劉昕，劉志遠，聶品，顧子淵

(1.東南大學(xué) 交通學(xué)院，江蘇 南京 211189；2.華為技術(shù)有限公司 應(yīng)用場景創(chuàng)新實驗室，廣東 深圳 518129)

交通仿真在解析復(fù)雜交通網(wǎng)絡(luò)供需平衡機理和推演交通時空運行狀態(tài)方面具有顯著優(yōu)勢，在交通系統(tǒng)建設(shè)、運營與管控中發(fā)揮著重要作用。以緩解交通擁堵、保障道路安全、優(yōu)化出行服務(wù)、控制尾氣排放等解決實際交通問題為目標(biāo)，多層級交通仿真工具不斷進行更新?lián)Q代，嵌入與融合大量參數(shù)與模型，例如將微觀車輛排放模型融入交通仿真工具[1]。這些參數(shù)、模型的預(yù)設(shè)與封裝為交通管理者與研究者使用交通仿真工具帶來了便利，但也為仿真工具適用性和仿真結(jié)果可靠性帶來挑戰(zhàn)。受益于交通仿真模型參數(shù)標(biāo)定方法與技術(shù)的迅速發(fā)展，交通仿真工具的可移植性、仿真結(jié)果的準(zhǔn)確性得到保障。在狹義上，交通仿真模型參數(shù)標(biāo)定是指通過降低仿真數(shù)據(jù)與真實數(shù)據(jù)集的差距來尋找內(nèi)置模型的最優(yōu)參數(shù)[2]；而在廣義上，交通仿真模型參數(shù)標(biāo)定包含了參數(shù)校核與驗證2個步驟，基于特定場景下的交通信息，一部分信息用于校核獲取仿真過程中各參數(shù)(路網(wǎng)屬性參數(shù)、仿真過程參數(shù)、仿真模型參數(shù)、隨機參數(shù))的最優(yōu)組合，另一部分信息則用于驗證仿真輸出結(jié)果與真實情況的差異，來刻畫交通仿真工具的模擬性能。交通仿真模型參數(shù)標(biāo)定是應(yīng)用交通仿真軟件的前提。本文利用Web of Science核心合集，通過traffic calibration關(guān)鍵詞檢索2 764篇文獻，研究熱點關(guān)鍵詞如圖1所示，由左下角關(guān)鍵詞“微觀交通仿真”可以看出，受益于交通大數(shù)據(jù)融合與共享技術(shù)的不斷發(fā)展，依賴高精度數(shù)據(jù)的微觀交通仿真模型成為研究熱點，其標(biāo)定問題也引起了大量關(guān)注。隨后，增加traffic simulation作為關(guān)鍵詞縮小范圍，共檢索960篇文獻，作者分布如圖2所示，所收集文獻包含發(fā)表過至少3篇文獻且被引用次數(shù)超過3次的研究者158位，主要來自麻省理工學(xué)院、那不勒斯大學(xué)、馬里蘭大學(xué)等高校及研究機構(gòu)。結(jié)合文獻溯源方法，選取了具有代表性的51篇文獻，追蹤廣義上的微觀交通仿真模型參數(shù)標(biāo)定的研究進展。首先，系統(tǒng)綜述了微觀交通仿真參數(shù)標(biāo)定的基本假設(shè)和標(biāo)定的關(guān)鍵步驟；其次，圍繞不同問題維度的最新標(biāo)定方法進行綜述；隨后，重點討論了交通仿真參數(shù)標(biāo)定的流程框架；最后，在總結(jié)現(xiàn)有研究的基礎(chǔ)上，提出了交通仿真模型參數(shù)標(biāo)定研究的發(fā)展方向。

圖1 交通模型標(biāo)定領(lǐng)域的熱點關(guān)鍵詞分布情況Fig.1 Distribution of co-occurrent hot keywords in the field of traffic calibration

圖2 交通仿真模型標(biāo)定領(lǐng)域的作者分布情況Fig.2 Distribution of co-authorship in the field of traffic simulation calibration

1 交通仿真模型參數(shù)標(biāo)定的基本假設(shè)

1.1 交通仿真模型參數(shù)標(biāo)定的問題定義

如何根據(jù)現(xiàn)有數(shù)據(jù)對交通模型的參數(shù)進行標(biāo)定是交通仿真中的一個重要問題。通常，將交通模型的標(biāo)定問題轉(zhuǎn)化為優(yōu)化問題，其中決策變量為交通模型參數(shù)，目標(biāo)函數(shù)表示為實際數(shù)據(jù)與仿真效果之間的差異[3]。大量已標(biāo)定的交通模型被內(nèi)置于交通仿真軟件，并適配供需兩端的數(shù)據(jù)輸入功能，廣泛應(yīng)用于解決交通問題。然而，交通仿真軟件中的駕駛員、車輛和道路以及仿真環(huán)境之間存在相互影響，這些交互作用為交通仿真模型參數(shù)標(biāo)定帶來挑戰(zhàn)。由美國聯(lián)邦公路管理局資助編制的《交通微觀模擬建模軟件應(yīng)用指南》[4]指出，現(xiàn)有參數(shù)標(biāo)定的研究大多集中在具體的模型上，但交通仿真的標(biāo)定具有龐雜的模型參數(shù)空間，

其中每一個參數(shù)都與其他參數(shù)高度相關(guān)，有必要將校準(zhǔn)過程分解為一系列合乎邏輯的、連續(xù)的步驟，從而形成校準(zhǔn)的“策略”。簡言之，交通仿真模型參數(shù)標(biāo)定旨在解決的問題是，如何通過建立一套完整的標(biāo)定框架，結(jié)合特定交通仿真軟件對選取的參數(shù)組合進行優(yōu)化，來綜合提升交通仿真模型的有效性。該問題的挑戰(zhàn)在于交通仿真的非線性、非凸性、實時性、高計算復(fù)雜度和缺乏封閉式數(shù)學(xué)表達，需要轉(zhuǎn)化為仿真優(yōu)化問題進行求解。

1.2 交通仿真模型參數(shù)標(biāo)定的重要假設(shè)

為了將跟馳理論應(yīng)用到實際工作，王殿海等[5]將其建模過程分為模型結(jié)構(gòu)確立，參數(shù)標(biāo)定和效果驗證3個部分，但該工作未能與仿真軟件相結(jié)合。BURGER等[2]在建模的基礎(chǔ)上考慮了交通仿真軟件的應(yīng)用過程，提出了設(shè)計和使用2個階段。設(shè)計階段是指圍繞研究問題、研究單位的細節(jié)水平和計算效率的要求，在使用宏觀、中觀和微觀仿真模型之間做出選擇；使用階段是從場景出發(fā)，利用現(xiàn)有信息對交通仿真軟件進行校核與驗證，隨后應(yīng)用于具體項目。HOLLANDER等[6]總結(jié)了使用階段的仿真模型參數(shù)標(biāo)定問題的2條重要假設(shè)：1) 交通仿真軟件內(nèi)置了有充分研究基礎(chǔ)的行為理論模型，僅使用集計數(shù)據(jù)能夠滿足標(biāo)定需求；2) 被校準(zhǔn)的模型能夠近似表示實際交通網(wǎng)絡(luò)里的所有影響因素。這2條假設(shè)簡化了交通仿真模型的參數(shù)標(biāo)定過程，在實際應(yīng)用中具有操作性，但受到有限數(shù)據(jù)源和缺乏不確定性分析的制約，不利于仿真參數(shù)標(biāo)定效果的進一步提升。實際上，交通仿真模型參數(shù)標(biāo)定過程引入了大量的不確定性，如駕駛行為的異質(zhì)性[7]、測量數(shù)據(jù)的誤差[8]等。在交通仿真軟件的設(shè)計階段和使用階段，均有必要將所有的不確定性來源與參數(shù)輸入結(jié)合，來減少輸出中的不確定性，從而保證仿真結(jié)果的可靠性。因此，設(shè)計階段不能僅看作交通仿真模型參數(shù)標(biāo)定的準(zhǔn)備工作，而是交通仿真軟件標(biāo)定問題的重要一環(huán)。

在HOLLANDER等[6]的研究基礎(chǔ)上，本文對交通仿真模型參數(shù)標(biāo)定的假設(shè)解釋如下：1) 交通仿真模型的選取是交通仿真參數(shù)標(biāo)定問題的子問題，需要對仿真模型的選取及參數(shù)標(biāo)定進行一體化考慮；2) 仿真模型參數(shù)標(biāo)定過程引入的不確定性，會隨著參數(shù)輸入的調(diào)整而逐漸降低。ANTONIOU等[9]綜述了交通仿真中的技術(shù)問題，提出交通仿真標(biāo)定在參數(shù)結(jié)構(gòu)、數(shù)據(jù)來源、性能指標(biāo)和擬合優(yōu)度的選取、大規(guī)模仿真效率、通用案例建設(shè)等方面可以開展更多的研究工作。但該研究在數(shù)據(jù)類型和樣本量上缺乏一般性規(guī)范[10]，無法應(yīng)用于國內(nèi)交通仿真模型參數(shù)的標(biāo)定問題。本文將在上述研究的基礎(chǔ)上闡述最新研究進展，并對標(biāo)定策略和應(yīng)用框架進行說明。

2 交通仿真模型參數(shù)標(biāo)定的關(guān)鍵步驟

交通仿真優(yōu)化問題是指，通過仿真模型的輸出來評估系統(tǒng)的性能，找到系統(tǒng)某些決策變量的最優(yōu)值。同理，在交通仿真模型的標(biāo)定問題中，決策變量為模型參數(shù)，待評價的性能為模型的復(fù)現(xiàn)能力。BEN-AKIVA等[11]將交通仿真軟件的待標(biāo)定參數(shù)分為需求參數(shù)和供給參數(shù)。其中，需求參數(shù)以O(shè)D矩陣(origin-destination matrices)的形式呈現(xiàn)，反映出行者個人決策的組合；供給參數(shù)包含了車輛排隊、跟馳、換道等駕駛行為參數(shù)以及路段通行能力、速度-密度關(guān)系等路網(wǎng)環(huán)境參數(shù)，反映了交通流和基礎(chǔ)設(shè)施影響下的交通網(wǎng)絡(luò)特征。表1列舉了部分研究中的待標(biāo)定參數(shù)的選取，由于微觀仿真軟件的參數(shù)設(shè)置各異，在實際工作中需要根據(jù)特定仿真軟件確定待標(biāo)定參數(shù)的結(jié)構(gòu)。

表1 交通仿真模型待標(biāo)定參數(shù)分類Table 1 Calibration parameters of microscopic traffic simulation models

根據(jù)實時性的需求，研究者將交通仿真模型參數(shù)標(biāo)定分為在線標(biāo)定[18]和離線標(biāo)定[19]，離線標(biāo)定用于保證模型能夠復(fù)現(xiàn)平均狀態(tài)，而在線標(biāo)定將離線標(biāo)定結(jié)果作為先驗知識，用于實時預(yù)測交通狀況。在僅從道路檢測器獲取流量、速度、通行時間等集計數(shù)據(jù)的情況下，TOLEDO等[20]提出了在MITSim中采用迭代的方式表述駕駛行為模型、OD矩陣和路線選擇行為參數(shù)之間的交互關(guān)系，利用迭代從集計數(shù)據(jù)中獲取更多信息，但每一次迭代都需要進行多次仿真以實現(xiàn)動態(tài)交通分配和參數(shù)調(diào)整的需求，運行效率較低。孫劍等[21]提出了微觀交通仿真模型系統(tǒng)參數(shù)的標(biāo)定流程，將待標(biāo)定參數(shù)定義為容易測量且在仿真中可以更改的可控參數(shù)，并對不隨模型變化的不可控參數(shù)采用實地測量的方式進行采集，實地測量獲取參數(shù)的方式可歸為手動校準(zhǔn)。手動校準(zhǔn)是指預(yù)先確定每個參數(shù)的離散值，使用正交實驗法、拉丁方格法等實驗設(shè)計理論選取代表性參數(shù)組合，該方法能夠降低參數(shù)標(biāo)定的工作量，僅適用于仿真范圍小[22]、待校正參數(shù)少于5的情況[6]，但測量成本較高，可移植性較差。

近年來，隨著交通數(shù)據(jù)采集、存儲、傳輸與挖掘技術(shù)不斷提升，微觀交通仿真模型參數(shù)標(biāo)定的數(shù)據(jù)來源更加豐富，如從車輛行駛記錄、航拍、導(dǎo)航定位中獲取非集計的微觀數(shù)據(jù)進行參數(shù)標(biāo)定。車牌識別數(shù)據(jù)[23]常被用于校核交通需求，而由美國聯(lián)邦公路管理局發(fā)起的Next Generation SIMulation(NGSIM)計劃，為跟馳[24]、換道[25]等微觀仿真研究提供了高時空分辨率的車輛軌跡數(shù)據(jù)[26]。PUNZO等[27]基于意大利高速公路車輛軌跡數(shù)據(jù)和合成數(shù)據(jù)(利用仿真生成跟車狀態(tài)的車輛軌跡數(shù)據(jù))，發(fā)現(xiàn)使用軌跡數(shù)據(jù)進行校核存在過擬合的問題，指出使用合成數(shù)據(jù)來選取待標(biāo)定參數(shù)結(jié)構(gòu)、標(biāo)定方法和性能指標(biāo)的合理性。此外，微觀交通仿真內(nèi)置的模型多用于準(zhǔn)確刻畫駕駛行為和交通流態(tài)勢，如果需要評估車輛排放、交通安全等問題，需要對底層模型進行改進。在不明顯影響交通仿真模型復(fù)現(xiàn)能力的前提下，使用敏感性分析方法可以減少待標(biāo)定參數(shù)的數(shù)量，降低標(biāo)定過程的復(fù)雜程度和計算負擔(dān)。CIUFFO等[28]考慮輸入?yún)?shù)對輸出結(jié)果的影響程度具有不對稱性，提出了多步敏感性分析的交通仿真模型參數(shù)標(biāo)定方法，減少了80%的模型評價過程，提升了校準(zhǔn)速度。此外，擬合優(yōu)度和性能指標(biāo)的選擇影響標(biāo)定結(jié)果驗證的可靠性[29]，交通仿真模型標(biāo)定中常用的擬合優(yōu)度和性能指標(biāo)介紹可參考HOLLANDER等[6]的研究。

3 交通仿真模型參數(shù)標(biāo)定方法

CIUFFO等[30]將“沒有免費午餐”的定理引入交通仿真模型參數(shù)標(biāo)定，提出對于所有可能的問題，任何的優(yōu)化算法的預(yù)期性能都是相同的，而最合適的求解算法往往取決于要研究的具體問題。GU等[31]在實驗中對比了4種仿真優(yōu)化方法的效果，指出低維度問題和高維度問題適用不同的優(yōu)化方法。因此，本節(jié)從研究問題的維度出發(fā)，對微觀交通仿真模型參數(shù)標(biāo)定方法的研究進展進行總結(jié)。AMARAN等[32]根據(jù)決策變量的屬性將仿真優(yōu)化方法分為離散型和連續(xù)型，連續(xù)型仿真優(yōu)化方法可以細分為7類[31]，常被應(yīng)用于交通仿真模型參數(shù)標(biāo)定的主要方法包括元啟發(fā)式算法(Metaheuristic Methods)， 人 工 神 經(jīng) 網(wǎng) 絡(luò) (Artificial-Neural-Net‐work-based Methods)，卡爾曼濾波(Kalman Filterbased Methods)、基于梯度的方法(Gradient-based Methods)、 響 應(yīng) 面 法 (Response Surface Methods)。如表2所示，各種仿真標(biāo)定方法可應(yīng)對交通仿真模型參數(shù)標(biāo)定問題的各類挑戰(zhàn)，并應(yīng)用于不同維度的仿真標(biāo)定問題。

表2 交通仿真模型參數(shù)標(biāo)定方法分類Table 2 Classification of calibration methods

3.1 低維度問題

以遺傳算法(Genetic Algorithms, GA)、模擬退火算法(Simulated Annealing, SA)、禁忌搜索算法(Tabu Search, TS)為代表的元啟發(fā)式算法能夠在非線性、非凸性條件下尋找最優(yōu)解，在模型參數(shù)校核中有廣泛應(yīng)用。然而，微觀交通仿真軟件參數(shù)多、隨機性強的特點導(dǎo)致了元啟發(fā)式算法的求解時間將隨著參數(shù)數(shù)量增多呈指數(shù)增長，交通仿真無法在合理的時間內(nèi)處理數(shù)千次的試驗運行[33]，計算負擔(dān)較大。因此，元啟發(fā)式算法適用于求解低維度仿真標(biāo)定問題，相關(guān)文獻整理如表3所示。人工神經(jīng)網(wǎng)絡(luò)對仿真模型參數(shù)與輸出之間的關(guān)系進行學(xué)習(xí)，從而模擬仿真過程。該方法可以替代過長的仿真時間，有效提高標(biāo)定效率。人工神經(jīng)網(wǎng)絡(luò)不能直接解決參數(shù)選取問題，常與GA算法等其他標(biāo)定方法組合使用，且在應(yīng)用時依賴于需要大量的訓(xùn)練數(shù)據(jù)，適用于低維度仿真標(biāo)定問題，如表4所示。

表3 元啟發(fā)式算法的應(yīng)用Table 3 Applications of metaheuristic methods

表4 人工神經(jīng)網(wǎng)絡(luò)方法的應(yīng)用Table 4 Applications of artificial-neural-network-based methods

卡爾曼濾波方法常用于滿足實時標(biāo)定的要求，在線估計重要的模型參數(shù)(自由速度、臨界密度和容量)和交通流參數(shù)(流量、平均速度和密度)。部分研究對輸入進行一定的處理[37?38]，或者加入OD流量的約束[39]，以保證模型結(jié)果的收斂性。ZHANG等[40]使用約束拓展卡爾曼濾波降低OD矩陣標(biāo)定中交通擁堵的影響，同時使用圖著色的方法加快同步擾動隨機逼近算法(Simultaneous Pertur‐bation Stochastic Approximation, SPSA)的求解速度，SPSA方法將在3.2節(jié)進行介紹。在第2節(jié)提到，在研究范圍較小的情況下，還可以采用實驗設(shè)計理論(正交實驗法、拉丁方格法等)進行手動參數(shù)標(biāo)定，從而選取代表性的參數(shù)組合。該方法的可移植性較低，在此不進行介紹。

3.2 高維度問題

為降低計算成本，以SPSA為代表的基于梯度的方法被廣泛應(yīng)用于仿真模型參數(shù)標(biāo)定。該方法通過擾動所有參數(shù)取值計算梯度函數(shù)的近似形式，從而利用下降方向的信息獲得新的參數(shù)集，減少計算量。SPSA的優(yōu)點是計算量低，收斂速度快，適用于解決高維問題，但缺點[41]為：容易陷入局部最優(yōu)，不能充分利用測量數(shù)據(jù)的時空特征，以及誤差隨著網(wǎng)絡(luò)規(guī)模的擴大而累積，相關(guān)文獻整理如表5所示。

表5 基于梯度的方法的應(yīng)用Table 5 Applications of gradient-based methods

由于微觀交通仿真參數(shù)標(biāo)定問題缺乏封閉數(shù)學(xué)表達式，可以采用響應(yīng)面方法解決該問題。響應(yīng)面法，又稱為代理模型或元模型方法，是指根據(jù)有限的模型輸入和輸出擬合復(fù)雜目標(biāo)函數(shù)的近似函數(shù)，隨后在簡單近似函數(shù)上進行優(yōu)化，以提高校核問題的求解速率。貝葉斯優(yōu)化[17]、克里金法[3]等常被用于構(gòu)造全局響應(yīng)面，較人工神經(jīng)網(wǎng)絡(luò)算法進一步考慮到樣本點集合的空間關(guān)聯(lián)性，既能近似仿真過程，又能提升大規(guī)模仿真的采樣效率。OSORIO等[42?46]首先提出了一種結(jié)合通用算法模塊和物理算法模塊的響應(yīng)面方法。通用算法模塊用于確保求解過程的漸近性質(zhì)，物理模塊則通過提供特定問題的先驗信息加快收斂速度。如表6所示，研究者在后續(xù)研究中介紹了該方法在高維問題中的改進[16]及應(yīng)用[47?48]。

表6 響應(yīng)面方法的應(yīng)用Table 6 Applications of response surface methods

4 交通仿真模型參數(shù)的自動化標(biāo)定

交通仿真模型參數(shù)標(biāo)定問題將仿真輸出結(jié)果與現(xiàn)實數(shù)據(jù)差異最小化作為優(yōu)化目標(biāo)，是基于仿真的參數(shù)優(yōu)化問題。仿真過程可用于刻畫復(fù)雜仿真軟件的輸入輸出關(guān)系，因此每一個目標(biāo)函數(shù)的評估都需要進行仿真，導(dǎo)致運行時間過長。根據(jù)工作流程，交通仿真模型參數(shù)的自動化標(biāo)定可分為分階段標(biāo)定和同時標(biāo)定2類。分階段標(biāo)定將仿真模型參數(shù)標(biāo)定問題分解為多個子問題，能夠充分發(fā)揮已有數(shù)據(jù)價值，解釋性較好。美國聯(lián)邦公路管理局的指南[4]中提出了僅在關(guān)鍵瓶頸處依次標(biāo)定通行能力、路徑選擇參數(shù)和系統(tǒng)狀態(tài)的三階段框架，在每一個步驟中都采用先全局調(diào)整，再微調(diào)的策略。而同時標(biāo)定整個交通仿真工具，能夠有效避免分解為子問題帶來的有偏估計。如在動態(tài)交通分配模型校核問題中，采取迭代的方式對供需端參數(shù)進行共同調(diào)整，是考慮到交通系統(tǒng)供需交互的結(jié)構(gòu)化標(biāo)定過程。NAJMI等[50]指出不考慮參數(shù)之間相互作用的非結(jié)構(gòu)化迭代校準(zhǔn)中，參數(shù)的選擇、調(diào)整方向和調(diào)整步驟較為主觀，需要將基于活動的需求模型和交通分配模型之間的聯(lián)系作為結(jié)構(gòu)化標(biāo)定的重點。然而，仿真模型校核后的參數(shù)值在數(shù)值上不一定與現(xiàn)實世界的觀測值對應(yīng)[51]，同時標(biāo)定會產(chǎn)生參數(shù)無法解釋的情況，而分階段標(biāo)定能更好地解釋仿真校核過程?？紤]到分階段標(biāo)定中，子問題相互獨立的假設(shè)在應(yīng)用中難以滿足，HOLLANDER等[6]提出了先分階段校核，再同時校核的自動化實現(xiàn)思路。本文在已有研究的基礎(chǔ)上，提出三階段自動化標(biāo)定框架，該框架可結(jié)合最新算法進行實現(xiàn)：

1) 輸入已有現(xiàn)實數(shù)據(jù)，進行仿真軟件內(nèi)置模型選取與參數(shù)標(biāo)定，輸出為更符合現(xiàn)實場景的內(nèi)置模型。

2) 輸入為已有現(xiàn)實數(shù)據(jù)和仿真數(shù)據(jù)，輸出更為準(zhǔn)確的、用于仿真的交通需求，解決數(shù)據(jù)不完備對交通需求輸入的影響。

3) 調(diào)整仿真中的其他參數(shù)，從而進一步加快收斂速度，該階段將得到無法從真實數(shù)據(jù)中獲取但對仿真有影響的參數(shù)組合。隨后返回2進行繼續(xù)迭代，以滿足同時校核的要求。

5 結(jié)論與展望

1) 交通仿真模型參數(shù)標(biāo)定旨在解決的問題是，如何通過建立一套完整的標(biāo)定框架并對選取的交通仿真軟件的參數(shù)組合進行優(yōu)化，來提升交通仿真模型的有效性。交通仿真軟件的待標(biāo)定參數(shù)可分為需求參數(shù)和供給參數(shù)，從實際數(shù)據(jù)來源出發(fā)，可以對這些參數(shù)進行分別校核和共同校核，研究者常采用迭代的方式進行，以充分利用已知信息。

2) 標(biāo)定方法和技術(shù)多圍繞交通仿真的非線性、非凸性、實時性、高計算復(fù)雜度和缺乏封閉式數(shù)學(xué)表達的挑戰(zhàn)進行改進。元啟發(fā)式算法和以SPSA為代表的基于梯度的方法，可以解決非線性、非凸性問題，后者還可以加快標(biāo)定效率；卡爾曼濾波方法可融合實時測量信息滿足實時應(yīng)用需求；人工神經(jīng)網(wǎng)絡(luò)方法和響應(yīng)面方法通過模擬仿真過程，用于解決高計算復(fù)雜度、缺乏封閉式數(shù)學(xué)表達的問題。敏感性分析、主成分分析以及并行計算等方法也被廣泛應(yīng)用于解決上述問題。

3) 早期研究在手動校準(zhǔn)方面進行了探索，但在可移植性上存在不足，本研究在現(xiàn)有自動化標(biāo)定流程的基礎(chǔ)上，考慮了分階段標(biāo)定的可解釋性和同時標(biāo)定的非偏性，提出三階段仿真模型參數(shù)的標(biāo)定框架?？蓱?yīng)用于未來的微觀交通仿真模型參數(shù)標(biāo)定工作，也同樣適用于宏觀、中觀交通仿真模型參數(shù)的標(biāo)定問題。

考慮到已有研究的不足，未來研究工作可聚焦(但不限于)以下幾個方向：

1) 研究融合領(lǐng)域知識的交通仿真模型參數(shù)標(biāo)定方法。在數(shù)據(jù)知識的驅(qū)動下，目前的交通仿真模型參數(shù)標(biāo)定方法由黑箱模型向可解析模型進行轉(zhuǎn)變。研究者可以利用最新數(shù)據(jù)挖掘技術(shù)，研究交通仿真內(nèi)部的交互機理，為理解交通仿真軟件底層設(shè)置、融入新興技術(shù)再開發(fā)提供支持，還可以結(jié)合機器學(xué)習(xí)方法對現(xiàn)有模型進行改進。

2) 研究面向多模式多智能體仿真的標(biāo)定求解技術(shù)。多模式多智能體仿真能夠反映交通系統(tǒng)內(nèi)部的交互關(guān)系和層次結(jié)構(gòu)，逐漸成為未來仿真工具的發(fā)展方向，但也為交通仿真模型參數(shù)標(biāo)定帶來了更多的挑戰(zhàn)，如數(shù)據(jù)類型更龐雜、模型參數(shù)更繁復(fù)等。研究者可以結(jié)合前沿仿真平臺，開發(fā)適用于最新問題場景下的自動化的參數(shù)篩選方法，即在計算資源有限的情況下，識別對仿真結(jié)果影響較大的參數(shù)并優(yōu)先校核。

3) 研究面向本土化軟件規(guī)范的交通仿真模型參數(shù)標(biāo)定框架。我國現(xiàn)有研究在標(biāo)定交通模型方面進展較快，但結(jié)合仿真軟件的研究較少。交通行業(yè)常見的仿真軟件多由國外開發(fā)，而仿真模型參數(shù)標(biāo)定是仿真工具開發(fā)與應(yīng)用的重點，因此國外相關(guān)研究依托于仿真軟件的更迭而迅速發(fā)展。隨著本土仿真軟件的崛起，研究者在對國外技術(shù)規(guī)范“拿來主義”的同時，應(yīng)盡快制定本土規(guī)范，填補市場空白與規(guī)避行業(yè)風(fēng)險。