基本上，我们现在已经到了课程的末尾。

我想揣测基于智能体的建模的三个趋势和必要性，

对于我们向前推进基于智能体的建模至关重要。

这是我特别的看法，这些都是我热切关注的事情，

但它也利用了我们在计算科学，

特别是计算社会科学和生物社会生态科学等其他领域所看到的趋势。

其中一个是自动生成智能体的规则。

我们现在收集了大量关于

人和实体在世界各地的大数据

，对吧？ 我们有一切无处不在的传感器，

互联网的爆炸，我们有社交数据，我们有应用软体的数据

有关于每个人口袋里的手机的数据，对吧？ 问题是，

我们可以用某种方式自动定义规则来捕捉

这些空间中人类行为的本质，对吗？像定义人类如何通过世界，

定义人类如何与物联网互动，对吧？或者定义物联网

如何与自身相互作用，正如汽车变得越来越自动化。

当然这些规则也需要验证，对吧？

我们可以通过建立这些规则来做出验证的方法之一，

看到这些预测的执行。

现在为什么在一个智能体上这样做很有趣呢？

如果我们有这些数据，为什么我们不使用数据呢？

但是，如果没有智能体规则来预测个人层面的行为，

那么我们并没有真正的能力来评估如果我们改变

一个特定个人在这个领域的发生什么。

现在的因果状态建模给了我们一个例子。

但是我们可以使用很多其他的，你可以使用决策树

可以使用关联规则。

可以使用分类系统。

有很多方法可以让你这样做。

而所有这些数据源，大数据

管理数据并不新鲜，但是处理大量数据的能力

自然语言数据，文本到语音数据

社会数据，应用软体数据，

真的能够利用这些数据将有力地改变

在我们周围的世界中感知到的基于智能体建模的方式。

并给我们一个更强大的工具包来解决这些情况。

现在，当然，最大问题之一是

人们经常抱怨的问题之一

就是跟踪数据本质上只是数字竭尽。

这是数据不能告诉你什么。

因此，我们需要使用这些方法来验证这些模型

与现实世界的数据并校准这些模型，

以表明它们的运行正常。

我们需要严格的指导方针，

以表明我们的模型，基于智能体的模式已经得到适当的验证。

我经常认为这是一个类似统计的测试

统计非常好， 统计学规律很好。

如果有输入输出的数据

这些是你需要应用的各种测试

在某些情况下，我们所做的一切

都是基本上发现，已经存在的那些

适当的统计测试中哪些最有可能适用于这种特殊情况。

那么这就意味着这样的想法，

我创造并运行这个测试来比较我现在。

看到的实证数据，这帮助我验证并增加了

在这个模型的基础上我的想法。

现在，当然，能够校准我们的模型，

为了增加验证层次的有效性。

所以我们讨论过的诸如行为搜索这样的工具更容易使用，

所以用户可以自动对现实世界数据进行自动校准，

这在这个领域将是非常有力的一步。

最后，如果我们可以自动构建模型，

那么这种对于未来的其他想法也是如此，如果我们可以

从这些大量的数据中构建它们，

我们可以不断验证它们一些自动的方法，

我们有一套我们知道的测试将

告诉我们模型是否正确地运行，

然后我们理论上可以构建一个工具，

会在流数据的基础上自动构建一个模型，对吗？

而且我的意思是...例如...

股票行情数据，推特数据，

无论需要什么，制作一个例如整个国家的社会经济

地位的模型，或者类似的东西。

或者是从事物的互联网中提取数据，

这些数据可以查看特定城市的所有路灯附近的传感器，

以检测交通流量，然后对是否会有

交通拥堵造成

在某些方面持续的预测，

决策者和城市管理人员可以实时改变标志，

让人们绕开交通堵塞。

如果是这样的话...如果我们有这样的能力

这个工具来实时构建这些框架，这些框架不是预测性的

但是能够预测和探索将来的情境，

那么我们可以用它来支持实时决策。

所以这三个方面 - 使用流数据，大数据

以及从大数据自动创建规则的能力

以及这种验证和校准和改进，我认为

对于未来的基于智能体的建模很重要。

就像我说的那样，就是这样。 第9单元，我们讨论了大数据

ABM，我们讨论了设计指南。 我们讨论了ABM在通信和教育方面的应用。

我们讨论了高级编程结构，如map，reduce，

run和run-result任务。

我们讨论了参与式模拟，系统动态建模，

然后讨论了基于智能体的建模扩展和未来。

你会看到第9单元幻灯片，你会看到9单元测试很快就会出现。

我要感谢大家参加这个课程。

我希望你喜欢它，我很喜欢教授它

我真的非常喜欢很多

在论坛上的讨论，

以及YouTube办公时间以及类似的内容。

我希望你能够从中获益。

请您保持联系，

并且在您的工作中使用基于智能体的建模，

或为了乐趣。