基于參數靈敏度分析的交通仿真模型校正研究

收稿日期：2021-11-20；修回日期：2021-12-19

基金項目：科技助力經濟2020重點專項（SQ2020YFF0418521）；中央引導地方科技發(fā)展專項（CSTC2020JSCX-DXWTB0003）

作者簡介：張建旭（1979-），男，河南長葛人，副教授，博士，主要研究方向為綜合交通系統(tǒng)規(guī)劃、城市交通設計、交通仿真、交通影響分析；王雪芹（1996-），女（通信作者），重慶江津人，碩士研究生，主要研究方向為交通運輸規(guī)劃與管理、交通管理控制、交通仿真、交通流預測等（956114218@qq.com）.

摘 要：為了使交通仿真模型校正工作能夠高效開展，提出了以參數靈敏度分析為基礎的模型校正框架。通過靈敏度分析確定影響模型精度的關鍵參數，以簡化模型；對關鍵參數進行標定，以校正模型。以城市快速路交織區(qū)為仿真案例，以跟車模型和換道模型為研究對象；首先進行了大量仿真實驗，分析不同車流量水平下模型參數的取值特征；據此制定模型參數的區(qū)間劃分規(guī)則和交叉組合規(guī)則，從而對LH-OAT算法和遺傳算法（GA）進行改進；然后應用改進LH-OAT算法（ILH-OAT）對模型參數進行靈敏度分析，再應用GA對關鍵參數進行標定；最后依據校驗指標對仿真結果進行誤差分析。結果表明ILH-OAT和GA相結合，不僅簡化了仿真模型，降低了仿真運行成本，仿真效果也更加接近真實的道路交通運行情況。

關鍵詞：參數靈敏度分析； 關鍵參數標定； ILH-OAT算法； 遺傳算法

中圖分類號：TP399"" 文獻標志碼：A

文章編號：1001-3695（2022）06-032-1790-06

doi：10.19734/j.issn.1001-3695.2021.11.0593

Research on traffic simulation model correction based on parameter sensitivity analysis

Zhang Jianxu， Wang Xueqin

（College of Traffic amp; Transportation， Chongqing Jiaotong University， Chongqing 400074， China）

Abstract：In order to carry out the correction work of traffic simulation model more efficiently， this paper proposed a model correction framework based on parameter sensitivity analysis.

The method

simplified the model by exploring the key parameters that affected the model accuracy through sensitivity analysis， and corrected the model with the usage of the calibrated key parameters. To justify this， the paper analyzed the car following model and lane changing model under the simulation condition of urban expressway weaving area. Firstly， it obtained the value of model parameters under different traffic flow levels through a large number of simulation experiments. Secondly， this paper formulated the interval division rules and cross combination rules of model parameters to improve LH-OAT algorithm and genetic algorithm （GA）. Then， it used the improved LH-OAT algorithm （ILH-OAT） and GA algorithm to analyze the sensitivity of the model parameters and used GA to calibrate the key parameters. Finally， this paper checked the error of the simulation results according to the verification index. The results show that the combination of ILH-OAT and GA simplifies the simulation model and reduces the simulation operation cost. Besides， it also adds verisimilitude to the simulation on reflecting real traffic operation.

Key words：parameter sensitivity analysis; calibration of key parameters; ILH-OAT algorithm; genetic algorithm

0 引言

微觀交通仿真軟件是當今交通研究領域不可或缺的工具。交通仿真軟件輸出結果的可靠度與使用模型的精確度密切相關。當前廣泛使用的交通仿真模型大多依據國外的道路交通條件進行設計，與我國道路交通的實際情況不相吻合。為了提高仿真模型的精確度，國內眾多學者根據我國道路交通的實際情況展開了大量研究。文獻［1～3］是我國學者在交通仿真模型校正領域的研究成果，校正后的仿真模型其輸出結果更加接近我國道路交通的真實情況，在很大程度上提高了仿真模型的可靠度。根據真實道路交通條件對仿真模型進行校正至關重要，但當仿真模型十分復雜、計算成本非常高昂時，模型校正相當困難。常用的解決辦法是選擇魯棒性較強的部分參數進行標定，這時就需要對模型參數進行靈敏度分析。目前，國內針對交通仿真模型參數靈敏度分析的研究很少，文獻［4］以離散度為度量指標，對仿真模型參數的靈敏度進行了量化分析，從而確定關鍵參數，簡化了仿真模型。與國內相比，國外對交通仿真模型參數靈敏度分析的研究相對豐富一些，文獻［5～12］主要從定性、定量以及定性定量相結合三個角度對仿真模型參數的靈敏度進行了研究，在一定程度上降低了模型復雜度，增加了仿真模型的可控性。但這些研究主要集中于模型參數的局部靈敏度分析，沒有提出標準高效的全局靈敏度分析方法，很難正確選擇影響模型精度的關鍵參數。

本文在前人研究的基礎上，創(chuàng)新性地將參數靈敏度分析和參數標定相結合，提出了一個全新的交通仿真模型校正框架。通過參數靈敏度分析有效篩選影響仿真模型精度的關鍵參數，并在此基礎上對關鍵參數進行標定，從而實現交通仿真模型的校正。進行參數靈敏度分析時，借鑒了傳統(tǒng)LH-OAT算法［13］的基本思想，根據道路交通流的運行特征對LH-OAT中拉丁超立方抽樣（LHS）的區(qū)間劃分和參數交叉組合進行優(yōu)化；進行關鍵參數標定時，改進了GA的初始編碼策略；使得設計的仿真實驗方案更加接近真實的道路交通運行情況。

1 交通仿真模型校正方案設計

1.1 仿真模型及校驗指標確定

1.1.1 仿真模型確定

為了準確刻畫道路交通流的運行特征，并通過數據實現可視化，本文選取VISSIM仿真軟件展開研究，內部核心模型是由Wiedemann建立的生理—心理駕駛行為模型［14］。Wiedemann交通流模型的前提假設是駕駛員處于自由行駛、靠近、跟隨和制動四個駕駛狀態(tài)其中之一。針對這四種駕駛狀態(tài)中的任何一種，都可根據當前速度、速度差、與前方行人的距離以及駕駛員與車輛的特征參數得出加速度大小。一旦達到一個可以將其描述為速度差與距離函數的特定界限，駕駛員就會變換駕駛狀態(tài)。

城市快速路交織區(qū)車流量大、車速快、車輛變道頻繁，車輛主要處于靠近和跟隨兩種狀態(tài)，在進行仿真模擬時，發(fā)揮關鍵作用的是跟車模型和換道模型。根據VISSIM使用手冊，適用于城市內部交通和交織區(qū)路段交通運行的跟車模型是Wiedemann74。另外，由于車輛駛入或駛出交織區(qū)屬于必要的變道行為，選擇的換道模型需要額外考慮駕駛員可接受的減速度ACC_ac、最大減速度ACC_max以及減速度縮減距離D這三個參數。除了跟車模型和換道模型，期望速度分布也是影響交通仿真模型精度的關鍵參數。本文選取的研究參數如表1所示。

1.1.2 校驗指標確定

本文選取路段平均行駛速度和路段車流量作為校驗指標，以重慶市內環(huán)快速路北環(huán)立交進—出型交織區(qū)為仿真場景，并進行交通數據調查。為簡化模型，在交織區(qū)內部設置間距為80 m的調查點位，將該路段長度視為交織區(qū)長度，測量車輛通過此路段的行駛時間，從而計算車輛的平均行駛速度，計算公式如式（1）所示。交織區(qū)車流量由主線上游、進口匝道和出口匝道的車流量共同構成，為了獲得交織區(qū)車流量情況，直接在主線上游、進出口匝道處布設流量調查點位，布設情況如圖1所示。

V=1Q∑Qq=1dtq（1）

其中：V為路段平均行駛速度；Q為單位時間通過路段的車輛數；d為路段長度；tq為第q輛車通過路段所需時間，q∈［1，Q］。

1.2 參數區(qū)間劃分及交叉組合規(guī)則

LH-OAT算法屬于全局靈敏度分析方法，是LHS和OAT的結合，能夠有效捕捉影響模型精度的關鍵參數，達到簡化模型的目的。傳統(tǒng)LHS［15］將每個參數的取值范圍均勻分成m個互不重疊的區(qū)間（每個分區(qū)的代表值被抽取的概率相等），并在各個區(qū)間上隨機抽取一個代表值，然后在各參數的代表值中隨機選擇（每個參數的代表值只能使用一次）組合成一個樣本，從而得到樣本集合。

交通仿真模型參數在不同的交通運行條件下呈現不同的取值特征，如果仍然對參數區(qū)間進行均勻劃分，就無法保證各個分區(qū)的代表值被抽取概率相等；除此之外，參數與參數之間也存在變化關系，如果直接對各參數的代表值隨機組合，生成的參數組就無法反映道路交通流的真實情況。為了保證參數組能夠最大限度地接近真實的道路交通運行情況，本文制定了參數區(qū)間劃分規(guī)則和參數交叉組合規(guī)則。

1.2.1 參數區(qū)間劃分規(guī)則

LHS對模型參數進行均勻分區(qū)的依據是各分區(qū)的代表值被抽取的概率相等。對于交通仿真模型參數而言，不同的交通運行條件下，模型參數取值呈現出不同的特征。本文根據不同車流量水平下仿真模型參數的取值特征制定了參數區(qū)間劃分規(guī)則，具體步驟如下：

a）設計大量仿真實驗方案。根據控制變量法的基本原理，每次改變一個參數的取值，在其取值范圍內均勻抽取k個樣本，其余參數保持默認值不變，總共生成了14k個仿真實驗方案，如式（2）所示。

［e1，1，e2，m，…，e14，m］，…，［e1，k，e2，m，…，e14，m］

［e1，m，e2，1，…，e14，m］，…，［e1，m，e2，k，…，e14，m］

［e1，m，…，e13，m，e14，1］，…，［e1，m，…，e13，m，e14，k］（2）

其中：ei，j為第i個模型參數的第j個抽樣值，i∈［1，14］，j∈［1，k］；ei，m為第i個模型參數的默認值。

b）對每個仿真方案進行多次隨機種子實驗，輸出對應的路段車流量，統(tǒng)計分析路段車流量的主要分布情況。

c）分析不同車流量水平下模型參數的取值特征。劃分路段車流量水平，篩選對應車流量水平的參數組合方案，對方案中的各參數取值進行統(tǒng)計分析。

d）為了保證交通仿真模型中各參數分區(qū)的代表值被抽取的概率相同，本文以分區(qū)內參數出現的頻數相同為原則，對各參數進行區(qū)間劃分。參數區(qū)間劃分的具體流程如圖2所示。

1.2.2 參數交叉組合規(guī)則

交通仿真模型在模擬道路交通流時，需要根據實際情況對模型參數進行標定，但以往的研究在進行參數組合時忽略了參數與參數之間的變化關系，生成的仿真方案不符合實際道路交通運行。

從交通運行安全與仿真模型參數的關系角度分析，參數OB_d、OB_e、N_pr值越大，仿真車輛對前后環(huán)境的感知越準確，其交通運行狀態(tài)越滿足安全運行的需求；而參數GAP_min、ABX、CO_ac、D值越小，車輛換道風險越大；其余參數對交通安全運行的影響較弱。

為了驗證模型參數的變化特征，額外設計了一定數量的仿真實驗方案，并對模型參數與校驗指標進行了相關性分析。參數OB_d、OB_e、N_pr與校驗指標的協方差計算結果為正（分別為288.63、4.47、0.34），參數GAP_min、ABX、CO_ac、D與校驗指標的協方差計算結果為負（分別為-1.21、-1.22、-1.13、-0.25），其余參數與校驗指標的協方差計算結果接近0。

為了保證設計的仿真實驗方案符合道路交通運行的實際情況，本文制定了參數交叉組合規(guī)則對變化趨勢相反的參數進行交叉組合，如圖3所示。其中，參數A、C屬于變化趨勢相同的參數集合；參數B、D也屬于變化趨勢相同的參數集合；但參數A、C所在的集合和參數B、D所在的集合變化趨勢相反；m代表每個參數被劃分成了m個區(qū)間；箭頭指向表示參數分區(qū)代表值的組合關系。除去存在相互變化關系的參數集合，其余參數的分區(qū)代表值則進行隨機組合。

1.3 交通仿真模型參數靈敏度分析

這里直接根據參數區(qū)間劃分規(guī)則和參數交叉組合規(guī)則對LH-OAT進行改進，ILH-OAT的計算步驟如下：

a）假設仿真模型有n個參數，依據參數區(qū)間劃分規(guī)則將每個參數的取值范圍分成m個區(qū)間，為每個分區(qū)設置一個參數基準值，再在每個分區(qū)上隨機抽取一個代表值。

b）根據參數交叉組合規(guī)則，先對參數分區(qū)基準值進行組合，再對參數分區(qū)代表值進行組合，分別得到m個基準參數組和m個抽樣參數組。

c）先對基準參數組進行仿真實驗，并將仿真結果帶入目標函數，計算對應的目標函數值Mbvj。

d）再對抽樣參數組的各參數進行不同幅度的擾動（共設置L個擾動幅度，擾動后的參數值必須在分區(qū)內，否則舍掉該次擾動數據），每次擾動只改變一個參數，計算每次擾動后抽樣參數組的目標函數值Msvj，l（e1，…，eiαl，…，en）。

e）結合Mbvj和Msvj，l（e1，…，eiαl，…，en）就可得到參數ei在擾動幅度為αl 時的局部靈敏度，如式（3）所示。

TSvi，j，l=Msvj，i（e1，…，eiαl，…，en）-MbvjαlMbvj（3）

其中：ei為第i個仿真模型參數，i∈［1，n］；αl為參數ei的擾動幅度，l∈［1，L］；TSvi，j，l為第j個抽樣參數組參數ei擾動αl后的局部靈敏度，j∈［1，m］，v∈［1，4］。

f）對各參數在不同擾動幅度下的局部靈敏度TSvi，j，l取平均，就可得到各參數最終的局部靈敏度，如式（4）所示。

TSvi，j=1L∑Ll=1TSvi，j，l（4）

g）最后對各參數的局部靈敏度取平均即可得到各參數的全局靈敏度，如式（5）所示。

GSvi=1m∑mj=1TSvi，j（5）

其中：GSvi為參數ei在Mv條件下的全局靈敏度。

h）本文除了對LH-OAT進行以上改進外，在進行靈敏度計算時還引入了平均行駛速度誤差M1、平均行駛速度殘差平方和M2、路段車流量誤差M3和路段車流量殘差平方和M4四個目標函數，分別如式（6）～（9）所示。

M1=|V－Vs|/|Vs－Vs|（6）

M2=|Q－Qs|/|Qs－Qs|（7）

M3=∑（V－Vs）2∑（V－Vs）2（8）

M4=∑（Q－Qs）2∑（Q－Qs）2（9）

其中：V為實測路段平均行駛車速；Vs為單次仿真路段平均行駛車速；Vs為路段平均行駛車速的仿真均值；Q為實測路段車流量；Qs為單次仿真路段車流量；Qs為路段車流量的仿真均值。

為了使仿真模型參數的靈敏度具有可比性，參考文獻［16］的參數靈敏度等級表，如表2所示，對交通仿真模型參數進行靈敏度分級。

表2 參數靈敏度分級

Tab.2 Parameter sensitivity classification

靈敏度等級靈敏度區(qū)間劃分靈敏度分級

10.00≤|GSi|lt;0.20不靈敏

20.20≤|GSi|lt;0.70一般靈敏

30.70≤|GSi|lt;1.00靈敏

4|GSi|≥1.00極度靈敏

1.4 交通仿真模型參數標定

遺傳算法（GA）［16］是一種基于自然選擇和群體遺傳機理的搜索算法，它模擬了自然選擇和自然遺傳過程中的繁殖、雜交和突變現象，具有良好的全局搜索能力。GA計算過程如下：

a）編碼初始化。根據參數區(qū)間劃分規(guī)則和參數交叉組合規(guī)則，生成P個初始參數組合方案。采用浮點編碼法對這P個參數組合方案進行編碼，形成P條初代染色體。

b）適應度函數。本文染色體適應度計算如式（10）～（12）所示。

fitness1=V/|Vsp-V|（10）

fitness2=Q/|Qsp-Q|（11）

fitness_sum=fitness1+fitness2（12）

其中：Vsp為第P條染色體的路段平均行駛速度；Qsp為第P條染色體的路段車流量；fitness1為校驗指標為路段平均行駛速度時第P條染色體的適應度；fitness2為校驗指標為路段車流量時第P條染色體的適應度；fitness_sum為第P條染色體的最終適應度。

c）選擇函數。確定進行交叉變異的染色體。以染色體適應度為依據，保留適應度最好的前S條染色體進行交叉變異。

d）交叉變異。用于生成子代染色體。交叉原則為采用模擬二進制交叉SBX［17］，對父代染色體兩兩交叉；變異原則為采用浮點編碼法的常規(guī)多項式變異方法［18］進行染色體變異。

e）迭代終止條件。對子代染色體進行適應度評價，若滿足條件就停止迭代；否則繼續(xù)進行交叉變異等操作，直至滿足迭代終止條件。

2 交通數據調查及仿真模型搭建

2.1 交通數據調查

以重慶市內環(huán)快速路北環(huán)立交進—出型交織區(qū)交通運行為仿真對象，通過無人機拍攝和人工計數進行早高峰交通數據采集，數據分析結果如表3所示。

2.2 交通仿真模型搭建

為了在VISSIM中實現復雜道路交通的控制算法，本文通過Python調用VISSIM-COM接口，實現仿真模型對象屬性的調用和仿真運行數據的獲取，原理如圖4所示。利用實地調查的交織區(qū)道路幾何數據以及交通流數據，建立VISSIM交通仿真模型，進行仿真實驗，如圖5所示。

3 交通仿真模型校正實驗

為了掌握交通仿真模型參數的取值特征，以便后續(xù)對LH-OAT進行改進，從而對模型參數進行靈敏度分析。本文根據控制變量法的基本原理，每次改變一個模型參數，在其取值范圍均勻抽取50個樣本，其余參數保持默認值不變，設計了700個仿真實驗方案，每個方案進行5次隨機種子實驗，總共得到了3 500次仿真實驗數據。

3.1 模型參數區(qū)間劃分

3.1.1 交織區(qū)車流量分布特征分析

根據仿真實驗數據，對交織段車流量的主要分布情況進行統(tǒng)計分析，如圖6所示。仿真數據中路段車流量主要分布在［3 000，4 000］、［4 000，5 000］和［5 000，6 000］。后續(xù)進行參數取值特征分析時，分別以這三個車流量區(qū)間為仿真實驗方案的篩選依據。

3.1.2 模型參數取值特征分析

分別篩選交通仿真輸出的路段車流量在區(qū)間［3 000，4 000］、［4 000，5 000］和［5 000，6 000］的實驗方案，并對模型參數的取值情況進行統(tǒng)計分析。

以參數ABX和AC_max為例，參數ABX和AC_max在不同車流量水平下的參數取值情況分別如圖7、8所示。可以看出，在不同的車流量水平下，參數ABX取值呈現不同的取值特征，但參數AC_max取值呈現相同的取值特征。這說明，部分參數的取值特征會隨著車流量水平的變化而變化，部分參數的取值特征不會隨著車流量水平的變化而變化。

3.1.3 模型參數區(qū)間劃分結果

上文分析了模型參數在不同車流量水平下的取值特征，其中只有參數GAP_min、ABX和CO_ac在不同車流量水平下的取值特征存在差異。本文參數靈敏度分析預設抽樣樣本數量為4，因此將各參數劃分為四個區(qū)間，根據參數區(qū)間劃分規(guī)則，對各參數的分區(qū)大小進行確定。其中GAP_min、ABX和CO_ac的區(qū)間劃分結果如表4所示，其余參數在其取值范圍內均勻分區(qū)。

3.2 仿真模型參數靈敏度分析

根據實測數據，早高峰期間該交織區(qū)的車流量為5 572 pcu/h，在此流量水平下進行模型參數靈敏度分析，具體流程：

a）根據車流量水平［5 000，6 000］下參數區(qū)間劃分結果，為每個分區(qū)設置參數基準值，并在各分區(qū)內抽取代表值，依據參數交叉組合規(guī)則，生成四個基準參數組和四個抽樣參數組。

b）對基準參數組進行仿真實驗，并將仿真輸出結果帶入目標函數。

c）然后對抽樣參數中的各參數進行幅度分別為±20%、±40%、±60%和±80%的擾動（若擾動后的參數值超出了區(qū)間范圍，則舍去此次擾動結果），并對擾動后的抽樣參數組進行仿真實驗，再將仿真輸出結果帶入目標函數。

d）結合基準參數組和抽樣參數組的目標函數值，計算各參數的局部靈敏度；然后對各參數的局部靈敏度求均值即可得到各參數的全局靈敏度。

e）綜合不同校驗指標以及不同目標函數的差異性，對不同目標函數計算得到的全局靈敏度取均值，得到各參數最終的全局靈敏度，結果如表5所示。

從表5可以看出，對仿真模型精度起到關鍵影響作用的參數有OB_d、ACC_max、ACC_ac、D、T_dis、GAP_min、ABX、Des_spd。其中，Des_speed用的是期望速度的均值，后續(xù)進行仿真實驗時，需要根據真實的道路交通運行情況對仿真模型的期望速度分布進行調整；其余七個參數則作為GA的關鍵校準參數。

3.3 仿真模型參數標定

3.3.1 期望速度分布調整

除了仿真模型參數，交織路段期望速度分布也是影響仿真結果的關鍵因素，以10 km/h為間隔統(tǒng)計出該交織區(qū)每個速度區(qū)間的分布比例，其中35～45 km/h的比例為10%，45～55 km/h比例為13%，55～65 km/h比例為26%，65～75 km/h比例為39%，75～85 km/h比例為12%。以此作為校驗后的主線上游輸入車流的期望速度分布，如圖9所示。

3.3.2 關鍵參數標定

應用GA對關鍵參數進行標定的具體實現過程如下：

a）根據關鍵參數的區(qū)間劃分結果，分別在各分區(qū)上抽取15個代表值；再根據參數交叉組合規(guī)則生成60個初始參數組，并應用浮點編碼法對初始參數組進行編碼，形成60條初代染色體。

b）對每條染色體進行仿真實驗，輸出校驗指標的仿真結果，計算每一代染色體的適應度，當最優(yōu)染色體適應度滿足下述條件時，則說明得到了本文所期望的參數組合方案；否則繼續(xù)進行交叉變異。

fitness1≥10，fitness2≥10，fitness_sum≥20

c）染色體交叉變異。對染色體適應度進行排序，選取適應度最大的前15條染色體作為父代染色體，進行交叉變異。

d）重復步驟b）c），直至染色體適應度趨于穩(wěn)定。隨著迭代優(yōu)化的推進，迭代了23次就得到了滿意的參數組合方案，最優(yōu)染色體的適應度變化趨勢如圖10所示，關鍵參數取值及誤差分析如表6、7所示。

3.4 方法對比分析

直接應用LH-OAT和GA對交織區(qū)交通仿真模型參數進行靈敏度分析和標定，沒有考慮模型參數的取值特征和相關性。本文在此基礎上對傳統(tǒng)LHS和GA的編碼初始化進行了優(yōu)化改進，為了驗證其有效性，分別將兩種方案標定的仿真模型進行誤差分析，如表8所示。

根據誤差分析結果，改進后的方法不僅進一步提高了仿真模型的可控性，降低了仿真運行的成本，仿真效果也更加接近真實道路交通運行情況。

4 結束語

為了提高仿真模型的可控性和仿真運行的計算效率，同時保證模型輸出結果的準確性，本文主要進行了以下工作：

a）搭建了交織區(qū)交通仿真模型，并調用VISSIM-COM接口設計了大量的仿真實驗方案。確定了路段車流量的主要分布區(qū)間，并分析不同車流量水平下模型參數的取值特征，從而制定了參數的區(qū)間劃分規(guī)則；再根據模型參數間的變化關系制定了參數交叉組合規(guī)則。

b）根據參數區(qū)間劃分規(guī)則和參數交叉組合規(guī)則，對LH-OAT進行改進，同時引入了四個目標函數對模型參數靈敏度進行詳盡分析，確定了影響仿真模型精度的關鍵參數。

c）在參數靈敏度分析的基礎上，應用GA對關鍵參數進行標定。同樣根據參數區(qū)間劃分規(guī)則和參數交叉組合規(guī)則對GA的初始編碼策略化進行優(yōu)化。

d）本文在應用ILH-OAT和GA時，都考慮了模型參數在不同車流量水平下的取值特征以及參數之間的變化關系，設計的仿真實驗方案，不僅提高了模型的運行效率，也保證了仿真輸出的精度，使得仿真效果更加逼近真實的道路交通。

本文所有工作都是在特定的交織區(qū)、特定的早高峰以及特定的交織流量比條件下進行，最終校正的仿真模型的適用性缺乏論證，后續(xù)研究可從以下幾個方面開展：a）分別對正常工作日晚高峰、平峰時段以及特殊節(jié)假日早晚高峰、平峰時段的交織區(qū)進行交通仿真實驗，分析校正模型的適用性;b）除了不同時段車流量大小的差異性，不同的交織流量比也是影響交織區(qū)交通運行的重要影響因素，后續(xù)可進一步分析研究交織區(qū)不同交織流量比條件下的運行特征，進一步探討仿真模型的適用性。

參考文獻：

[1]王青燕.微觀交通仿真模型參數標定及檢驗研究［D］.濟南：山東大學，2013.（Wang Qingyan. Research on parameter calibration and test of micro traffic simulation model［D］Jinan：Shandong University，2013.）

［2]唐少虎，劉小明.基于IAGSO算法的VISSIM模型校正研究與實現［J］.交通運輸系統(tǒng)工程與信息，2014，14（5）：74-80.（Tang Shaohu， Liu Xiaoming. Research and implementation of VISSIM model correction based on IAGSO algorithm［J］.Transportation System Engineering and Information，2014，14（5）：74-80.）

［3]張月.VISSIM交通仿真模型參數校正及主輔路出入口設置研究［D］.北京：首都經濟貿易大學，2015.（Zhang Yue. Research on parameter correction of VISSIM traffic simulation model and setting of main and auxiliary roads［D］.Beijing：Capital University of Economics and Trade，2015.）

［4]周晨靜，榮建，陳春安.面向微觀交通仿真實驗的模型參數敏感性分析方法［J］.北京工業(yè)大學學報，2016，42（11）：1728-1733.（Zhou Chenjing， Rong Jian， Chen Chun’an. Sensitivity analysis method of model parameters for micro traffic simulation experiment［J］.Journal of Beijing University of Technology，2016，42（11）：1728-1733.）

［5]Ge Qiao， Menéndez M. Sensitivity analysis for calibrating VISSIM in modeling the Zurich network［EB/OL］.（2012-05-02）.http：//hdl.handle.net/20.500.11850/48706.

［6]Ge Qiao， Menendez M. An efficient sensitivity analysis approach for computationally expensive microscopic traffic simulation models［J］.International Journal of Transportation，2014，2（2）：49-64.

［7]Ge Qiao， Menendez M. An improved approach for the sensitivity analysis of computationally expensive microscopic traffic models： a case study of the Zurich network in VISSIM［C］//Proc of the 92nd Annual Meeting of the Transportation Research Board.2013.

［8]Ge Qiao， Ciuffo B， Menendez M. An exploratory study of two efficient approaches for the sensitivity analysis of computationally expensive traffic simulation models［J］.IEEE Trans on Intelligent Transportation Systems，2014，15（3）：1288-1297.

［9]Punzo V， Montanino M， Ciuffo B. Do we really need to calibrate all the parameters？ Variance-based sensitivity analysis to simplify microscopic traffic flow models［J］.IEEE Trans on Intelligent Transportation Systems，2015，16（1）：184-193.

［10]Thamara V， Leclercq L， Montanino M， et al. Does traffic-related cali-bration of car-following models provide accurate estimations of vehicle emissions？［J］.Transportation Research Part D Transport and Environment，2015，34：267-280.

［11]Ge Qiao， Ciuffo B， Menendez M. Comprehensive approach for the sensitivity analysis of high-dimensional and computationally expensive traffic simulation models［J］.Transportation Research Record，2014，2422：121-130.

［12]Azevedo C L， Ciuffo B， Cardoso J L， et al. Dealing with uncertainty in detailed calibration of traffic simulation models for safety assessment［J］.Transportation Research Part C，2015，58：395-412.

［13]孫毅.基于LH-OAT的推理公式法參數敏感性分析［J］.水力發(fā)電，2017，43（9）：23-25，30.（Sun Yi. Parameter sensitivity analysis of reasoning formula method based on LH-OAT［J］.Hydropower，2017，43（9）：23-25，30.）

［14]Bellouquid A， Angelis E D E， Fermo L. Towards the modeling of vehicular traffic as a complex system：a kinetic theory approach［J］.Mathematical Models and Methods in Applied Sciences，2012，22（2）：2023-2028.

［15]McKay M D， Beckman R J， Conover W J. A comparison of three methods for selecting values of input variables in the analysis of output from a computer code［J］.Technometrics，42（1）：55-61.

［16]Orazio G， Anna G， Maria L T， et al. Calibrating a microscopic traffic simulation model for roundabouts using genetic algorithms［J］.Journal of Intelligent amp; Fuzzy Systems，2018，35（8）：1-16.

［17]Francisco C， Apolinar M R. Self-calibration of vision parameters via genetic algorithms with simulated binary crossover and laser line projection［J］.Optical Engineering，2015，54（5）：053115.

［18]Rathi R， Acharjya D P. A framework for prediction using rough set and real coded genetic algorithm［J］.Arabian Journal for Science and Engineering，2018，43（8）：4215-4227.

［19]王權威，唐莉.水文模型參數綜合敏感性系數分析［J］.水力發(fā)電，2017，43（6）：16-18，64.（Wang Quanwei， Tang Li. Comprehensive sensitivity coefficient analysis of hydrological model parameters［J］.Hydropower，2017，43（6）：16-18，64.）

［20]馬敬敬，閻朝坤，鄭金格.九種智能算法在科學工作流調度中的應用比較［J］.周口師范學院學報，2018，35（5）：90-95.（Ma Jingjing， Yan Chaokun， Zheng Jinge. Application comparison of nine intelligent algorithms in scientific workflow scheduling［J］.Journal of Zhoukou Normal University，2018，35（5）：90-95.）

［21]周晨靜，高亞聰，榮建.微觀交通仿真模型參數標定方法改善研究［J］.系統(tǒng)仿真學報，2020，32（11）：2112-2120.（Zhou Chenjing， Gao Yacong， Rong Jian. Research on improvement of parameter calibration method of micro traffic simulation model［J］.Journal of System Simulation，2020，32（11）：2112-2120.）

［22]秦萍，王正，孫兆軍，等.基于LH-OAT方法的VG模型參數敏感性分析［J］.節(jié)水灌溉，2019（10）：97-102.（Qin Ping， Wang Zheng， Sun Zhaojun， et al. Sensitivity analysis of VG model parameters based on LH-OAT method［J］.Water Saving Irrigation，2019（10）：97-10.）

［23]高亞聰，周晨靜，榮建.基于行程時間累積分布曲線的微觀交通仿真模型參數標定［J］.公路交通科技，2021，38（4）：121-130.（Gao Yacong， Zhou Chenjing， Rong Jian. Parameter calibration of micro traffic simulation model based on travel time cumulative distribution curve［J］.Highway Transportation Technology，2021，38（4）：121-130.）

［24]吳浩楠.超參數自動調優(yōu)算法研究［D］.哈爾濱：哈爾濱工業(yè)大學，2020.（Wu Haonan. Research on automatic optimization algorithm of super parameters［D］.Harbin：Harbin University of Technology，2020.）

［25]李喜龍.基于元效應的全局敏感性分析方法創(chuàng)新及工程應用研究［D］.杭州：浙江大學，2021.（Li Xilong.Research on innovation and engineering application of global sensitivity analysis method based on meta effect［D］.Hangzhou：Zhejiang University，2021.）