無(wú)信號(hào)交叉口仿真模型參數(shù)標(biāo)定優(yōu)化與驗(yàn)證

劉 博，周晨靜，林建新

(北京建筑大學(xué) 北京未來(lái)城市設(shè)計(jì)高精尖創(chuàng)新中心，北京 102616)

0 引言

微觀交通仿真技術(shù)能夠量化分析車輛之間相互作用并由此推演整體交通流運(yùn)行特性，得到了廣泛的應(yīng)用，尤其是面向無(wú)信號(hào)交叉口仿真模型參數(shù)標(biāo)定更是合理開(kāi)展沖突分析的關(guān)鍵。1991年，Benekohal[1]提出具體的微觀仿真模型參數(shù)標(biāo)定框架，在此基礎(chǔ)之上國(guó)內(nèi)外學(xué)者們針對(duì)參數(shù)標(biāo)定方法[2-3]、校核指標(biāo)選取[4-5]、優(yōu)化算法[6-7]、標(biāo)定結(jié)果取值[8]方面展開(kāi)了更深入的研究，具體標(biāo)定流程如圖1所示。隨著計(jì)算能力的提升，運(yùn)用智能優(yōu)化算法進(jìn)行全樣本量的參數(shù)尋優(yōu)成為目前微觀參數(shù)標(biāo)定的常見(jiàn)方法[8]。已有學(xué)者細(xì)分微觀參數(shù)為全局與局部參數(shù)，工程實(shí)測(cè)全局參數(shù)、智能尋優(yōu)局部參數(shù)[9-10]。已有研究[11-12]通過(guò)圖1所示流程標(biāo)定微觀仿真模型參數(shù)，結(jié)果表明智能算法會(huì)搜索到多組最優(yōu)解，相對(duì)于傳統(tǒng)的直接取參數(shù)標(biāo)定結(jié)果數(shù)據(jù)的平均值，已有國(guó)內(nèi)學(xué)者提出聚類遞歸的計(jì)算思路[8]，通過(guò)數(shù)據(jù)均值聚類構(gòu)建參數(shù)內(nèi)部特性分析，根據(jù)收斂性優(yōu)先的原則，按照分散度從小到大的順序逐次計(jì)算參數(shù)值，成為另一種取值方法。但是兩種參數(shù)獲取方法與兩種標(biāo)定結(jié)果取值方法交叉組合形成的4種標(biāo)定方法是否適用于無(wú)信號(hào)交叉口仿真模型參數(shù)標(biāo)定尚未經(jīng)過(guò)對(duì)比驗(yàn)證分析。為比較不同標(biāo)定方法構(gòu)建仿真模型的準(zhǔn)確性，研究對(duì)既有微觀仿真模型參數(shù)標(biāo)定工作進(jìn)行梳理，整理出不同標(biāo)定流程的關(guān)鍵方法，并以此為基礎(chǔ)設(shè)計(jì)面向無(wú)信號(hào)交叉口的對(duì)照仿真試驗(yàn)和交叉驗(yàn)證試驗(yàn)，給出最優(yōu)參數(shù)標(biāo)定方法。

圖1 微觀仿真參數(shù)標(biāo)定流程Fig.1 Process of calibrating micro simulation parameters

1 無(wú)信號(hào)交叉口車輛運(yùn)行行為分析

無(wú)信號(hào)交叉口的類型眾多，包括主次干道相交的交叉口、環(huán)形交叉口和四路停車控制的交叉口等。雖然這些交叉口具有不同的道路幾何條件，但是駕駛員都會(huì)抱有僥幸心理，在無(wú)信號(hào)交叉口展現(xiàn)出不安全的駕駛行為[13]。國(guó)內(nèi)外通過(guò)在交叉口處放置讓行或者停車標(biāo)志牌設(shè)置符合交叉口特性的不同優(yōu)先級(jí)規(guī)則，以此確定不同車道的優(yōu)先通行權(quán)。然而通過(guò)實(shí)地調(diào)研發(fā)現(xiàn)，在我國(guó)很多無(wú)信號(hào)交叉口讓行規(guī)則標(biāo)志牌設(shè)置不完善，而且普遍存在的問(wèn)題是大部分駕駛員并未遵循規(guī)定的讓行規(guī)則，導(dǎo)致即使在具有優(yōu)先通行權(quán)車道的駕駛員為避免交通事故的發(fā)生也會(huì)選擇減速觀望,即當(dāng)車輛同時(shí)接近或者同時(shí)到達(dá)交叉口時(shí)，都會(huì)選擇減速讓行，形成等權(quán)現(xiàn)象。

在等權(quán)無(wú)信號(hào)交叉口，駕駛員不受停車或讓行標(biāo)志牌的限制，當(dāng)不同行駛方向的車輛同時(shí)到達(dá)或接近交叉口時(shí)都選擇減速觀望以避免碰撞。等權(quán)通行是駕駛員依據(jù)車輛相互位置而相互博弈產(chǎn)生的運(yùn)行結(jié)果，且國(guó)內(nèi)無(wú)信號(hào)交叉口車輛運(yùn)行普遍具有相等通行權(quán)的特征，因此本研究以等權(quán)無(wú)信號(hào)交叉口為仿真場(chǎng)景設(shè)計(jì)交叉組合試驗(yàn)，對(duì)到達(dá)或接近交叉口車輛的減速、停車、穿越等行為進(jìn)行標(biāo)定方法改善研究，以更好地模擬等權(quán)無(wú)信號(hào)交叉口車輛運(yùn)行行為特性。

2 微觀仿真模型參數(shù)標(biāo)定驗(yàn)證試驗(yàn)設(shè)計(jì)

微觀交通仿真技術(shù)可以對(duì)交通流的時(shí)間和空間動(dòng)態(tài)變化進(jìn)行跟蹤描述，但微觀駕駛行為參數(shù)的取值決定了仿真模型的精確性，因此微觀參數(shù)標(biāo)定吸引了眾多國(guó)內(nèi)外學(xué)者的關(guān)注。梳理現(xiàn)有微觀仿真參數(shù)標(biāo)定研究，主要集中于全局參數(shù)取值方法與參數(shù)標(biāo)定結(jié)果取值方法。全局參數(shù)取值方法為兩類：一是采取系統(tǒng)默認(rèn)值或者與局部參數(shù)一同進(jìn)行智能尋優(yōu)；二是工程實(shí)測(cè)獲取全局參數(shù)值，僅對(duì)局部參數(shù)進(jìn)行智能尋優(yōu)。參數(shù)標(biāo)定結(jié)果取值方法為兩類：一是參數(shù)標(biāo)定結(jié)果直接取均值；二是聚類遞歸取值。以上方法均建立在圖1所示參數(shù)校正流程基礎(chǔ)之上開(kāi)展參數(shù)標(biāo)定工作。既有研究已驗(yàn)證在全局參數(shù)取系統(tǒng)默認(rèn)值情況下，參數(shù)標(biāo)定結(jié)果聚類遞歸取值優(yōu)于直接取均值[8]；在對(duì)標(biāo)定結(jié)果聚類遞歸取值情況下，全局參數(shù)通過(guò)工程實(shí)測(cè)獲取優(yōu)于取系統(tǒng)默認(rèn)值。但兩種方法并不是獨(dú)立存在，即兩種方法進(jìn)行組合時(shí)的相互作用還未經(jīng)驗(yàn)證分析，因此本研究在吸收借鑒以往研究的基礎(chǔ)之上，對(duì)不同全局參數(shù)取值方法與不同參數(shù)標(biāo)定結(jié)果取值方法進(jìn)行交叉組合試驗(yàn)，并驗(yàn)證標(biāo)定方法對(duì)無(wú)信號(hào)交叉口的適用性，通過(guò)對(duì)比驗(yàn)證分析不同方法組合之間的相互作用關(guān)系，給出最優(yōu)參數(shù)標(biāo)定方法。

2.1 基礎(chǔ)數(shù)據(jù)獲取與設(shè)定

以圖1所示流程為具體工作流程，首先選取數(shù)據(jù)采集點(diǎn)并確定參數(shù)標(biāo)定體系。研究選取北京等權(quán)無(wú)信號(hào)交叉口為仿真場(chǎng)景，具體道路條件、交通流數(shù)據(jù)如表1所示，選取交叉口實(shí)測(cè)通行能力作為校核指標(biāo)。

表1 民族大學(xué)西路—南路交叉口基本情況Tab.1 Basic information of intersection of Minzu University West Road and South Road

在實(shí)際研究國(guó)內(nèi)學(xué)者提出微觀仿真模型參數(shù)可進(jìn)一步分為全局參數(shù)與局部參數(shù)，不同參數(shù)作用區(qū)間和時(shí)機(jī)有所不同[9-10]。全局參數(shù)是指可以影響車輛行駛所有環(huán)節(jié)的駕駛行為參數(shù)，例如速度與加速度特征關(guān)系、最大加速度、最大減速度等,無(wú)論是自由行駛，還是跟車或換道過(guò)程均會(huì)參與其中；而局部參數(shù)是指僅影響局部駕駛行為的特征參數(shù)，例如換道安全系數(shù)僅僅參與換道行為決策，對(duì)跟車行為沒(méi)有必然影響。通常微觀仿真軟件中參數(shù)可分為8個(gè)種類：讓行規(guī)則參數(shù)、跟馳模型、換道模型、期望速度、加減速度、黃燈反應(yīng)、橫向行為及其他參數(shù)。根據(jù)各個(gè)參數(shù)的作用范圍將參數(shù)分為全局參數(shù)和局部參數(shù)。加減速度分布和期望速度作用于全局范圍的車輛行駛狀態(tài)，參數(shù)的影響范圍更廣，即為全局參數(shù)。已有研究中通常全局參數(shù)取系統(tǒng)默認(rèn)值或與局部參數(shù)一同通過(guò)智能尋優(yōu)進(jìn)行標(biāo)定[14-15]。對(duì)于無(wú)信號(hào)交叉口，本研究將橫向行為、跟馳模型參數(shù)、換道模型參數(shù)、讓行規(guī)則參數(shù)等針對(duì)具體交通事件產(chǎn)生影響的參數(shù)作為無(wú)信號(hào)交叉口仿真的局部參數(shù)。對(duì)于Vissim仿真平臺(tái)，研究選用Wiedemann74跟車模型與讓行規(guī)則參數(shù)，包括平均停車間距(Ax)、安全距離倍數(shù)部分(Bx_mult)、最大車速(MaxSpeed)、最小時(shí)間空擋(Gap Time)、安全距離附加部分(Bx_add)、最小空間空擋(Headway)、沖突標(biāo)志位置(Pos，本研究設(shè)定交叉口4條進(jìn)口道路段長(zhǎng)度皆為150 m)。參數(shù)取值范圍見(jiàn)表2。

表2 仿真模型參數(shù)及其取值范圍Tab.2 Simulation model parameters and their values

2.2 參數(shù)標(biāo)定結(jié)果聚類遞歸取值

已有研究對(duì)參數(shù)標(biāo)定結(jié)果的分布特性分析表明參數(shù)在逐步迭代過(guò)程中展現(xiàn)出不同的變化趨勢(shì)，模型參數(shù)標(biāo)定結(jié)果存在多組最優(yōu)解。相對(duì)于以往的直接取均值作為取值結(jié)果，已有研究將分散度作為指標(biāo)量化分析各個(gè)參數(shù)標(biāo)定結(jié)果的聚集程度，并以分散度從小到大的順序依次計(jì)算模型的參數(shù)取值[8]。本研究在其研究基礎(chǔ)之上開(kāi)展參數(shù)標(biāo)定結(jié)果聚類遞歸取值試驗(yàn)。

研究為解決多組最優(yōu)解的參數(shù)取值問(wèn)題，再次量化分析參數(shù)標(biāo)定結(jié)果的內(nèi)部分布情況。在借鑒已有研究基礎(chǔ)之上，選取‘分散度’以描述數(shù)據(jù)聚集程度，本研究核心是對(duì)無(wú)信號(hào)控制交叉口的運(yùn)行規(guī)則進(jìn)行標(biāo)定，因此不再對(duì)具體量化分析指標(biāo)的選取進(jìn)行研究。標(biāo)定結(jié)果極值小的參數(shù)具有較高的數(shù)據(jù)聚集性，因此應(yīng)優(yōu)先計(jì)算取值。針對(duì)參數(shù)標(biāo)定結(jié)果的內(nèi)部數(shù)據(jù)，應(yīng)根據(jù)占比最大的子類數(shù)據(jù)計(jì)算取值。根據(jù)這一原則，以參數(shù)內(nèi)部各子類所占的比例為權(quán)重系數(shù)，計(jì)算各類數(shù)據(jù)的極值，通過(guò)求和計(jì)算量化描述整體數(shù)據(jù)的聚集性。具體的計(jì)算流程如下：

(1)歸一化模型參數(shù)，K均值聚類分析標(biāo)定結(jié)果；

(2)計(jì)算各類數(shù)據(jù)的極值(δ)與占比(ρ)；

(3)通過(guò)以下公式計(jì)算各個(gè)參數(shù)標(biāo)定結(jié)果的分散度：

(1)

由于收斂程度高的參數(shù)具有較小的分散度值，因此按照分散度從小到大的順序逐步計(jì)算各個(gè)參數(shù)值，首先對(duì)當(dāng)前分散度值最小參數(shù)的標(biāo)定結(jié)果進(jìn)行K均值聚類，保留所占比例最大的子類，并刪除其他組合參數(shù)，計(jì)算該子類數(shù)據(jù)的平均值作為參數(shù)的最終標(biāo)定值，按照此原則逐次計(jì)算其他參數(shù)的標(biāo)定值。

3 參數(shù)標(biāo)定方法驗(yàn)證

全局參數(shù)取系統(tǒng)默認(rèn)值且標(biāo)定結(jié)果取均值,全局參數(shù)取系統(tǒng)默認(rèn)值且標(biāo)定結(jié)果聚類遞歸取值，工程實(shí)測(cè)獲取全局參數(shù)且標(biāo)定結(jié)果取均值和工程實(shí)測(cè)獲取全局參數(shù)且標(biāo)定結(jié)果聚類遞歸取值，根據(jù)上述4種參數(shù)標(biāo)定方法，以等權(quán)無(wú)信號(hào)交叉口為仿真場(chǎng)景，依托VISSIM仿真平臺(tái)開(kāi)展模型微觀參數(shù)標(biāo)定方法驗(yàn)證試驗(yàn)。

3.1 模型參數(shù)標(biāo)定

根據(jù)文獻(xiàn)[9-10]實(shí)測(cè)值標(biāo)定可接受加減速度和最大加減速度值，默認(rèn)值與實(shí)測(cè)值如表3、圖2和圖3所示。

表3 最大加減速度值Tab.3 Maximum acceleration and deceleration values

圖2 可接受加速度默認(rèn)與標(biāo)定值Fig.2 Default acceptable acceleration value and calibrated value

圖3 可接受減速度默認(rèn)與標(biāo)定值Fig.3 Default acceptable acceleration value and calibrated value

針對(duì)局部參數(shù)，應(yīng)用敏感性分析[16]發(fā)現(xiàn)通行能力相比延誤、排隊(duì)長(zhǎng)度受更多的參數(shù)影響，因此選取通行能力作為校核指標(biāo)。同時(shí)，分析得出Ax，Bx_add，Bx_mult，Headway，Pos，GapTime共6個(gè)局部參數(shù)對(duì)校核指標(biāo)有影響，因此針對(duì)這6個(gè)參數(shù)進(jìn)行標(biāo)定。通過(guò)遺傳算法[17-18]進(jìn)行尋優(yōu)，將每組參數(shù)視為染色體，各個(gè)參數(shù)視為基因。目標(biāo)函數(shù)為通行能力仿真值與實(shí)測(cè)值間偏差，如式(2)所示：

F=|Dr-Ds|/Dr,

(2)

式中，Dr為實(shí)測(cè)通行能力值；Ds為仿真輸出通行能力值。遺傳算法具體標(biāo)定流程如下：

(1)生成初代種群，在各個(gè)參數(shù)的取值范圍內(nèi)隨機(jī)生成等概率分布的100個(gè)基因值，并隨機(jī)組成100個(gè)染色體。

(2)進(jìn)行仿真試驗(yàn)，每組參數(shù)設(shè)置5個(gè)不同的隨機(jī)種子(20，60，100，140，180)分別試驗(yàn)5次，并取平均交叉口通行能力作為仿真結(jié)果。

(3)適應(yīng)度計(jì)算，計(jì)算仿真結(jié)果與實(shí)測(cè)結(jié)果的偏差，如果平均偏差變化平穩(wěn)并小于4%則停止迭代，否則進(jìn)行下一步。

(4)變異和交叉，取偏差最小的前20個(gè)參數(shù)組進(jìn)行變異和交叉。下一迭代中，變異和交叉形成新的染色體均為50條。變異方式為，考慮不同參數(shù)的取值范圍不同，Pos值按照0.1%的幅度隨機(jī)變動(dòng)，其他參數(shù)值按照5%的幅度隨機(jī)變動(dòng)。交叉方式為隨機(jī)選取基因值形成新的染色體。

(5)轉(zhuǎn)至(2)。隨著迭代次數(shù)的增加，偏差逐漸減小并趨于平穩(wěn)，全局參數(shù)取系統(tǒng)默認(rèn)值情況下的局部參數(shù)經(jīng)過(guò)3次迭代滿足迭代終止條件，共計(jì)1 500次仿真試驗(yàn)；工程實(shí)測(cè)獲取全局參數(shù)情況下的局部參數(shù)經(jīng)過(guò)4次迭代滿足迭代終止條件，共計(jì)2 000次仿真試驗(yàn)。

3.2 參數(shù)標(biāo)定結(jié)果取值

對(duì)照試驗(yàn)設(shè)計(jì)說(shuō)明：兩種方法均經(jīng)過(guò)遺傳算法進(jìn)行尋優(yōu)，選取偏差在4%以內(nèi)的參數(shù)組合方案作為分析對(duì)象，對(duì)兩種方法產(chǎn)生的組合方案分別通過(guò)取均值與聚類遞歸進(jìn)行標(biāo)定結(jié)果取值。

針對(duì)聚類遞歸取值，對(duì)每個(gè)參數(shù)的標(biāo)定結(jié)果進(jìn)行數(shù)據(jù)處理，按比例放縮保證在0～1之間分布，同時(shí)對(duì)各參數(shù)優(yōu)化處理結(jié)果進(jìn)行系統(tǒng)聚類，全局參數(shù)取系統(tǒng)默認(rèn)值情況下的聚類結(jié)果共有163種參數(shù)組合方案；而工程實(shí)測(cè)獲取全局參數(shù)情況下的聚類結(jié)果共有150種參數(shù)組合方案。兩種方法聚類結(jié)果的各參數(shù)分布對(duì)比情況如圖4～9所示。

圖4 AX標(biāo)定結(jié)果數(shù)據(jù)圖Fig.4 Data charts of calibration result of AX

圖5 Bx_add標(biāo)定結(jié)果數(shù)據(jù)圖Fig.5 Data charts of calibration result of Bx_add

圖6 Bx_mult標(biāo)定結(jié)果數(shù)據(jù)圖Fig.6 Data charts of calibration result of Bx_mult

圖7 Gap Time標(biāo)定結(jié)果數(shù)據(jù)圖Fig.7 Data charts of calibration result of Gap Time

圖8 Headway標(biāo)定結(jié)果數(shù)據(jù)圖Fig.8 Data charts of calibration result of Headway

圖9 Pos標(biāo)定結(jié)果數(shù)據(jù)圖Fig.9 Data charts of calibration result of Pos

根據(jù)式(1)計(jì)算兩種方法參數(shù)標(biāo)定結(jié)果的分散度，計(jì)算值如表4所示。

以方法2為例，根據(jù)分散度從小到大的順序逐次計(jì)算參數(shù)值，首先計(jì)算Bx_add參數(shù)的標(biāo)定值，根據(jù)K均值聚類分析Bx_add，由于子類2占比最大，因此刪除子類1，3，4的組合方案數(shù)據(jù)，并計(jì)算子類2的參數(shù)均值作為參數(shù)Bx_add的最終取值，然后重新計(jì)算參數(shù)Bx_mult，Pos，GapTime，Headway，Ax的分散度，再次根據(jù)取值原則與方法順次確定各個(gè)參數(shù)最終取值。

標(biāo)定結(jié)果取均值，即標(biāo)定結(jié)果平均值。兩種全局參數(shù)標(biāo)定方法與兩種取值方法交叉形成4種方法的最終參數(shù)值如表5所示。

3.3 標(biāo)定結(jié)果驗(yàn)證與分析

根據(jù)表5中的參數(shù)值進(jìn)行對(duì)照仿真試驗(yàn)，模擬得到無(wú)信號(hào)交叉口通行能力值如圖10所示。

圖10顯示出4種方法測(cè)得的通行能力仿真值與實(shí)際值之間的偏差都很小，但是由于全局參數(shù)標(biāo)定方法、標(biāo)定結(jié)果取值方法不同，導(dǎo)致最終結(jié)果在模擬通行能力時(shí)具有不同精度。而方法2相比實(shí)測(cè)通行能力具有最低的偏差水平，即工程實(shí)測(cè)獲取全局參數(shù)并對(duì)局部參數(shù)標(biāo)定結(jié)果進(jìn)行聚類遞歸取值的方法所得到的仿真值與實(shí)際值最接近。

標(biāo)定結(jié)果取值方法對(duì)最終標(biāo)定結(jié)果有較大影響。從標(biāo)定結(jié)果分布圖來(lái)看，參數(shù)值在迭代過(guò)程中逐漸收斂集中，但集中方式不同。參數(shù)內(nèi)部具有多個(gè)子類時(shí)，取均值有可能降低參數(shù)可移植性。例如參數(shù)Ax在全局參數(shù)取系統(tǒng)默認(rèn)值時(shí)的標(biāo)定結(jié)果取值分布，如圖4(左)，圖中顯示參數(shù)Ax向兩個(gè)取值水平集中，而兩個(gè)子類占比較為接近，如果直接取均值將導(dǎo)致最終取值位于兩個(gè)子類之間或者子類邊緣，數(shù)據(jù)顯示均值為2.08，歸一化后0.52，最終取值介于兩個(gè)子類之間。由此可見(jiàn)，標(biāo)定結(jié)果取均值具有隨機(jī)性，聚類遞歸取值穩(wěn)定性更強(qiáng)。

表4 參數(shù)分散度值Tab.4 Parameter dispersions

表5 不同方法參數(shù)標(biāo)定值Tab.5 Calibration values of parameters by different methods

圖10 不同方法的通行能力Fig.10 Capacities obtained by different methods

方法1與方法2的標(biāo)定結(jié)果都是聚類遞歸取值，但全局參數(shù)標(biāo)定方法不同，從兩種方法的標(biāo)定結(jié)果分布圖來(lái)看，方法2的多個(gè)參數(shù)取值分布顯著低于方法1的取值分布，而這些參數(shù)取值越小越利于通行能力的增大。從兩種方法的分散度均值來(lái)看，如表4所示，方法2比方法1的分散度均值更小，證明方法2的標(biāo)定結(jié)果集中性更強(qiáng)。由表5中各個(gè)參數(shù)的標(biāo)定結(jié)果可見(jiàn)，方法1、方法3相比方法2、方法4的參數(shù)取值更不利于通行能力的增大，反觀VISSIM的車輛減速度和啟動(dòng)加速度的默認(rèn)值，均遠(yuǎn)大于正常車輛的啟動(dòng)加減速度，并不符合實(shí)際。由此可以合理推斷，全局參數(shù)采用系統(tǒng)默認(rèn)值時(shí)仿真值大于實(shí)測(cè)通行能力值，為使仿真值趨近于實(shí)測(cè)值，只能通過(guò)局部參數(shù)的變化以降低通行能力，導(dǎo)致最終參數(shù)標(biāo)定結(jié)果并不符合實(shí)際交通流運(yùn)行特性。

相比對(duì)標(biāo)定結(jié)果直接取均值的方法4，方法2中聚類遞歸的取值方法更加精細(xì)化、仿真結(jié)果更加精確。雖然方法2精度最高，但方法1與方法4的仿真結(jié)果在精度上低于方法3，由此可見(jiàn)，工程實(shí)測(cè)獲取全局參數(shù)的方法應(yīng)結(jié)合對(duì)標(biāo)定結(jié)果聚類遞歸取值的方法才能有效減小偏差。

4 結(jié)論與展望

交通仿真模型的微觀參數(shù)標(biāo)定是運(yùn)用微觀仿真技術(shù)的重要步驟，本研究在梳理已有微觀參數(shù)標(biāo)定方法的基礎(chǔ)之上，整理出兩種全局參數(shù)設(shè)置方法和兩種標(biāo)定結(jié)果取值方法，并交叉形成4種標(biāo)定方法，以等權(quán)無(wú)信號(hào)交叉口為仿真場(chǎng)景設(shè)計(jì)交叉驗(yàn)證試驗(yàn)，以通行能力作為校核指標(biāo)，對(duì)比4種組合方法下的仿真值，結(jié)果表明實(shí)測(cè)全局參數(shù)結(jié)合聚類遞歸取值的方法最精確，但僅通過(guò)工程實(shí)測(cè)標(biāo)定全局參數(shù)而標(biāo)定結(jié)果取均值或者全局參數(shù)取默認(rèn)值而標(biāo)定結(jié)果聚類遞歸取值，相比默認(rèn)全局參數(shù)值結(jié)合標(biāo)定結(jié)果取均值的方法，并未有效減小偏差。通過(guò)對(duì)試驗(yàn)過(guò)程以及試驗(yàn)結(jié)果的分析，發(fā)現(xiàn)工程實(shí)測(cè)獲取的全局參數(shù)值更符合城市車輛實(shí)際運(yùn)行特性，以及標(biāo)定結(jié)果聚類遞歸取值相比直接取均值具有更好的穩(wěn)定性。

本研究在梳理以往微觀仿真模型參數(shù)標(biāo)定的基礎(chǔ)上，通過(guò)交叉驗(yàn)證試驗(yàn)給出了最優(yōu)參數(shù)標(biāo)定方法，并且對(duì)無(wú)信號(hào)交叉口參數(shù)標(biāo)定進(jìn)行了研究，驗(yàn)證了4種微觀仿真參數(shù)標(biāo)定方法對(duì)無(wú)信號(hào)交叉口的適用性，同時(shí)給出具體參數(shù)取值，但由于樣本量較少，尚不能作為無(wú)信號(hào)交叉口通用參數(shù)，下一步將開(kāi)展無(wú)信號(hào)交叉口微觀參數(shù)取值研究，在增大樣本量的情況下研究無(wú)信號(hào)交叉口通用參數(shù)取值。