摘要：为了使微观交通仿真模型更适用于我国道路状况，必须要进行相关参数的校正工作。目前已经有许多学者对诸多相关方法进行研究以及改进，并取得了不错的成果。本文介绍了近年来提出的一些微观交通仿真模型参数校正的算法以及适用性，最后分析了对于参数校正的研究方向、存在问题及发展展望。
关键词：VISSIM交通仿真；参数校正；适用性
微观交通仿真系统是智能交通系统的一大分支，微观交通仿真能够再现城市道路交通状况，对之后的交通评价、交通控制方案设计和交通管控有重要意义。交通仿真的关键步骤是建立仿真模型，一般情况下，采用默认参数设置下的交通模型运行结果与实际道路情况相差较大，无法代表所仿真的实际道路交通条件，为使模型最大程度的反映实际道路运行状况，就需要对所建立的模型进行参数校正。近年来许多学者提出了诸多模型参数校正的算法及其相应的改进算法，比如遗传算法、人工萤火虫算法、粒子群优化算法等。
1、遗传算法及其改进
1.1遗传算法
遗传算法是模拟自然界生物优胜劣汰过程的具有自适应能力的全局性最优解搜索算法。它从一个潜在可能解集开始，首先将该解集中一个种群进行二进制编码，即表现为遗传基因的形式，每个编码对应一个问题的解，通常称之为染色体。在生成初始种群后，按照适者生存的原则，不停迭代生成新的更优秀的个体，直至满足解的要求为止。遗传算法在迭代过程中，经过遗传算子来决定后代，遗传算法主要的三个算子是：选择算子、变异算子和交叉算子[1]。
1.2遗传算法及其改进算法的应用
近年来微观交通仿真模型参数校正运用最多的算法就是遗传算法，它们分别应用于对不同种类道路，不同参数进行校正。比如：李志明[2]等人早在2006年采用遗传算法对VISSIM仿真软件的Wiedemann 74城市道路模型的7项参数进行校正，并结合实例验证所提出的遗传算法校正研究中的7项参数有良好的适用性。后期又有学者将遗传算法用于快速路模型的参数校正，例如：胡婷[3]以VISSIM微观仿真模型为基础，运用遗传算法校正了期望速度分布和8个快速路交织区驾驶员行为参数，结合实例验证了所提出的面向快速路交织区的遗传算法参数校正方法的可行性。现实交通道路状况中不仅有车流，还存在人流，李欣[4]等利用遗传算法对VISSIM仿真模型的人车参数进行标定，验证对于道路交通中不同的交通成分进行参数标定研究的必要性。另外，李振龙[5]等针对车辆在主路和辅路运行特征的差异，以进口道的车均延误的偏差作为评价指标，以遗传算法作为求解工具，分别实现了微观交通仿真软件VISSIM中主路和辅路驾驶行为参数的标定。
在此期间，人们还针对遗传算法的早熟收敛、收敛速度慢、局部搜索能力弱等缺点，对遗传算法进行改进，提出一系列改进的优化算法。比如：努尔兰•木汉[6]将遗传算法和正交试验相结合，研究了自适应正交遗传算法（SOGA）在道路交叉口 VISSIM模型参数标定中的应用，实现了参数的自动化标定，并通过实验的对比分析，说明自适应正交遗传算法的优越性。胡兴华[7]等选用VISSIM模型为仿真平台,提出了一种基于同步扰动随机梯度遗传算法(SPGA)的参数标定方法,结果显示SPGA算法与GA算法、SPSA算法相比,收敛速度更快,收敛值更小,证明了 SPGA算法在大规模模型参数标定中的适用性。唐泽[1]以遗传算法为参数校正方法，利用训练好的广义回归神经网络模型预测仿真软件 VISSIM 的输出结果，有效地提高了参数校正的效率，并建立了VISSIM 参数自动校正体系，达成了参数校正的流程化和自动化。杨文臣[8]等引入黄金分割比例，提出一种黄金分割遗传算法的 VISSIM 仿真模型参数校正方法，并用此方法校准了9 个仿真模型参数。由此可见，遗传算法及其改进算法对不同类型道路、不同参数的校正有良好的适用性。
2、人工萤火虫算法及其改进
人工萤火虫算法[9] (Glowworm Swarm Optimization，GSO)是在2005年由 K.N.Krishnanad 和 D.Ghose 提出的一种新的群智能仿生优化算法，算法模拟了自然界中萤火虫求偶行为或者说是觅食行为。GSO算法可分为初始化、荧光素更新、位置移动、动态感知范围更新这四个阶段。
期刊文章分类查询,尽在期刊图书馆
萤火虫移动步长固定会导致算法收敛速度不高，存在局部最优的可能性，自适应地调整萤火虫的移动步长能够有效改善上述缺陷。因此，唐少虎[9] 等以进口排队长度为目标，建立了基于改进的自适应步长的人工萤火虫算法(IAGSO )的参数标定方法，校正了 7 类 VISSIM 仿真模型参数，验证了该方法的有效性，达到了参数自动化标定的目标。
3、粒子群优化算法
粒子群优化算法（PSO）是一种基于群体智能的进化计算技术，源于对鸟群觅食过程中的迁徙和群集行为研究。PSO算法和遗传算法相似，但它不像遗传算法对个体进行选择、交叉、变异操作，它从随机解开始，通过不断迭代不断修正形成正反馈机制，它可以利用适应度来评价解的品质，并且可以通过群体中个体之间的协作和信息共享来寻找最优解。
韩国华[10]等选用VISSIM模型为仿真平台，提出了一种基于粒子群优化算法的模型参数标定方法，用以实现模型的自动化标定。并将该方法运用于北京市快速路的仿真模型中，试验表明标定后的模型能更好地反映实际的道路交通状况。
4、存在问题及工作展望
在模型校正研究领域，学者大多以VISSIM软件为微观仿真建模工具，研究了应用于VISSIM仿真模型参数校正的遗传算法、粒子群算法、人工萤火虫算法以及改进的优化算法等，其中以基于遗传算法的改进算法居多，运用遗传算法进行VISSIM仿真模型参数校正在此领域相对成熟。但是无论用哪种算法，模型校正的精度和算法迭代的速度还不够高，同时缺少算法之间的对比分析。另外，在验证算法的有效性时，仅选用某一交叉口的某一时段的交通流数据不具普遍性，存在明显不足，后续应选取多种类型、不同时段的道路交叉口，分别验证相应算法在不同类型、不同时段路口的有效性。而且参数校正的实验对象仅是一个道路交叉口，后续可以将范围扩大到相关联的多个交叉口或整个区域的路网。由此可见在今后的研究中对交通仿真模型的参数标定作进一步研究是很有必要的。
参考文献：
[1]唐泽. VISSIM交通仿真模型参数校正技术研究[D]. 吉林大学,2015.
[2] 李志明,闫小勇. 基于遗传算法的交通仿真模型参数校正方法研究[J]. 交通标准化,2006,4:21-23.
[3] 胡婷. 面向快速路交织区的微观交通仿真模型标定研究[D]. 北京:北京交通大学,2010.
[4] 李欣,陈旭梅,万涛,等. 基于遗传算法的VISSIM人车参数标定方法[J]. 中国民航大学学报,2014,32(1):33-36.
[5] 李振龙,王保菊,金雪,等. 针对主辅路的Vissim仿真模型参数标定方法[J]. 交通信息与安全,2015,33(02):45-50.
[6] 努尔兰•木汉. 基于自适应正交遗传算法的道路交叉口VISSIM模型参数标定方法[D]. 北京交通大学,2014.
[7] 胡兴华,章玉. 基于SPGA算法的大规模交通仿真网络参数标定方法[J]. 吉林省教育学院学报,2013, 29(5): 149-150.
[8] 杨文臣,张轮,王铮,等. 基于黄金分割遗传算法的VISSIM仿真模型参数校正[J]. 华东交通大学学报,2017,34(03):95-102.
[9] 唐少虎,刘小明. 基于 IAGSO 算法的 VISSIM 模型校正研究与实现[J]. 交通运输系统工程与信息,2014,14（5）:74-80.
[10] 韩国华,傅白白. 基于PSO算法的微观交通仿真模型参数标定[J]. 山东建筑大学学报,2012,27(3):272-275.
基金项目：国家自然科学基金项目（51378171）；华北理工大学研究生创新项目（2018S27）
论文作者:张敬,张林,闫鹏
论文发表刊物:《基层建设》2018年第31期
论文发表时间:2018/12/18
标签：算法论文; 参数论文; 模型论文; 交通论文; 微观论文; 方法论文; 萤火虫论文; 《基层建设》2018年第31期论文;