen sind dringend nötig und müssen durch Simulationsstudien gefunden werden.
Ziel des Projektes „PANDEMOS“ ist die Entwicklung eines Softwareframeworks mit einer interaktiven Benutzeroberfläche, welche das Infektionsgeschehen in Abhängigkeit von Mobilität abbildet. Basierend auf aktuellen Daten aus Verkehrsforschung, Social-Media, Epidemiologie und Virologie werden politische Maßnahmen auf ihre Wirkung untersucht. Mit der innovativen Modellkombination aus Verkehr und Epidemiologie und der breit angelegten Datenbasis werden differenzierte Strategien für die Pandemiebekämpfung erarbeitet.
Projektaufbau
1. Herleitung gesamtdeutscher Verkehrsnachfrage auf Personenebene
Mit DEMO liegt ein deutschlandweites Modell des Mobilitätsverhaltens vor, welches jedoch a) makroskopisch ist, d.h. eine über Bevölkerungsgruppen aggregierte Beschreibung des Mobilitätsverhaltens besitzt und b) keine räumlich aufgelöste Abbildung der Mobilität innerhalb der Verkehrszellen liefert. Um eine disaggregierte, vollständige Abbildung der Mobilität aller in Deutschland lebenden Personen zu erhalten, werden daher im ersten Projektschritt die Ergebnisse des DEMO-Modells disaggregiert.
Die Disaggregation der DEMO-Nachfrage baut auf verschiedenen Daten auf. Die Bevölkerung wird zunächst in Einzelpersonen überführt, wobei statistische Informationen zur Soziodemografie, z.B. Alter, Geschlecht, Erwerbsstatus, Besitz von Mobilitätsoptionen, etc., angespielt werden. Sodann werden Daten des OpenStreetMap-Projektes genutzt um die Bevölkerung auf Wohngebäude zu verteilen. Diese Daten werden auch für die Bestimmung der disaggregierten Zielorte von Fahrten genutzt. Die aus DEMO jeweils über einen Tag unternommenen Fahrten und deren Zwecke werden hierbei über Tagebücher der „Zeitverwendungserhebung“ ergänzt.
Das Ergebnis ist eine disaggregierte Fahrtenliste samt Start- und Zielort, Zweck, Zeitpunkt sowie dem genutzten Verkehrsmodus. Die in AP2 erfolgende Veredelung der Abbildung der Mobilität durch Social Media und Mobilfunkdaten wird iterativ in AP1 berücksichtigt, um eine Verbesserung der Methoden der Disaggregation zu erhalten.
2. Social Media Analyse und Datenintegration
Neben der Auswertung von Verkehrsmodellen und Verkehrsnachfrage in Arbeitspaket 1 werden in diesem Arbeitspaket zudem Daten aus sozialen Medien, die über öffentliche APIs abgefragt werden können, ausgewertet, um ein noch genaueres Bild der Mobilität in Deutschland zu gewinnen. Dazu werden verschiedene Analysetechniken in einem Social Media Monitoring Tool bereitgestellt.
Zur Generierung einer konsistenten und umfassenden Datenbasis werden dazu Techniken des Maschinellen Lernens und des Text Mining angewendet, um Ortsbezüge in öffentlichen SocialMedia-Beiträgen zu identifizieren (Georeferenzierung) auch wenn diese nicht explizit angegeben wurden. Dabei muss sichergestellt werden, dass Verzerrungen in den Daten, z.B. eine zu starke Fokussierung auf einzelne Regionen oder Altersgruppen, weitgehend vermieden werden. Dies wird dadurch erreicht, dass die akquirierten Beiträge mit Ortsbezug mit Daten zur Bevölkerungsdichte zwecks Repräsentativität abgeglichen werden. Weiter werden hier auch freiwillige Datenspenden zur Validierung genutzt.
Das Ziel ist es, aus solchen Daten sowohl tatsächliche Verkehrsbewegungen zu modellieren als auch soziale Verbindungen zwischen Regionen abzuleiten über die sich Mobilität vorhersagen lässt. Dabei werden zunächst aus den gesammelten Social Media-Daten Netzwerke aus Personen, Orten, und Beiträgen aufgebaut. Diese werden dann in ein geographisches Koordinatensystem eingebettet und mittels „Spatio Social Network Analysis“ analysiert und mit weiteren Verkehrsdaten in Verbindung gesetzt, um weitere Einblicke in die Mobilität in Deutschland und beeinflussende Faktoren zu erhalten. Die Ergebnisse tragen zur Anpassung der Verkehrsmodelle (AP1) und zu einer genaueren Parametrisierung von Simulationsmodellen (AP4) bei.
3. Webinterface mit Visual Analytics und Interaktiver Visualisierung
Die visuelle Auswertung der Daten ist ein zentraler Bestandteil des Projektes. Sie soll es ermöglichen, die Ergebnisse der Simulationen zu verstehen, die Detektion nicht-bekannter Muster ermöglichen und daraus ableitend mögliche Maßnahmen zu bewerten. Die Visualisierung soll auf mehreren Ebenen arbeiten, um die Infektionsdynamik, sowohl im nationalen, als auch im regionalen Kontext zu analysieren. Hierfür werden mehrere Visualisierungstechniken angewandt, die für die unterschiedlichen Ebenen geeignet sind. Auf nationaler Ebene werden hauptsächlich Choroplethkarten zum Einsatz kommen, welche kombiniert mit groben Infrastrukturkarten die Infektionsausbreitung durch Fernreisen analysieren lässt. Auf regionaler Ebene werden feingranulare Visualisierungen aufbauend auf Techniken von Krüger (2017) implementiert. Diese Techniken werden um anwendungsspezifische Methoden angepasst und erweitert.
Ergänzt werden die georeferenzierten Visualisierungen durch statistische Analysewerkzeuge, wie z.B. parallele Koordinatenplots oder Scatterplotmatrizen. Auch automatisierte Algorithmen sollen die Benutzer:innen dabei unterstützen, Muster in den Daten zu erkennen und diese zu visualisieren.
Interaktive Elemente erweitern die Visualisierungen zu einer Anwendung, mit der unterschiedliche Szenarien definiert, getestet und analysiert werden können. Hier soll eine Interaktionsschleife für Benutzer:innen entstehen, die es ermöglicht, Maßnahmen zu definieren, darauf basierende Simulationen zu starten und die Ergebnisse zu analysieren. Aufbauend auf den Ergebnissen können Maßnahmen angepasst und bewertet werden.
Das Visual Analytics Rahmenwerk soll primär mit Webtechnologien umgesetzt werden. Hierzu soll auf existierende Open Source Bibliotheken aufgebaut werden. Im Zentrum werden Visualisierungsbibliotheken, wie D3.js und amCharts stehen. Leaflet wird in Kombination mit Daten von OpenStreetMap genutzt um regionale Visualisierungen umzusetzen.
Die in Arbeitspaket 5 entwickelte Library kann auf effiziente Art und Weise die Resultate der Modelle nachahmen und so einen zügigen und kostengünstigen Ausblick auf Resultate bereitstellen.
4. Epidemiologische Simulationsmodelle mit Mobilitätsbetrachtung
In AP 4 sollen bestehende epidemiologische Modelle erweitert und um eine explizite Beschreibung von Mobilität und Personentransport ergänzt werden. Ziel ist es dabei, Auswirkungen verschiedener Formen von Mobilität auf das Infektionsgeschehen zu untersuchen und vorherzusagen. Dabei werden sowohl die Bedeutung des ÖPNV als Ansteckungsort einerseits als auch die Bedeutung von Mobilität insgesamt für die Ausbreitung der Pandemie in Szenariensimulationen untersucht.
In einer ersten Näherung kann das Infektionsgeschehen in Kompartimentmodellen des SEIR-Typs untersucht werden. Diese Modelle sind wegen ihrer Effizienz vor allem für die Simulation größerer Skalen besonders geeignet. Es müssen jedoch in jedem Fall mobilitätsspezifische Parameter und Mechanismen im Modell ergänzt werden, insbesondere in Bezug auf das Ansteckungsrisiko in öffentlichen Verkehrsmitteln und begleitende Maßnahmen wie Maskenpflicht oder eine Limitierung der maximalen Belegung.
Gegenüber Differentialgleichungsmodellen betrachten agentenbasierte Modelle (ABM) einen anderen Detailgrad. Es wird ein Modell entwickelt, das einzelne Personen und Infektionsprozesse zwischen Personen sowie zugehörige Krankheitsverläufe abbildet. Dabei wird jede einzelne Person mit spezifischen Eigenschaften wie Alter und Tätigkeit simuliert und bewegt sich im Modell zwischen verschiedenen Knoten eines Netzwerks, die mögliche Ansteckungsorte darstellen. Innerhalb dieser Knoten können so Ansteckungsprozesse simuliert werden. Dieser Modelltyp erlaubt eine sehr detaillierte Abbildung von Krankheitsverläufen, individuellen Eigenschaften und Verhalten von Personen sowie charakteristischen Eigenschaften einer Region. Dadurch können auch Interventionen vergleichsweise detailliert einbezogen werden. Der hohe Detailgrad bedeutet jedoch zugleich einen hohen Bedarf an Rechenkapazität, sodass Agenten-basierte Modelle in einem ersten Schritt für Pilotstädte entwickelt wird. In einem zweiten Schritt werden auch diese für ganz Deutschland entwickelt. Da die Größe des Systems für bestimmte Anwendungen limitierend ist, ist eine Abstraktion z.B. mittels Surrogatmodellen (vgl. AP 5) erforderlich. Ebenso wie für die SEIR-Modelle kann auch für die Entwicklung der ABM auf Vorarbeiten zurückgegriffen werden. Eine Darstellung des öffentlichen Nahverkehrs im Modell muss jedoch neu entwickelt und parametrisiert werden.
5. Maßnahmen, Optimierung und Künstliche Intelligenz
Im Zentrum von Arbeitspaket 5 steht die Ableitung eines optimierten Maßnahmenkatalogs zur Aufrechterhaltung der Mobilität bei gleichzeitiger Reduktion der Infektionsdynamik. Hierfür werden in diesem Arbeitspaket effiziente Surrogatmodelle mittels künstlicher Intelligenz entwickelt, die eine interaktive Elaboration verschiedener Maßnahmenbündel ermöglichen.
In einem ersten Schritt werden mögliche Maßnahmen zur Eindämmung der Infektionsdynamik diskutiert und definiert. Nachdem die explizite Modellierung des Mobilitätsverhaltens in den epidemiologischen Modellen in Arbeitspaket 4 konzipiert wurde, wird in einem darüber hinausgehenden Schritt eine Abbildung dieser Maßnahmen auf das modellierte Mobilitätsverhalten entworfen und eine entsprechende Implementierung vorgenommen.
Parallel zu obigen Schritten wird eine Marktanalyse zu verfügbaren Optimierungstools durchgeführt und es erfolgt eine Evaluation hinsichtlich ihrer Anwendbarkeit auf die in diesem Projekt beschriebenen Problemstellungen vorgenommen.
Basierend auf den Simulationsergebnissen der in Arbeitspaket 4 entwickelten Expertenmodellen werden Surrogatmodelle künstlicher Intelligenz trainiert. In einer Feedback-Schleife aus Optimierung und Simulation werden sowohl Experten- als auch Surrogatmodelle weiter verfeinert und an mögliche neue Entwicklungen angepasst.
Mittels Optimierung der beiden Modelle, werden Parameterstudien ausgeführt, sodass für die vorab definierten Maßnahmen eine Bewertung vorgenommen werden kann. Schließlich wird hieraus ein optimierter Maßnahmenkatalog generiert und anschließend erneut optimiert.
Letztendlich erfolgt eine weitere Optimierung der kosteneffizienten Surrogatmodelle, sodass diese mit dem in Arbeitspaket 3 entwickelten Webinterface gekoppelt werden können. Hierbei wird die Kopplung über eine REST-API umgesetzt, auf welche das Interface nach Nutzeraktion zugreifen kann.
Projektverantwortliche und -partner
- Dr. Martin Kühn, Deutsches Zentrum für Luft- und Raumfahrt (DLR)
- Alain Schengen, Deutsches Zentrum für Luft- und Raumfahrt (DLR)
- Prof. Dr. Michael Meyer-Hermann, Helmholtz-Zentrum für Infektionsforschung
- Dr. Sebastian Binder, Helmholtz-Zentrum für Infektionsforschung
- Martin Prinz, Coac GmbH
