基于VISSIM下微觀交通仿真模型參數(shù)校正分析

胡艷 樊亞云 張曉衛(wèi)

摘? 要：如何對微觀交通仿真模型參數(shù)進(jìn)行校正和選擇合適的校正算法，決定仿真結(jié)果質(zhì)量。本文重點分析微觀交通仿真模型、校正指標(biāo)選取和模型校正算法，詳細(xì)分析了跟馳模型和換道模型的重要參數(shù)，具體闡述了如何選取校正評價指標(biāo)和待校正參數(shù)，從而保證校正后仿真模型的精度和仿真結(jié)構(gòu)的可性。

關(guān)鍵詞：VISSIM;仿真模型;參數(shù)校正;微觀仿真

中圖分類號：U491.123? ? ? 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2019）07-0005-03

Abstract：How to correct the parameters of microscopic traffic simulation model and select the appropriate correction algorithm determines the quality of simulation results. This paper focuses on the analysis of microscopic traffic simulation model，correction index selection and model correction algorithm，and analyzes the important parameters of the car-following model and the lane-changing model in detail，and how to select the calibration evaluation index and the parameters to be calibrated is expounded in detail，so as to ensure the accuracy of the calibrated simulation model and the reliability of the simulation structure.

Keywords：VISSIM;simulation model;parameter correction;microscopic simulation

0? 引? 言

微觀交通仿真軟件是評估交通解決方案的有力工具，仿真模型的參數(shù)會影響仿真結(jié)果，用戶通過實際交通情況對模型參數(shù)進(jìn)行修正，使得描述交通系統(tǒng)運行、交通流特性以及駕駛員行為等更加真實和有效。仿真模型的三個過程：標(biāo)定模型參數(shù)、校正和驗證，其中，系統(tǒng)開發(fā)者完成標(biāo)定，校正更加接近實際運行情況的仿真模型參數(shù)，驗證仿真輸出結(jié)果與實測結(jié)果二者偏差的大小來衡量結(jié)果的準(zhǔn)確性。本文主要結(jié)合VISSIM軟件對微觀交通仿真模型參數(shù)校正進(jìn)行詳細(xì)論述。

1? 仿真模型

微觀交通仿真模型基于駕駛員行為的假設(shè)，駕駛員行為決定了單個車輛如何運動，所有車輛一起運動給出了交通狀況的描述。當(dāng)車輛處于跟馳狀態(tài)時，其運動狀態(tài)由前一個車輛決定[1]。具體分為如下模型：道路設(shè)施模型、交通生產(chǎn)模型、車輛跟馳模型、換道模型、事件反應(yīng)模型。其中，跟馳模型和換道模型是VISSIM微觀交通仿真核心模型，保證VISSIM能夠動態(tài)地、連續(xù)地、準(zhǔn)確地模擬實際路網(wǎng)運轉(zhuǎn)的情況。

道路設(shè)施模型：是最重要的靜態(tài)模型，指的是一次仿真運行開始后，對象參數(shù)固定下來，不再發(fā)生變化。道路設(shè)施模型主要用來描述道路的幾何特性、車道劃分、隔離帶以及路的寬度、路面類型、固定的交通標(biāo)志的位置等。

交通生產(chǎn)模型：是交通系統(tǒng)仿真的基本模型，主要解決交通流的輸入問題。由于車輛的到達(dá)是隨機的和離散的，需要構(gòu)造概率分析的隨機變量，保證車輛到達(dá)的真實性。

路徑選擇模型[2]：車輛能夠選擇從起點到目標(biāo)地之間總時間最短的路徑，也就是說通過獲取的信息和個體的經(jīng)驗來選擇最優(yōu)的出行路徑，分為在不確定條件下的最優(yōu)路徑選擇和確定信息下的最優(yōu)路徑選擇[1]。

車輛跟馳模型：基于車道的駕駛行為，研究在某一車道上，無法超車，車輛排隊行駛運動過程，后車跟隨前車形式狀態(tài)的一種理論。具體分為：刺激-反應(yīng)模型、安全距離模型、生理-心理模型、模糊推理模型和元胞自動機模型。對比分析如表1所示。

Wiedemann駕駛行為閾值模型：是全球最精準(zhǔn)的車輛跟馳模型，分為Wiedemann74和Wiedemann99，前者適用于城市道路和后者適用于公路交通。Wiedemann模型中將駕駛員的駕駛狀態(tài)分為以下四種：自由駕駛、接近前車、跟馳行駛和緊急制動，具體如圖1所示。

車換道模型：是微觀交通仿真軟件的核心模型，也是最基本的動態(tài)模型，可能發(fā)生在轉(zhuǎn)向、超車或躲避車輛等狀態(tài)下，分成必要車道變換和自由車道變化。與車輛跟馳模型相比，因為車輛換道行為要綜合考慮周邊車輛、周圍的交通環(huán)境，同時結(jié)合自身駕駛狀況，對自身的駕駛行為做出變換，更復(fù)雜，以至于難以用數(shù)學(xué)方法描述。

事件反應(yīng)模型：包括信號燈交叉口交通仿真的基本模型、公交車的停靠以及出站過程等各種特定交通現(xiàn)象。

2.2? 仿真基本原理

對所有車輛的運動進(jìn)行仿真建模，在離散時間點更新所有運動車輛的位置信息，當(dāng)車輛速度小于期望速度時，對車輛進(jìn)行加速處理;當(dāng)車輛速度大于期望速度時，對車輛進(jìn)行減速處理。保證車輛在t+m時刻的位置等于t時刻位置加上單位時間步長m內(nèi)移動的距離。采用不同隨機數(shù)種子進(jìn)行反復(fù)仿真，然后利用均值進(jìn)行估計作為最終仿真結(jié)果。

3? 參數(shù)校正分析

確保仿真模型中設(shè)計參數(shù)的準(zhǔn)確性是保證VISSIM仿真軟件精度的關(guān)鍵所在。

3.1? 校正指標(biāo)選取

指標(biāo)評價是從實際采集到的交通流數(shù)據(jù)和仿真軟件輸出的結(jié)果數(shù)據(jù)中選取相同的數(shù)據(jù)，并對其進(jìn)行吻合度計算作為依據(jù)。

通行能力指道路上某一點、某一個車道或者某一段面處，單位內(nèi)可能通過的最大交通車輛或者行人等實體。對于通行能力的估計是很重要的，駕駛行為參數(shù)的校正能夠縮小仿真和實際的通行能力的值，所以給出通信能力值的分布，而不是單一的平均值、中位數(shù)、85%車速等數(shù)量值，更能體現(xiàn)通信能力評估的過程。

流量速度圖形用來描述道路的運行能力。流量速度圖形分為三部分：自由流、交通擁堵和排隊消遣。流量速度圖形能夠很好表示通行能力。但是缺少時間的信息，由于實際交通流的隨機性，仿真交通流并包含信息并不是表示完整的隨時間變化的流量曲線，所以需要復(fù)制出實際的速度流量圖，減少仿真和實際的情形的差異。

流量密度和速度密度的關(guān)系與流量速度圖形，包含比通行能力更多的信息，并沒有通行能力的信息。如果擴展成三維的流量-速度-密度圖形，就包含了所有的信息，但是遺失了時間，可以獲取部分時間的信息，但是不能獲取全部。

車輛軌跡可以用來確定車輛跟馳模型的穩(wěn)定性，通過參數(shù)校正、減少仿真的和實際的軌跡之間的車頭間距差距。由于微觀仿真模型本質(zhì)上存在隨機性，一個相同的前車軌跡依據(jù)隨機種子或者產(chǎn)生一組不同的行為，并不能代表整體車輛行駛的軌跡。

VISSIM仿真系統(tǒng)中，參數(shù)校正的核心集中在跟車模型和車道變換模型。VISSIM跟車模型的高速公路模型中，包含CC0（停車間距）、CC1（車頭時距）、CC2（跟車變量）、CC3（進(jìn)入跟車狀態(tài)的閾值）、CC4和CC5（跟車狀況閾值）、CC6（車速振動）、CC7（振動加速度）、CC8（停車加速度）、CC9（80km/h車速時的加速度）這9個參數(shù)。

3.2? 參數(shù)校正算法的選取

交通仿真模型參數(shù)校正是一個離散數(shù)據(jù)尋優(yōu)的過程。微觀仿真校正的算法主要有正交實驗算法、遺傳算法、同步擾動隨機逼近算法（SPSA算法）和粒子群優(yōu)化算法（PSO算法）。[3]

正交實驗算法：具有均勻分散、正交性和整齊可比的特點，是一種高效率、經(jīng)濟的實驗設(shè)計方法。適合水平數(shù)不高的實驗安排。[4]

遺傳算法：是模擬自然界優(yōu)勝劣汰過程的全局搜索算法，通過適應(yīng)度函數(shù)尋找最優(yōu)過程。具有較好的全局性，通過多次迭代尋找最優(yōu)目標(biāo)結(jié)果，是最為廣泛的校正算法，在遺傳算法基礎(chǔ)上能夠發(fā)展很多新的算法。[5]

同步擾動隨機逼近算法（SPSA）：為容易執(zhí)行且高效率的梯度逼近算法，適合解決高維問題以及大規(guī)模隨機體系的優(yōu)化。

粒子群優(yōu)化算法（PSO）：也是粒子群優(yōu)化算法或鳥群覓食算法（Particle Swarm Optimization），最優(yōu)解通過群體中個體之間的協(xié)作和信息共享來尋找，具有實現(xiàn)易、精度高、收斂快等優(yōu)點。

4? 結(jié)? 論

仿真模型建立、參數(shù)校正前期分析和參數(shù)校正過程是微觀交通仿真模型參數(shù)校正的三個過程。本文對現(xiàn)場實測數(shù)據(jù)進(jìn)行了整理，對VISSIM輸出指標(biāo)進(jìn)行了歸納，選取微觀交通仿真模型的評價指標(biāo)，以實際調(diào)度的數(shù)據(jù)為基礎(chǔ)構(gòu)建出合理的VISSIM仿真模型，通過觀察實測的評價指標(biāo)保證了默認(rèn)參數(shù)的有效性。

參考文獻(xiàn)：

[1] 盧守峰.劉喜敏.微觀交通仿真 [M].長沙：中南大學(xué)出版社，2016.

[2] 王任映，基于前景理論的出行路徑選擇模型 [D].長沙：長沙理工大學(xué)，2009.

[3] 唐澤.VISSIM交通仿真模型參數(shù)校正技術(shù)研究 [D].吉林：吉林大學(xué)，2015.

[4] 劉瑞江，張業(yè)旺，聞崇煒，等.正交試驗設(shè)計和分析方法研究 [J].實驗技術(shù)與管理，2010，48（9）：52-55.

[5] 葛繼科，邱玉輝，吳春明，等.遺傳算法研究綜述 [J].計算機應(yīng)用研究，2008（10）：2911-2916.

作者簡介：胡艷（1984.01-），女，漢族，河南駐馬店人，講師，研究生，研究方向：智能信息。