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.