[论文解读] Automatic Calibration of Mesoscopic Traffic Simulation Using Vehicle Trajectory Data

Ran Sun, Zihao Wang+2 more|ArXiv.org|Jan 19, 2025

Traffic Prediction and Management Techniques被引用 3

一句话总结

该论文提出一种基于轨迹的自动化全尺度交通仿真标定框架，能够联合标定需求和供应，利用车辆轨迹数据，在伯明翰/密歇根州网络上进行示范。相较基线，在提高行程时间的平方误差（MSE）方面实现了全量吞吐量的提升。

ABSTRACT

Traffic simulation models have long been popular in modern traffic planning and operation applications. Efficient calibration of simulation models is usually a crucial step in a simulation study. However, traditional calibration procedures are often resource-intensive and time-consuming, limiting the broader adoption of simulation models. In this study, a vehicle trajectory-based automatic calibration framework for mesoscopic traffic simulation is proposed. The framework incorporates behavior models from both the demand and the supply sides of a traffic network. An optimization-based network flow estimation model is designed for demand and route choice calibration. Dimensionality reduction techniques are incorporated to define the zoning system and the path choice set. A stochastic approximation model is established for capacity and driving behavior parameter calibration. The applicability and performance of the calibration framework are demonstrated through a case study for the City of Birmingham network in Michigan.

研究动机与目标

• 推动对大规模交通仿真进行高效、自动化标定的需求。
• 开发一个基于轨迹的框架，标定需求（OD与路径流）和供给（容量与驾驶行为）参数。
• 结合降维和部分观测技术以提升估计质量。
• 在具轨迹数据与 SPaT 集成的中尺度伯明翰，MI 网络上演示框架。

提出的方法

• 将 OD 需求和路径选择标定表述为使用轨迹数据的部分路径流观测的网络流估计问题。
• 使用二次规划（QP）在入射约束和盒状约束下估计 OD 流、路径流和边流。
• 通过将起点/终点聚类为 60 个 TAZ 基础区域以及通过 Jaccard 相似度聚类路径来降低问题维度。
• 应用基于 ADMM 的一阶法（OSQP）求解 QP，并对路径流进行后处理以取整以兼容 SUMO。
• 使用随机逼近方法（SPSA）标定容量和驾驶行为参数，以最小化仿真轨迹与观测轨迹之间的行程时间误差。
• 利用六个 TOD 时段的近似线性分配映射，推导出代表性路径集和每时段的外生分配矩阵。

实验结果

研究问题

• RQ1 如何利用轨迹数据自动标定大尺度交通仿真中的需求与供给组件？
• RQ2 利用部分路径观测的网络流估计框架是否能恢复与观测轨迹一致的 OD、路径与边流？
• RQ3 在基于 SUMO 的 mesoscopic 模型中，哪种标定策略（流量的 QP、参数的 SPSA）能提供准确的行程时间预测？
• RQ4 降维技术（OD/TOD 区域聚类和路径聚类）如何影响标定质量与计算效率？
• RQ5 与基线轨迹上采样方法相比，所提方法在系统吞吐量和行程时间误差方面有何差异？

主要发现

情景	网络流	边与节点容量	系统吞吐量（出行）	MSE（行程时间）
Baseline 1	上采样	设置更高容量的调整参数	90%	38917.19
Baseline 2	上采样	标定参数	72%	30336.88
Our method	网络流估计	标定参数	100%	9939.39

• 所提出的框架在伯明翰案例研究中实现了全量网络吞吐（100% 的出行）。
• 与基线相比，该方法将行程时间 MSE 降至 9939.39，优于 Baseline 1（38917.19）和 Baseline 2（30336.88）。
• OD 需求和路径选择通过带有 OD-路径和边-路径入射约束的 QP，从部分轨迹观测中估计。
• 路径流来自连续 QP 解并四舍五入为整数以兼容 SUMO。
• 容量和驾驶行为参数通过 SPSA 标定，以最小化仿真与观测出行时间之间的差异。
• 通过需求聚类和路径聚类实现的降维在不显著损害保真度的前提下提高了估计的可处理性。