Pro-aktive Tourenplanung für Kurzfrist-Testung in Pandemien

Eine Pandemie kann Städte innerhalb kürzester Zeit zum Stillstand bringen. Um diesem entgegenzuwirken, ist es immanent wichtig, Infektionscluster schnell zu identifizieren und eine weitere Ausbreitung zu Vermeiden. Ein neuer Ansatz, der während der COVID-19 Pandemie in Wien eingesetzt wurde, ist es, eine Flotte an mobilen Testerinnen und Testern einzusetzen. Dieses Projekt befasst sich mit dem operationalen Management solcher Flotten und deren Einfluss auf die Infektionsverbreitung. Das Projekt wird state-of-the-art Multiagenten-Simulationen nutzen, um die Ausbreitung der Infektionen zu simulieren. Die generierten Daten werden hinsichtlich zeitlicher und räumlicher Ausbreitung analysiert (descriptive analytics). Die Daten werden anschließend zu detaillierten Informationsmodellen aggregiert, die insbesondere die Korrelation im Testbedarf abbilden können (predictive analytics). Diese Informationsmodelle werden in das stochastisch dynamische Tourenplanungsproblem integriert und dieses wird mit quantitativen Lösungsverfahren gelöst, unter anderem mittels Reinforcement Learning (prescriptive analytics). Die ermittelten Lösungsstrategien werden anschließend wieder mit der Multiagenten-Simulation evaluiert. In Verlauf des Projektes werden die folgenden Kernfragen untersucht: (1) Wie können Daten über die Ausbreitung hochinfektiöser Krankheiten wie COVID-19 analysiert und modelliert werden? (2) Wie können wir effektive und vorausschauende Planung für die Test-Flotte erreichen, die die komplexe Testbedarf-Entwicklung berücksichtigen kann? (3) Wann und wie können mobile Test-Flotten das Ausbreitungsrisiko reduzieren? Das resultierende Planungsproblem zeichnet sich durch neue und besondere Komplexität im Informationsmodell (Testbedarf) sowie im Tourenplanungsproblem aus. Ein geeignetes Informationsmodell muss sowohl die räumliche und zeitliche Ausbreitung als auch die Korrelation abbilden können. Das stochastische und dynamische Tourenplanungsproblem ist neu und anspruchsvoll hinsichtlich der Entscheidungsgeschwindigkeit, der Flottengröße und der Vielzahl an zu berücksichtigenden Komponenten. Die Integration des an sich schon komplexen Informationsmodells erschwert die erfolgreiche Lösung zusätzlich. Eine Evaluation mittels etablierter Multiagenten-Simulation ist nahezu einmalig im Forschungsbereich der stochastisch dynamischen Tourenplanung. The Projekt wird von Jan Fabian Ehmke (JE, Universität Wien), Marlin Ulmer (MU, Technische Universität Braunschweig), und Niki Popper (NP, Technische Universität Wien) durchgeführt werden. JE wird das Projekt koordinieren und sich insbesondere der predictive analytics widmen. MU wird seine Expertise im Bereich prescriptive analytics für die dynamische Tourenplanung einbringen. NP wird seine etablierte Multiagenten-Simulation erweitern (descriptive analytics), um Daten zu generieren und die Erstellung des Informationsmodelles zu unterstützen. Diese ganzheitliche Betrachtung ist einzigartig im Forschungsfeld.

Pro-Active Routing for Emergency Testing in Pandemics

A pandemic can immobilize municipalities within a short amount of time. The key is to discover and avoid spreading of infection clusters through fast and effective testing. An innovative idea implemented during the COVID-19 pandemic in metropolitan areas such as Vienna, Austria, is the employment of a workforce of mobile testers. This project deals with the operational management of such mobile testers and the resulting impact on the spread of a disease using COVID-19 as an example.Based on state-of-the-art multi-agent simulation models, we will generate and analyze data on the tem-poral and spatial spreading (descriptive analytics). With methods of predictive analytics, we will aggregate the data to a detailed information model with a particular focus on modelling correlation for testing de-mand. Using this, we will model and solve the dynamic tester routing with infection hot spots and correla-tion demand problem (TRISC) using methods of prescriptive analytics, esp. reinforcement learning. The obtained policies will be evaluated by the multi-agent simulation again.Hypotheses / research questions / objectivesThe following core research questions will be investigated: (1) How can data of the spread of highly infec-tious diseases like COVID-19 be analyzed and modeled for the purpose of dynamic workforce control? (2) How can we achieve an effective dynamic control of the workforce in reaction and in anticipation of the complex disease information? (3) When is anticipatory dynamic workforce control effective in containing the spread of pandemics?The problem at hand shows new and severe complexity in the information model of the demand (test requests) and in the decision model for the operational control. Deriving the demand information model (via predictive analytics) is complex because it must capture the spatial-temporal correlation of demand. The decision model for the problem is a novel stochastic and dynamic vehicle routing problem. Determin-ing high-quality decisions that integrate the information model (via prescriptive analytics) is therefore additionally challenging. The evaluation by an established agent-based simulation is particularly excep-tional for this research field.The project will be conducted by Jan Fabian Ehmke (JE, Universität Wien), Marlin Ulmer (MU, Technische Universität Braunschweig), and Niki Popper (NP, Technische Universität Wien). JE will serve as coordina-tor and is responsible for tasks of predictive analytics. MU leads the project part on prescriptive analytics for dynamic vehicle routing. NP will contribute with an agent-based simulation that supports the creation of the predictive information model and the evaluation of dynamic and stochastic disease sampling. This will provide unique opportunities to extend current methods including their evaluation in the urgent ap-plication of disease routing.