基于宏观与介观指标的连续流隧道场景微观交通仿真分步标定方法

《Applied Sciences》：A Stepwise Calibration Method for Microscopic Traffic Simulation in Continuous-Flow Tunnel Scenarios Based on Macro- and Mesoscopic Indicators

　　

微观交通仿真广泛用于评估连续流隧道场景中的交通运行。然而，传统标定方法主要依赖平均速度或交通流量等聚合指标。在几何条件受限、车道使用模式稳定且客车与货车混合运行的条件下，不同参数组合可能再现相似的宏观交通状态，却产生不同的跟驰行为。因此，仅基于聚合指标的标定无法保证行为真实度。

本研究的主要贡献在于提出一种分步式宏观—介观标定框架：首先利用速度间距函数（Speed Gap Function, SGF）约束跟驰行为，随后利用速度分布函数（Speed Distribution Function, SDF）细化宏观交通状态。SGF表征车辆速度与净间距之间的关系，从而捕捉传统标定中常被忽视的纵向交互作用；而SDF描述累积速度分布。研究采用拉丁超立方采样（Latin Hypercube Sampling, LHS）与VISSIM批量仿真生成包含19个驾驶行为参数的数据集，并训练多层感知机（Multilayer Perceptron, MLP）替代模型以提高优化效率。研究比较了单目标、同步多目标和分步式标定方案。结果表明，以SGF为优先的分步式方案取得了最均衡的表现，其SGF与SDF的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）分别为12.00%和11.53%，对应于对两条标定曲线复现时平均相对偏差约为12%。用于外部验证的独立通行能力压力测试得到的偏差仅为?1.84%，表明仿真通行能力与参考值之间的差异控制在2%以内。总体而言，所提出框架在高需求隧道条件下提升了行为一致性与工程适用性。

该文发表于《Applied Sciences》，聚焦连续流隧道场景下微观交通仿真模型的标定可靠性问题。研究背景在于，微观交通仿真已被广泛用于交通运行分析、管理策略评估、通行能力测算及基础设施设计，但其工程可信度高度依赖参数能否基于实测观测进行合理标定与验证。对于连续流隧道而言，受限的线形环境、相对稳定的车道使用规则，以及客货混合运行条件，会显著强化车辆跟驰交互对交通稳定性和通行能力的影响。现有标定通常依赖交通流、平均速度、旅行时间、延误和排队长度等宏观聚合指标，虽然能够提升仿真结果与观测交通状态的一致性，但宏观层面的拟合并不一定对应唯一且行为上合理的参数组合。不同的跟驰参数和换道参数可能生成近似的宏观输出，导致参数等效性问题，即参数在数值上可替代、但行为解释性不足。随着车辆轨迹数据日益丰富，微观交互信息可以被纳入标定过程，但如何协调不同交通系统层级指标之间的约束关系，尤其是否应当先约束行为再修正宏观状态，仍缺乏系统检验。因此，开展本研究的必要性在于：为连续流隧道这一典型高约束交通环境建立一种兼顾行为真实性与宏观状态一致性的分层标定框架。

围绕这一问题，研究人员以深中通道隧道段为研究对象，构建了结合宏观指标与介观指标的分步式标定体系。研究并未提出新的跟驰机理，而是将既有速度—间距关系重构为曲线型介观标定指标，即速度间距函数（Speed Gap Function, SGF），用于反映不同运行速度下驾驶人如何维持纵向净间距；同时引入速度分布函数（Speed Distribution Function, SDF）作为宏观指标，以累积速度分布形式刻画整体交通运行状态。研究假设认为，介观层面的跟驰行为应优先于宏观速度分布进行约束。若先用SGF将参数搜索限制在行为上可信的区域，再在该区域内利用SDF细化速度分布，则可在不显著破坏跟驰约束的前提下提升宏观拟合；反之，若先依据SDF寻找参数，可能得到在速度分布上匹配良好、但纵向交互不合理的解，从而使后续行为修正更加困难。基于这一假设，研究比较了单目标标定、同步多目标标定，以及两种分步标定顺序，最终检验哪种策略能够在行为一致性、宏观拟合和工程性能之间获得更优平衡。

为完成该研究，研究人员主要采用了以下关键技术方法。首先，基于深中通道隧道段的雷达与固定点视频数据构建观测样本，其中雷达数据用于交通需求输入与SDF构建，视频数据用于车辆类型、车道位置、通过时刻、前后车关系及净间距提取，以构建SGF。其次，在VISSIM平台中建立与实测隧道段一致的仿真模型，并对19个局部驾驶行为参数进行联合标定，参数涵盖Wiedemann 99跟驰参数CC0–CC9及与感知、换道接受间隙、等待行为和协同减速有关的参数。再次，采用拉丁超立方采样（LHS）生成1000组参数组合，并通过VISSIM批量仿真构建“参数—指标”数据集；在此基础上分别训练SDF和SGF的多层感知机（MLP）替代模型，再结合遗传算法（Genetic Algorithm, GA）实施优化。最后，利用VISSIM重运行、共同随机种子重复试验和目标函数外的通行能力压力测试，对不同标定方案进行稳健性与外部有效性验证。

在结果部分，论文首先报告了“3.1. Surrogate Model Performance”的内容。研究人员从样本规模充分性、网络结构选择、对未见参数组合的预测精度以及残差特征四个方面评估替代模型。随着LHS样本数由200增加至1000，SDF与SGF替代模型的决定系数R²持续提升、均方根误差（Root Mean Square Error, RMSE）持续下降，表明扩大样本规模有助于提高预测能力，其中1000组参数组合取得最佳综合表现。网络结构比较显示，SGF替代模型以隐藏层结构（128, 64）验证集MAPE最低，SDF替代模型则以（256, 128）表现最佳。最终测试集上，SGF模型的R²为0.922、RMSE为4.333 m，SDF模型的R²为0.943、RMSE为0.083，说明两类模型均具备较好的泛化能力。残差分析进一步表明，SGF在不同速度区间的平均残差接近0，系统性偏差较小；SDF在低速阈值区间略有正偏差、高速阈值区间略有负偏差，但总体残差幅度有限，因此可作为遗传算法优化过程中的高效适应度评估工具。

在“3.2. Single-Objective Calibration Results”中，研究人员分别以SGF和SDF作为单一目标进行参数优化，并将所得参数重新输入VISSIM进行仿真验证。结果显示，两种单目标方案得到的最优参数组合明显不同，说明SGF与SDF对参数空间施加了不同约束。交叉评价结果表明，以SGF为目标时，SGF的MAPE为11.84%，但SDF的MAPE上升至13.78%；以SDF为目标时，SDF的MAPE降低至8.20%，但SGF的MAPE升至25.11%。曲线比较结果进一步表明，SGF单目标方案能更好跟随观测速—间距趋势，而SDF单目标方案在各速度区间中普遍低估净间距；相反，SDF单目标方案更准确复现累积速度分布，而SGF单目标方案在较高速度阈值处偏差较大。该部分结果说明，仅依赖某一层级指标进行标定会形成显著的“指标偏向性”：宏观速度拟合良好不代表纵向交互合理，行为拟合较佳也不能自动保证整体速度分布准确。

在“3.3. Multi-Objective Calibration Results”中，研究人员进一步比较了四类多目标策略，即等权同步多目标、熵权同步多目标、SGF优先分步式以及SDF优先分步式。结果显示，两种同步多目标策略表现相近：等权方案的SGF MAPE为12.96%、SDF MAPE为13.79%，熵权方案分别为12.21%和13.71%，表明同步多目标可以在两类指标之间形成数值折中。相比之下，分步策略对标定顺序高度敏感。SGF优先分步式取得SGF MAPE 12.00%和SDF MAPE 11.53%，在两类指标上都保持较为均衡的误差水平；而SDF优先分步式虽然取得最低的SDF MAPE 8.61%，但SGF MAPE显著恶化至27.32%，表明先优化宏观速度分布会强烈偏向宏观层面，而难以兼顾介观跟驰关系。曲线对比同样印证了这一结论：SGF优先、等权和熵权方案在SGF趋势上较为接近，而SDF优先方案系统性低估实测净间距；在SDF方面，SDF优先最贴近观测分布，但SGF优先同样保持了较合理的速度阈值拟合。由此可见，在多目标标定中，真正关键的并非简单把不同层级指标并列纳入目标函数，而是如何以有序方式组织约束引入过程。

在“3.4. Stochastic Robustness and Statistical Comparison”中，研究人员利用10组共同随机种子考察6种标定策略的随机稳健性，并采用配对Wilcoxon符号秩检验（Wilcoxon signed-rank test）结合Holm校正进行统计比较。结果显示，各策略内部由随机种子造成的波动总体小于策略之间的差异。对于SGF MAPE，SGF优先策略与SGF单目标方案及熵权同步方案的差异无统计显著性，但显著优于SDF单目标、SDF优先和等权同步方案。对于SDF MAPE，SGF优先方案显著优于SGF单目标、等权同步和熵权同步方案，但显著劣于SDF单目标和SDF优先方案，说明其并非SDF单项最优，却在不优先SDF的前提下仍能维持较低SDF误差。更重要的是，在通行能力表现上，SGF优先方案的绝对容量偏差显著小于其余5种方案，优势在多随机种子下均保持稳定。这意味着SGF优先方案的价值不在于使每个单独指标达到最小，而在于避免某一指标的严重恶化，并在工程相关性能上实现最佳综合表现。

在“3.5. External Validation by Capacity Pressure Test”中，研究人员开展了目标函数之外的通行能力压力测试，以检验标定结果的工程适用性。研究以2 h仿真时长、分阶段递增入口需求的方式加载交通流，在保持隧道几何、车道使用、车辆组成、车辆动力学设定和标定后局部行为参数不变的条件下，估计最高稳定15 min折算交通量并换算为小时通行能力。实测参考通行能力为6060.10 pcu/h。结果表明，SGF优先分步式方案的仿真通行能力为5948.59 pcu/h，相对偏差为?1.84%，是6种策略中最接近实测参考值的方案。SGF单目标方案略高估通行能力5.40%，而SDF单目标和SDF优先方案分别低估19.26%和15.18%；两种同步多目标方案则分别高估14.38%和13.66%。这一结果与前述随机种子分析一致，即SGF优先分步式并非在所有单一校准曲线上都最优，但在工程决策更关心的通行能力估计方面表现最佳，显示行为一致性与工程外推性能之间存在紧密关联。

论文讨论部分首先强调“校准顺序效应”。研究指出，SDF反映的是聚合速度分布，而SGF表达的是跟驰条件下的速度—净间距关系。相似的SDF曲线可由多种不同的跟驰与换道参数组合产生，因此单纯良好的SDF拟合并不能保证车辆交互过程真实。SGF优先策略之所以更均衡，是因为第一阶段先将解限制在能够复现实测跟驰关系的行为可信区域内，再在局部邻域中细化宏观速度分布，减少了宏观优化对已建立行为模式的破坏。相反，若先通过SDF寻找参数，则该区域可能已包含行为不一致的参数组合，受限的第二阶段难以完全修正SGF偏差。同步多目标方法虽然同时考虑两类指标，但允许一个目标的改善抵消另一个目标的恶化，因此更容易形成数值上的折中，而非机制上的一致。

讨论进一步指出，参数差异也揭示了只依赖聚合指标标定的局限。诸如CC1、CC2、OB_d和D等参数分别涉及期望车头时距、间距变化、前向感知距离与换道交互距离，其取值差异意味着近似的速度分布可以对应完全不同的车辆交互模式。通行能力压力测试则提供了额外证据：通行能力不仅受速度分布影响，还取决于有效车间距、速度差响应、加速恢复以及换道交互过程。因此，一个能够复现观测速度分布的参数集，仍可能在高需求条件下生成不真实的排放流率。SDF导向方案出现的容量低估，可能反映交互行为过于保守或不稳定；同步多目标方案的容量高估，则可能意味着间距维持或间隙接受过于高效。SGF优先策略通过先约束纵向行为、再修正宏观状态，有效降低了这两类偏差。

在方法学意义上，论文明确指出，人工神经网络（Artificial Neural Network, ANN）或其他替代模型在本研究中主要承担计算加速工具的角色，而不是方法创新本身。真正的新意在于提出宏观—介观分步校准序列，强调应先通过SGF建立行为上合理的参数区域，再用SDF细化宏观速度分布，从而避免跨指标补偿。实践层面上，该框架可为隧道运行分析、管理策略评估和通行能力估算提供约束更强、行为更可信的仿真模型，尤其适用于能够持续获取雷达速度数据并可依托视频识别跟驰关系的设施场景。

论文亦明确说明其局限性。研究仅基于一个连续流隧道案例和一个仿真平台，结果可能受隧道几何、限速、车辆组成、车道使用模式以及Wiedemann 99模型结构影响。SGF构建依赖高质量轨迹与前后车识别，因此可能受到遮挡和检测误差干扰。压力测试仅改变交通需求，不涉及车辆组成或车道规则的系统敏感性分析；同时，19个参数未开展全局敏感性排序，第二阶段采用的±10%邻域宽度也未进一步单独优化。因此，参数差异应解释为不同解之间的行为对比，而非正式的参数重要性排名。

研究结论部分可概括并译述如下：本研究为连续流隧道环境下的微观交通仿真提出了一个分步式宏观—介观标定框架。其核心贡献在于，将宏观交通状态指标与介观跟驰行为指标整合进层级化优化过程中。SDF用于描述累积速度分布，SGF用于约束随速度变化的净间距关系。MLP替代模型提升了优化效率，但方法学创新在于先利用SGF建立行为上可信的参数区域，再通过SDF细化宏观交通状态。单目标、同步多目标与分步策略的比较表明，准确复现某一交通层级并不能保证另一层级的一致性。仅依赖宏观速度标定会允许行为差异较大的参数组合生成相似聚合结果，而同步加权则可能形成一种折中解，却无法阻止跨指标补偿。优先采用SGF能够提供更具物理可解释性的标定顺序，因为纵向车辆交互构成了宏观交通状态涌现的行为基础；随后引入SDF，则可在限制大幅偏离既有跟驰模式的前提下改善宏观一致性。目标函数之外的通行能力压力测试进一步表明，行为一致性与工程性能直接相关。能够复现实测速度、却错误表征车辆间距和交互动力学的参数集，可能在需求增长条件下产生偏差明显的通行能力估计。通过同时平衡速度—间距关系与速度分布，所提出框架为隧道交通运行分析、交通管理策略评估、通行能力测算和基础设施规划等仿真决策提供了更可信的依据。尽管该框架目前仅在单一隧道案例、较高质量雷达与视频数据以及VISSIM Wiedemann 99环境中得到验证，其推广性仍需在不同隧道类型、城市快速路、高速公路走廊、混合交通条件和其他仿真平台中进一步检验，但研究已表明：标定顺序本身是一个重要的方法选择，先建立介观行为一致性、再进行宏观修正，能够同时提升微观仿真标定的可解释性与实际可靠性。