제목: 에이전트 기반 모델링(ABM)과 공간적 감염병 확산 시뮬레이션의 원리와 활용

개요

• 강사: 강진영 교수(경희대학교 질의학과, AI 및 데이터 사이언스 전공)
• 주제: AI와 공간 사고를 접목한 에이전트 기반 모델링(ABM)으로 감염병 확산 및 공간 현상 예측과 정책 평가를 수행하는 방법
• 핵심 내용: ABM의 기본 개념, 공간 ABM의 응용 사례(댕깅열, 감기/독감), 디지털 트윈과의 결합, 모델의 장점과 한계, 실무 적용 시 고려사항

핵심 개념

• 에이전트(Agent)

  • 독립적으로 행위를 수행하는 주체로, 사람, 자동차, 동물 등 다양한 객체를 모델링 가능
  • 각 에이전트는 고유한 특성(나이, 성별 등)과 행동 규칙을 가짐
  • 에이전트 간 상호작용과 환경과의 상호작용을 통해 현상을 표현

• 공간 ABM

  • 지리적 공간(도시, 캠퍼스, 지역)과 에이전트를 연결하여 공간 현상을 시뮬레이션
  • 예: 도시 확장, 교통 흐름, 탄소 배출, 질병 확산 등

• 에이전트 기반의 감염병 모델링의 대표 개념

  • SIR 모델: Susceptible, Infected, Recovered
  • SEIR 모델: SIR에 Exposed(노출기) 추가
  • 공간 및 일상 활동(통학/통근, 여가 활동)으로 인한 접촉 네트워크 형성

• 디지털 트윈(Digital Twin)

  • 물리 세계와 디지털 세계를 데이터로 연결해 가상에서 시뮬레이션 수행
  • ABM은 디지털 트윈의 시뮬레이션 엔진으로 활용

댕깃열(댕깅) 예시를 통한 ABM 활용

• 모기 매개 전파

  • 이집트 순모기, 흰주 순모기가 댕깅열 전파를 담당
  • 모기의 이동 반경은 약 150–200m 수준
  • 감염 여부는 사람과 모기의 상호작용으로 전파
  • 기후 변화에 따른 확산 지역 변화 예측 가능(2050년쯤 한국도 위험 지역으로 확산 가능성)

• 연구 지역 및 데이터

  • 태국 텐텍텍 지역: 3,800가구, 약 3만 명 규모의 도시
  • 인구 구성: 다세대 이주, 조부모 세대 거주 비중 증가 등 특성 반영
  • 데이터 소스: 위성사진, 합동인구 데이터(가구 단위, 연령대, 학교/회사 이동정보 등), 현장 관측

• 모델링 접근

  • 에이전트의 생활 패턴(학교/회사/가정/여가 활동)과 모기의 이동/활동을 결합
  • 방역 시나리오(접종, 방역 강화 등)와 정책 효과 평가 가능
  • 시나리오 분석을 통한 정책 의사결정 지원

감기/독감 확산 모델링의 예시

• 감염 메커니즘

  • 사람 간 접촉 및 물리적 접촉, 대면 활동으로 바이러스 전파
  • 계절성으로 인한 확산 패턴 관찰
  • SEIR 또는 SIR로 전파 과정을 수학적으로 표현

• 연구 지역: 마이애미, 플로리다

  • 관광지이자 고령 인구 비중이 높은 지역
  • 합동인구 데이터 및 디지털 데이터의 활용으로 네트워크 구성
  • 주중/주말 패턴에 따라 이동 및 접촉 네트워크 변화 반영

• 네트워크 기반 시공간 확산

  • 합동인구 데이터를 바탕으로 거주지, 학교, 직장, 여가시설 간의 네트워크 구성
  • 시간대별 이동 패턴(주중: 직장/학교 중심, 주말: 여가 중심) 반영
  • 접종 시나리오, 학교/직장 내 방역 제도 도입 시 확산 억제 효과 평가

ABM의 장점과 적용 흐름

• 적용 가능 영역

  • 질병 확산 예측 및 정책 평가
  • 도시 계획, 교통 시뮬레이션, 에너지/환경 정책의 효과 분석
  • 디지털 트윈을 통한 시뮬레이션 기반 의사결정 지원

• 모델 구축 시 고려사항

  • 도메인 지식의 깊이: 질병 특성, 매개체 특성, 면역 메커니즘 이해 필요
  • 데이터 가용성 및 품질: 합동인구, 사적 데이터의 접근성, 공개 데이터의 표현력
  • 시뮬레이션의 검증과 신뢰성: 차단성 검증(패턴 기반 검증, 다중 스케일 비교)
  • 데이터 보안 및 프라이버시: 민감 데이터의 합법적 활용과 익명화
  • 컴퓨팅 자원: 복잡도 증가 시 연산 시간 증가, 반복 실행 필요

• 시뮬레이션 신뢰성 확보 방법

  • 패턴 기반 모델링(패턴이 데이터와 일치하는지 검증)
  • 다중 스케일 평가(시간/공간 스케일별 관찰값과 비교)
  • 반칙 데이터 활용 여부에 따른 차단성 평가

• 연구 운영의 실용적 포인트

  • 작은 규모의 단순 모델로 시작해 점진적으로 확장
  • 이미 구축된 모듈/소프트웨어 활용 여부 확인
  • 공개 매뉴얼과 모델 공유(Open ADM, 오픈 소스 플랫폼 등)로 재현성 확보
  • 데이터 수집의 현실적 한계 인지(카드 데이터, 위치 데이터의 제약)

시사점 및 앞으로의 방향

• ABM은 정책 시나리오 평가에 강점이 있으며, 기후 변화, 인구 구조 변화, 교통 변화 등 다양한 요인과 결합 가능
• 디지털 트윈과의 융합으로 현실 세계의 복잡성을 가상에서 검증하고 의사결정에 반영 가능
• 데이터의 가용성, 검증 방법, 컴퓨팅 자원의 제약을 고려한 점진적 모델링이 필요
• 연구의 재현성 및 협업을 위해 모델 공유 및 표준화의 중요성 증가

핵심 takeaway: 에이전트 기반 모델은 개별 에이전트의 행동과 상호작용을 통해 공간적 현상을 정교하게 재현하고, 감염병 확산 및 도시 현상을 정책 시나리오로 평가하는 강력한 도구이다. 초기에는 간단한 구조로 시작해 데이터와 검증을 확보하며 점진적으로 확장하는 전략이 바람직하다.