大规模都市交通模型的高效基于仿真的出行需求校准算法
摘要：大型都市交通建模被私营和公共部门的城市交通相关行业利益相关者使用，以指导道路网络的设计和运营。高分辨率随机交通模拟器越来越多地被用于描述详细的需求-供应互动。有效地校准技术的设计仍然是一个重大挑战。本文考虑了一类被称为起点-终点（OD）校准的高维校准问题。我们将问题构建为一个连续的基于模拟的优化问题。我们提出的算法建立在最近解决一系列近似分析优化问题的元模型方法之上，这些问题依赖于使用分析网络模型。在本文中，我们构建了一个网络模型，该模型被定义为一个线性方程组，其维度与具有现场数据的道路数量按线性比例扩展，并且与路径选择集合的维度无关。这使得该方法适用于大规模的都市网络。与过去基于非线性方程组而不是线性方程组的元模型公式相比，该方法具有更高的效率。与传统的校准方法相比，传统方法依赖于对交通分配矩阵的基于模拟的估计，而我们提出的方法使用这些矩阵的分析近似。我们基于Salt Lake City的高峰期案例研究对该方法进行了基准测试，并根据现场车辆计数数据进行了校准。新的公式得出了良好性能的解决方案，并适用于大规模道路网络。
作者：Neha Arora, Yi-fan Chen, Sanjay Ganapathy, Yechen Li, Ziheng Lin, Carolina Osorio, Andrew Tomkins, Iveel Tsogsuren
论文ID：2109.11392
分类：Multiagent Systems
分类简称：cs.MA
提交时间：2021-09-24