Tese de Doutorado

Neste trabalho, apresentamos 2LevelCalibration, uma abordagem inovadora baseada em múltiplos estágios para a calibração de parâmetros desconhecidos de modelos baseados em agentes. Como o próprio nome indica, os modelos baseados em agentes oferecem um meio de replicar o comportamento de sistemas complexos, modelando as suas partes constituintes (os agentes) e a sua interação com seus pares e o ambiente. No entanto, calibrar os parâmetros de tais modelos é especialmente desafiador devido a vários aspectos: (i) o vasto espaço de busca resultante dos numerosos parâmetros desconhecidos; (ii) a dificuldade em avaliar o impacto de cada parâmetro, uma vez que o resultado observado decorre de múltiplas relações não lineares; e (iii) a natureza dos parâmetros desconhecidos, que podem apresentar uma variabilidade muito grande, violando a maioria dos pressupostos dos métodos estatísticos tradicionais. Além disso, como esses modelos não possuem uma solução fechada, são necessárias múltiplas rodadas de simulações para avaliar as decisões de modelagem, exigindo, portanto, execuções repetidas da tarefa de calibração de parâmetros. À luz das limitações técnicas e do caráter reiterativo da tarefa de calibração de parâmetros em modelos baseados em agentes, este trabalho se dedica a apresentar um método consistente e leve para esse fim. Conduzimos extensa pesquisa sobre métodos tradicionais aplicados a este mesmo propósito em outros domínios, com foco especialmente nas características das distribuições de probabilidade dos parâmetros envolvidos em sistemas complexos, que inevitavelmente pertencem à família de caudas longas. Em seguida, propomos 2LevelCalibration com base na ideia central de uma calibração em múltiplos estágios. Na fase inicial, aproveitamos a simplicidade dos modelos baseados em equações para rapidamente explorar um grande conjunto de combinações de parâmetros, selecionando os mais promissores. Isto é seguido por uma segunda etapa mais refinada, que analisa cuidadosamente os parâmetros do modelo próximos à região do espaço de busca que potencialmente contém o conjunto ótimo de parâmetros, previamente identificados na etapa anterior do nosso método. Esta estratégia superou as técnicas tradicionais em termos de implementação leve e consistência quando testada para calibrar os parâmetros de um modelo baseado em agentes do mercado imobiliário que replica observações do mundo real.

In this work, we introduce 2LevelCalibration, an innovative multi-stage approach for the calibration of unknown parameters of agent-based models. As the name suggests, agent-based models oer a means to replicate the behaviour of complex systems by modelling its constituent parts (the agents) and their interplay with peers and the environment. However, calibrating the parameters of such models is especially challenging due to several aspects: (i) the vast search space resulting from numerous unknown parameters; (ii) the difficulty in assessing the impact of each parameter, as the observed outcome stems from multiple non-linear relations; and (iii) the nature of the unknown parameters, that might present very large variability, often violating most of traditional statistical methods assumptions. Moreover, as these models lack a closed-form solution, multiple rounds of simulations are necessary to evaluate modeling decisions, hence requiring repeated executions of the parameter calibration task. In light of the technical limitations and reiterative character of the task of parameter calibration in agent-based models, this work is devoted to presenting a consistent and lightweight method for this aim. We conducted extensive research on traditional methods applied for this purpose in other domains, with a special focus-mind on the characteristics of the probability distributions of the parameters involved in complex systems, which inevitably belong to the long-tail family. Then, we propose 2LevelCalibration based on the core idea of a multi-stage calibration. In the initial stage, we leverage the simplicity of equation-based models to rapidly explore a large set of combinations of parameters, quickly selecting the more promising ones. This is followed by a more refined second stage, that carefully analyses model parameters near the region of the search space that potentially contains the optimal parameters set, previously identified in the former step of our method. This strategy outperformed traditional techniques in terms of both lightweight implementation and consistency when tested to calibrate the parameters of an agent-based model to replicate real-world observations of the housing market.