Pro-aktive Tourenplanung für Kurzfrist-Testung in Pandemien

In der COVID-19 Pandemie haben wir gesehen, dass schnelles und effizientes Testen die Ausbreitung eines Virus effektiv bremsen kann. Gerade zu Beginn der Pandemie war Testen jedoch außerordentlich aufwändig und teuer, und Testressourcen waren nicht überall in erforderlichem Umfang verfügbar. Metropolen haben auf diese Herausforderung mit innovativen Ideen reagiert: in Wien wurde beispielsweise ein Fahrrad-gestütztes Team von mobilen Testern konzipiert, welche im Verdachtsfall angefordert werden konnten. Die mobile Testerflotte konnte dann Proben von Verdachtsfällen erheben, zur Auswertung bringen und damit helfen die weitere Ausbreitung zu reduzieren. Basierend auf der Idee einer mobilen Flotte von Testern wollen wir in diesem Forschungsprojekt nun untersuchen, wie man in einem dynamischen Umfeld durch vorausschauende Planung knappe Ressourcen sinnvoll einsetzen kann. Dafür kommen moderne Methoden und Werkzeuge aus der agentenbasierten Simulation, der Datenanalyse und der dynamischen Tourenplanung zum Einsatz. Für das COVID-19 Beispiel heißt das zum Beispiel nicht auf potentielle Verdachtsfälle zu warten, sondern mittels Simulation vorherzusagen, wie sich eine Pandemie ausbreitet, um dann geeignet bereits im Vorfeld zu testen. Dafür bedarf es zunächst einer Prognose mittels eines Ausbreitungsmodells, welches aufgrund der umfangreichen Datenlage für das COVID-19-Beispiel bereits zur Verfügung steht. An welcher Stelle sollte man aber nun bereits im Vorfeld testen? Das zugrunde liegende Problem muss dafür mathematisch formuliert und analysiert werden. Neben agentenbasierter Simulation kommen auch innovative Methoden des Lernens zum Einsatz, die dafür sorgen sollen, dass die Testressourcen möglichst effektiv eingesetzt werden. Daraus erg ibt sich dann ein Katalog von Vorgehensweisen, die in der Simulation auf ihre Effektivität hin untersucht werden. Für welche Art von Problemen ist solch eine Vorgehensweise überhaupt sinnvoll? Welche Vorgehensweisen der vorausschauenden Planung funktionieren besonders gut? Abstrahierend vom COVID-19-Beispiel wollen wir auch ähnliche Probleme analysieren. Wann ist das Zusammenspiel von vorausschauender Planung in Kombination mit maschinellem Lernen hilfreich? Wie können detaillierte Simulationen die Vorausschau verbessern? Und wie integriert man die Informationen aus hoch-komplexen Simulationen rechentechnisch machbar in die vorausschauende Planung? Beispiele reichen hier weit über COVID-19 hinaus, z.B. bis hin zur Nachfrageprognose bei Lieferdiensten. Am Projekt beteiligt sind Univ.-Prof. Jan Fabian Ehmke von der Universität Wien, der sich insbesondere mit der Modellierung der Nachfrage beschäftigen wird. Hinzu kommt die Expertise von Univ.-Prof. Dr. Marlin Ulmer, Universität Magdeburg, der für Lernverfahren im Zusammenhang mit der vorausschauenden Tourenplanung zuständig sein wird. Evaluation und Nachfragegenerierung erfolgt durch die Expertise von Dr. Niki Popper (TU Wien) im Bereich agentenbasierter Simulation.

Wir leben in einer Welt voller dynamischer und heterogener sozioökonomischer und sozioökologischer Herausforderungen. Im Projekt "Pro-Active Routing for Emergency Testing in Pandemics" begegneten wir diesen Herausforderungen mit simulationsbasierter Analytik (SimBA). Aus methodischer Sicht umfasste SimBA datengetriebene, intelligente Entscheidungsfindung unter Einbeziehung kausaler Zusammenhänge und von Expertenwissen. Ausgangspunkt waren Daten zur Ausbreitung von Pandemien, die aus großen Datenbanken gewonnen werden konnten. Darüber hinaus lieferte die Simulation sozioökonomischer Beziehungen und Systeme synthetische Daten zur Pandemieausbreitung. Unsere Simulation konzentrierte sich auf mikroskopische, agentenbasierte Modelle. Die erzeugten Daten und Informationen wurden in Informationsmodelle überführt, die komplexe sozioökonomische Zusammenhänge kompakt beschrieben. Diese Informationen flossen in vorausschauende Entscheidungsmodelle ein, die intelligente Entscheidungen zur Ressourcenallokation ermöglichen. Die Auswirkungen dieser Entscheidungen wurden wiederum mithilfe von Simulationsmodellen bewertet. Insbesondere befassten wir uns in mehreren Fachbeiträgen sowie in einem gemeinsamen Übersichtsartikel mit deskriptiver, prädiktiver und präskriptiver Analytik für die Ressourcenallokation im Pandemiemanagement. Wie die COVID-19-Pandemie gezeigt hat, ist es sowohl von entscheidender Bedeutung als auch herausfordernd, die richtigen Eindämmungsressourcen - etwa Testkits, Impfstoffe und persönliche Schutzausrüstung wie Masken - zur richtigen Zeit am richtigen Ort bereitzustellen, um eine Pandemie wirksam einzudämmen und ihre Ausbreitung zu begrenzen. Hochwertige Prognosen sind für die Zuteilung derart knapper Ressourcen unerlässlich; während der COVID-19-Pandemie wurden umfangreiche Arbeiten zur deskriptiven und prädiktiven Analytik durchgeführt. Politische Entscheidungsträger versuchten, die daraus gewonnenen Informationen unmittelbar in ihre Entscheidungen als Reaktion auf die prognostizierte Ausbreitung einzubeziehen. Um jedoch auf die nächste Pandemie vorbereitet zu sein, entwickelten wir Modelle der präskriptiven Analytik, die die dynamische Wechselwirkung zwischen der prognostizierten Pandemieentwicklung und der vorgegebenen Ressourcenallokation berücksichtigen. Diese integrierte Betrachtungsweise ist in der Literatur bislang nur begrenzt vertreten, und mit diesem Projekt wollten wir dazu beitragen, diese Lücke zu schließen. Zu diesem Zweck veröffentlichten wir mehrere Fachbeiträge über Analytikforschung am Beispiel der COVID-19-Pandemie und deren Auswirkungen auf die Ressourcenallokation. Wir entwickelten dynamische und stochastische Modelle zur Ressourcenallokation, die historische Daten zur Ausbreitung von Pandemien berücksichtigen und die Ressourcenzuteilung bedarfsgerecht optimieren. Daten aus Simulationen und aus der COVID-19-Pandemie wurden in erweiterte Optimierungsmodelle einbezogen und können zukünftig dazu beitragen, die richtigen Eindämmungsressourcen dort bereitzustellen, wo sie benötigt werden.