交織區(qū)微觀交通仿真模型參數(shù)敏感性分析

崔欣宇,宋霞飛,周晨靜

(北京建筑大學(xué)通用航空北京實(shí)驗(yàn)室,北京 102616)

城市快速路承擔(dān)城市內(nèi)部中、遠(yuǎn)距離的空間銜接功能,是城市路網(wǎng)體系的骨架[1]。交織區(qū)是城市快速路系統(tǒng)的常見瓶頸點(diǎn),其交通流運(yùn)行組織相對復(fù)雜,是擁堵產(chǎn)生的常發(fā)地帶[1-2]。以交織區(qū)為代表的城市快速路瓶頸區(qū)域交通流運(yùn)行特性及通行能力是研究的熱點(diǎn)與焦點(diǎn)問題[3-5]。

與其他道路基礎(chǔ)設(shè)施不同,交織區(qū)交通流運(yùn)行特征受主線流量、匝道駛?cè)肓髁考爸骶€駛出流量三股車流相互作用影響,不同流量組合產(chǎn)生不同類別運(yùn)行特征,致使交織區(qū)沒有基準(zhǔn)通行能力。同時(shí),交織區(qū)交通流運(yùn)行研究需要聚焦整個(gè)交織區(qū)段,非單一斷面能夠表征其通行特性。由此,數(shù)據(jù)采集難度大成為制約交織區(qū)研究有效推進(jìn)的難點(diǎn)[6]。微觀交通仿真技術(shù)能夠?qū)崿F(xiàn)多參數(shù)、多變量組合作用下的交通流運(yùn)行規(guī)律挖掘,逐漸成為研究復(fù)雜交通設(shè)施的有力工具[7]。

微觀交通仿真系統(tǒng)一般由多個(gè)子模型構(gòu)成,包含跟馳、換道和橫向運(yùn)動(dòng)模型等,各子模型的參數(shù)共同影響車輛間的相互作用,控制單體車輛的運(yùn)行行為,推演復(fù)雜交通系統(tǒng)中車輛作用過程[8]。仿真模型參數(shù)標(biāo)定是保證模型準(zhǔn)確性、有效性和不同情景適用性的必要環(huán)節(jié),是科學(xué)應(yīng)用微觀仿真技術(shù)的前提[8-9]。自20世紀(jì)90年代仿真技術(shù)應(yīng)用于交通系統(tǒng)研究,微觀仿真模型標(biāo)定方法不斷完善,研究者提出了詳盡可行的參數(shù)標(biāo)定流程[8,10]。開展模型參數(shù)標(biāo)定之前,需要明確模型標(biāo)定參數(shù)集合,即進(jìn)行微觀仿真模型參數(shù)對校核指標(biāo)的敏感性分析工作,能夠有效地確定關(guān)鍵參數(shù),以減少標(biāo)定參數(shù)種類,提升工作效率[11-12]。交織區(qū)仿真模型參數(shù)標(biāo)定是開展交織區(qū)微觀交通仿真研究的基礎(chǔ),現(xiàn)聚焦微觀仿真模型參數(shù)敏感性分析方法對比分析、交織區(qū)流量狀態(tài)對參數(shù)敏感性分析結(jié)果影響、交織區(qū)微觀仿真模型參數(shù)選取等三個(gè)問題,設(shè)計(jì)并開展仿真實(shí)驗(yàn),以期對基于仿真技術(shù)的快速路交織區(qū)交通流特性深入挖掘提供借鑒。

1 仿真參數(shù)敏感性分析流程

通常,參數(shù)敏感性分析的步驟主要包含選定待分析參數(shù)、明確校核指標(biāo)、設(shè)計(jì)仿真實(shí)驗(yàn)方案、搭建路網(wǎng)仿真模型、賦值待分析參數(shù)、開展仿真實(shí)驗(yàn)、匯總仿真實(shí)驗(yàn)結(jié)果和分析模型參數(shù)敏感性。如圖1所示。

圖1 仿真參數(shù)敏感性分析流程

(1) 生成仿真實(shí)驗(yàn)方案。為了保證實(shí)驗(yàn)結(jié)果的有效性,在正式開始仿真實(shí)驗(yàn)前需要合理、有效地設(shè)計(jì)實(shí)驗(yàn)方案,包括待分析參數(shù)集合、校核指標(biāo)、仿真實(shí)驗(yàn)的次數(shù)及對應(yīng)參數(shù)取值組合。需要注意選定仿真實(shí)驗(yàn)次數(shù)時(shí)注意參數(shù)水平值的選取,保證生成具有統(tǒng)計(jì)意義上的數(shù)據(jù)結(jié)果。

(2) 輸出仿真實(shí)驗(yàn)結(jié)果。根據(jù)生成的實(shí)驗(yàn)方案搭建路網(wǎng)仿真模型,進(jìn)行仿真模型參數(shù)賦值,一般可以采用編程語言調(diào)取仿真建模文件,對其語句進(jìn)行修改。如VISSIM平臺(tái)的仿真建模文件為文本文件,可直接利用Python、VBA等語言修改文本字符,實(shí)現(xiàn)參數(shù)賦值。同時(shí),也可調(diào)用微觀仿真平臺(tái)的COM接口,與仿真軟件進(jìn)行協(xié)議通信。運(yùn)行仿真文件時(shí),仍可通過調(diào)用COM接口實(shí)現(xiàn)仿真程序的自動(dòng)化運(yùn)行,最后將仿真運(yùn)行結(jié)果匯總。

(3)分析仿真參數(shù)敏感性。根據(jù)實(shí)驗(yàn)方案選定敏感性分析方法,并對結(jié)果進(jìn)行敏感性分析。研究時(shí)通常需要根據(jù)不同的實(shí)驗(yàn)方案選取合適的敏感性分析方法。如單因素變化分析主要采用散點(diǎn)圖法判斷敏感性,參數(shù)全樣本空間取值則可以采取機(jī)器學(xué)習(xí)中適用于參數(shù)敏感性分析的方法。

2 仿真參數(shù)敏感性分析方法

交通仿真模型參數(shù)敏感性分析的方法有很多種,從因素?cái)?shù)量和分析方法類別角度可大致分為統(tǒng)計(jì)分析方法和機(jī)器學(xué)習(xí)分析方法兩種形式,具體如圖2所示。

圖2 仿真參數(shù)敏感性分析方法

2.1 統(tǒng)計(jì)分析方法

(1)單因素分析方法。單因素分析方法即保持其他參數(shù)取值不變(一般采取默認(rèn)參數(shù)值)時(shí),僅改變可能對校核指標(biāo)值產(chǎn)生影響的某一單一因素值,根據(jù)結(jié)果分析該因素對校核指標(biāo)的敏感性程度。

現(xiàn)有研究中,學(xué)者多以單因素分析法對仿真模型參數(shù)進(jìn)行敏感性分析[13]。單因素分析法一般采用散點(diǎn)圖或折線圖來表征校核指標(biāo)隨待分析參數(shù)的變化趨勢。以此來定性地描述待分析參數(shù)的敏感性大小。

(2)隨機(jī)種子對比法[14]。隨機(jī)種子分析法是在仿真同一參數(shù)組合時(shí),采用不同的隨機(jī)種子進(jìn)行仿真,比較隨機(jī)種子和待校核參數(shù)對校核指標(biāo)變化的影響程度,來判斷待校核參數(shù)的敏感性。

(3)正交實(shí)驗(yàn)法[15]。正交實(shí)驗(yàn)法則是用“正交表”來安排和分析全樣本實(shí)驗(yàn)的一種數(shù)理統(tǒng)計(jì)方法,主要是通過比較少的實(shí)驗(yàn)次數(shù)達(dá)到全面分析的實(shí)驗(yàn)結(jié)果。通常把在實(shí)驗(yàn)中待校核的各種參數(shù)的不同狀態(tài)稱為水平,每個(gè)參數(shù)都需要根據(jù)正交實(shí)驗(yàn)表的設(shè)計(jì)規(guī)則去進(jìn)行參數(shù)水平測試。通過正交表這種規(guī)格化表格在多次實(shí)驗(yàn)中選出少數(shù)具有代表性(即敏感性較高)的參數(shù)。

2.2 機(jī)器學(xué)習(xí)分析方法

機(jī)器學(xué)習(xí)中有多種方法可以用來分析參數(shù)對于校核指標(biāo)影響程度,即交通仿真模型中參數(shù)對校核指標(biāo)的敏感性程度。包括決策樹法、BP神經(jīng)網(wǎng)絡(luò)結(jié)合平均影響值(back propagation-mean impact value,BP-MIV)方法等。

2.2.1 決策樹分析方法

決策樹法進(jìn)行學(xué)習(xí)時(shí)的關(guān)鍵是選擇最優(yōu)劃分屬性。在決策樹每個(gè)結(jié)點(diǎn)位置,根據(jù)特征的表現(xiàn)通過某種規(guī)則分裂出下一層的葉子節(jié)點(diǎn),終端的葉子節(jié)點(diǎn)即為最終的分類結(jié)果。形成對應(yīng)決策樹后,通過基尼系數(shù)(Gini)對因子重要程度G進(jìn)行判斷,并以因子重要程度來表征參數(shù)的敏感性程度。表達(dá)式為

(1)

式(1)中:t為給定的節(jié)點(diǎn);i為標(biāo)簽的任意分類;c為標(biāo)簽總類別;p(i|t)為標(biāo)簽分類i在節(jié)點(diǎn)t上所占的比例。

分裂葉子節(jié)點(diǎn)的規(guī)則主要包括信息增益最大、均方差最小等方法,這些方法可以用來衡量每次決策前后,信息混亂程度變化的情況。在進(jìn)行多因子決策樹分析時(shí),可以得到各因子對產(chǎn)生結(jié)果變化的重要性。

2.2.2 BP神經(jīng)網(wǎng)絡(luò)與MIV結(jié)合分析方法

神經(jīng)網(wǎng)絡(luò)根據(jù)特定算法學(xué)習(xí)仿真的實(shí)驗(yàn)結(jié)果,經(jīng)過不斷的迭代學(xué)習(xí),生成在誤差允許范圍內(nèi)的不同層之間的權(quán)值。此后,將訓(xùn)練樣本P中每一個(gè)待分析參數(shù)在原值的基礎(chǔ)上分別加/減10%構(gòu)成兩個(gè)新的訓(xùn)練樣本P1和P2,再分別作為樣本代入已建成的網(wǎng)絡(luò),得到兩個(gè)仿真結(jié)果A1和A2,二者的差值即為變動(dòng)該參數(shù)后對校核參數(shù)的影響變化值(impact value,IV),最后將IV按訓(xùn)練集數(shù)量平均即可得出該參數(shù)對校核指標(biāo)的MIV,以此來表征待分析參數(shù)的敏感性程度。

交通仿真模型參數(shù)體系較為復(fù)雜,涉及多種參數(shù)需要進(jìn)行敏感性分析,并針對敏感性較高的參數(shù)進(jìn)行標(biāo)定。不同交通場景則需要考慮不同的子模型。例如,通常研究者在進(jìn)行單車道環(huán)境復(fù)現(xiàn)時(shí),僅需要考慮跟馳模型中的參數(shù)。但在進(jìn)行復(fù)雜場景仿真時(shí),則跟馳模型和換道模型共20個(gè)待分析參數(shù)均需要考慮。交織區(qū)同屬復(fù)雜交通場景,在進(jìn)行交通仿真參數(shù)敏感性分析時(shí)需要考慮多方參數(shù),此時(shí)傳統(tǒng)的統(tǒng)計(jì)學(xué)方法實(shí)現(xiàn)起來就較為困難,如正交實(shí)驗(yàn)法在面對多變量時(shí)則無法通過統(tǒng)計(jì)學(xué)軟件生成對應(yīng)的正交表。而機(jī)器學(xué)習(xí)方法就會(huì)更加適用交織區(qū)這種影響因素較多的場景。因此,為全面分析交織區(qū)仿真參數(shù)的敏感性情況,根據(jù)搭建的交織區(qū)場景,保證除待分析參數(shù)外其他條件相同的情況下,分別采用單因素分析方法和全樣本分析方法中提及的兩種方法進(jìn)行分析,具體實(shí)例見第3節(jié)內(nèi)容。

3 交織區(qū)參數(shù)敏感性分析綜合研究

為全面分析交織區(qū)場景下各參數(shù)對校核指標(biāo)的敏感性,實(shí)驗(yàn)分別選取了低、中、高三種流量狀態(tài)。在指標(biāo)的選取上考慮交織區(qū)的運(yùn)行特性分析,考慮選取交織區(qū)交織速度、非交織速度、主線流率、駛?cè)肓髀?、駛出流率、車均延誤共六個(gè)指標(biāo)作為分析對象。在分析方法層面,選取了最常用的單因素分析方法,和機(jī)器學(xué)習(xí)分析方法中的決策樹分析、神經(jīng)網(wǎng)絡(luò)分析共三種方法,探討微觀仿真模型參數(shù)對宏觀交通流特性的作用。

3.1 方案設(shè)計(jì)

3.1.1 分析場景說明

研究選取A型交織區(qū)作為仿真場景,通過仿真實(shí)驗(yàn)的設(shè)計(jì)表格開展建模分析。

(1)基礎(chǔ)條件。在仿真的場景搭建中,由于車道標(biāo)準(zhǔn)設(shè)計(jì)寬度為3.5 m,因此本次實(shí)驗(yàn)均采用標(biāo)準(zhǔn)設(shè)計(jì)寬度,主線車流運(yùn)行限制速度為80 km/h,仿真環(huán)境中涉及的其他道路幾何條件具體數(shù)值見表1,搭建路網(wǎng)模型如圖3所示。根據(jù)《公路通行能力手冊》,交織區(qū)長度300 m、交織流量比0.45時(shí),交織區(qū)的通行能力為4 400 pcu/h[16]。采用該通行能力值的0.5、0.75和1作為低、中、高三種流量條件的具體數(shù)值。速度閾值及加、減速度曲線均采用林子赫等[17]利用工程實(shí)測數(shù)據(jù)標(biāo)定結(jié)果,修改后曲線如圖4所示。

表1 交織區(qū)基礎(chǔ)條件

圖3 路網(wǎng)模型

圖4 加、減速度曲線

(2)待分析參數(shù)。針對交織區(qū)這種復(fù)雜交通場景,全面考慮跟馳行為、換道行為模型和橫向運(yùn)動(dòng)模型。由于研究內(nèi)容為快速路交織區(qū),跟馳行為選擇適用于高速公路和城市快速路的W99跟馳模型,具體參數(shù)及取值范圍[9]見表2。仿真中的換道行為參數(shù)及取值范圍見表3。同時(shí),對于橫向運(yùn)動(dòng)模型中菱形排隊(duì)選項(xiàng)和臨近車道車輛可視選項(xiàng)進(jìn)行勾選,以體現(xiàn)仿真的真實(shí)性。

表2 跟馳模型參數(shù)

表3 換道模型參數(shù)

由于微觀交通仿真實(shí)驗(yàn)仿真結(jié)果的變化由隨機(jī)種子、仿真參數(shù)變化兩部分因素導(dǎo)致。為消除系統(tǒng)隨機(jī)性造成的隨機(jī)誤差,每組仿真選取5個(gè)隨機(jī)種子進(jìn)行實(shí)驗(yàn),分別為10、30、50、70、90,取其均值作為最終仿真結(jié)果,以減弱交通仿真系統(tǒng)隨機(jī)性帶來的實(shí)驗(yàn)影響。

3.1.2 實(shí)驗(yàn)方案說明

(1)統(tǒng)計(jì)分析方法實(shí)驗(yàn)方案。本次采用單因素分析法開展實(shí)驗(yàn)設(shè)計(jì),需保持其他參數(shù)取值不變的情況下,僅改變其中一個(gè)待分析參數(shù)的取值。在表2和表3中設(shè)定的參數(shù)取值范圍內(nèi),等間隔取5個(gè)數(shù)值進(jìn)行仿真實(shí)驗(yàn),共生成5×20=100組實(shí)驗(yàn),最終形成100×20的參數(shù)取值矩陣表。最后根據(jù)輸出結(jié)果繪制對應(yīng)的折線圖,定性描述參數(shù)的敏感性。

(2)機(jī)器學(xué)習(xí)分析方法實(shí)驗(yàn)方案。機(jī)器學(xué)習(xí)分析方法的實(shí)驗(yàn)方案則是使每一參數(shù)均在其取值區(qū)間范圍內(nèi)隨機(jī)產(chǎn)生N個(gè)取值水平,N取值應(yīng)滿足大于參數(shù)總數(shù)30倍的要求。共生成20×30=600組實(shí)驗(yàn),最終形成600×20的參數(shù)取值矩陣表,每一行為一套參數(shù)取值組合。針對形成的實(shí)驗(yàn)方案表格開展仿真實(shí)驗(yàn),獲取試驗(yàn)結(jié)果。

得出仿真結(jié)果后,分別采用決策樹分析方法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合MIV分析方法進(jìn)行敏感性分析,定量描述參數(shù)的敏感性。

3.2 敏感性分析結(jié)果

根據(jù)3.1中方案進(jìn)行交通仿真實(shí)驗(yàn),其中統(tǒng)計(jì)分析方法共進(jìn)行100×5組實(shí)驗(yàn);機(jī)器學(xué)習(xí)方法共進(jìn)行600×5組實(shí)驗(yàn)。根據(jù)仿真結(jié)果進(jìn)行敏感性分析,具體結(jié)果如下。

3.2.1 單因素分析方法結(jié)果

根據(jù)實(shí)驗(yàn)結(jié)果繪制各個(gè)參數(shù)在不同流量狀態(tài)下對速度、流率、延誤等指標(biāo)的影響折線圖,即折線圖的變化趨勢定性描述不同參數(shù)的敏感性?？梢园l(fā)現(xiàn)不同參數(shù)根據(jù)流量條件下敏感性的不同可以分為三類,分別為所有流量狀態(tài)下參數(shù)均敏感、部分流量條件下參數(shù)敏感和不敏感。圖5所示為延誤在不同類別參數(shù)變化下的折線圖,其中圖5(a)為所有流量狀態(tài)下參數(shù)均對觀察指標(biāo)有顯著性影響,圖5(b)為在部分流量狀態(tài)下參數(shù)對觀察指標(biāo)有影響,圖5(c)為所有流量狀態(tài)參數(shù)均對觀察指標(biāo)無影響。根據(jù)以上實(shí)驗(yàn)結(jié)果進(jìn)行因素相關(guān)性檢驗(yàn),以此表征參數(shù)敏感性強(qiáng)弱。圖6為低、中、高流量下的參數(shù)敏感性值。

圖5 單因素分析方法結(jié)果示例

3.2.2 機(jī)器學(xué)習(xí)分析方法結(jié)果

(1)決策樹方法。通常,決策樹中不同因子的Gini系數(shù)可表征其在樹中的重要程度,是判定因子對對應(yīng)結(jié)果敏感性相對強(qiáng)弱的指標(biāo)。在利用決策樹法計(jì)算得到各待分析參數(shù)對校核指標(biāo)的敏感度,根據(jù)敏感度數(shù)值,生成如圖7所示的敏感性圖。

圖7 決策樹方法分析結(jié)果

(2)BP-MIV方法。利用MIV方法生成各參數(shù)對校核指標(biāo)敏感性的數(shù)值,作為判定因子對結(jié)果敏感性強(qiáng)弱的指標(biāo),具體如圖8所示。

圖8 BP-MIV方法分析結(jié)果

3.3 實(shí)驗(yàn)結(jié)果分析

根據(jù)第3.2節(jié)中三種分析方法得到的結(jié)果分別判斷文中分析的20個(gè)參數(shù)對校核指標(biāo)是否具有敏感性。針對不同的分析方法,設(shè)定指標(biāo)敏感性的具體標(biāo)準(zhǔn)。根據(jù)標(biāo)準(zhǔn)判定參數(shù)敏感性等級(jí)。并對判斷的結(jié)果從不同角度進(jìn)行深入探討與分析。其中匯總結(jié)果如圖9所示。

①代表單因素方法分析結(jié)果;②代表決策樹方法分析結(jié)果;③代表BP-MIV方法分析結(jié)果

3.3.1 不同流量條件下參數(shù)敏感性情況

對仿真結(jié)果進(jìn)行統(tǒng)計(jì),低流量狀態(tài)下敏感性指數(shù)較高的有CC0、CC1、CC7、GAP_min、ABX這五個(gè)參數(shù),其余參數(shù)沒有表現(xiàn)出對觀察指標(biāo)較強(qiáng)的敏感性。主要是由于在流量較少時(shí),車輛之間的交互行為也會(huì)隨之減少,部分車輛長期處于相對自由的行駛狀態(tài),并不會(huì)出現(xiàn)跟馳或換道行為。

在中、高流量條件下,對觀察指標(biāo)有敏感性的參數(shù)數(shù)量增多,且相對于高流量條件,中流量條件下具有敏感性的參數(shù)更多。出現(xiàn)這種現(xiàn)象,則是由于隨著流量的增多,交通流會(huì)有擁堵產(chǎn)生和擁堵消散的過程,在此過程中,車輛會(huì)出現(xiàn)大量交互行為,涉及到更多交通仿真子模型中的參數(shù),導(dǎo)致結(jié)果中大量參數(shù)出現(xiàn)敏感性。而在流量增高到一定程度時(shí),交通流會(huì)出現(xiàn)短期內(nèi)無法消散的情況,即車輛持續(xù)擁堵在交織區(qū)域內(nèi),這時(shí)車輛之間的交互又會(huì)隨著車輛在瓶頸路段的積攢而減少。最終呈現(xiàn)出中等流量條件下參數(shù)敏感性個(gè)數(shù)最多的情況。

3.3.2 不同校核指標(biāo)對參數(shù)的敏感性情況

通過結(jié)果對比可以發(fā)現(xiàn),參數(shù)對不同校核指標(biāo)的敏感性也不相同。其中運(yùn)行速度方面,高流量狀態(tài)下的非交織速度敏感性參數(shù)數(shù)量要高于交織速度。而交織車道本應(yīng)是車輛產(chǎn)生交互行為最多的位置,敏感性指標(biāo)數(shù)量上卻沒有體現(xiàn)。這就需要考慮到高流量狀態(tài)下車輛的交織數(shù)量也隨之增大,這種增大會(huì)導(dǎo)致交織位置產(chǎn)生短期內(nèi)無法疏解的擁堵,車輛行動(dòng)困難。而非交織區(qū)域車輛換道行為則相對較少,車輛可以緩慢行駛,由此產(chǎn)生大量交互行為。

在中、高流量條件下,對延誤指標(biāo)敏感的參數(shù)數(shù)量高于其他觀察指標(biāo),而低流量條件下則沒有明顯的展現(xiàn)出該特點(diǎn)。對于產(chǎn)生這種現(xiàn)象的原因做出如下分析:由于低流量條件下車輛基本處于自由行駛狀態(tài),產(chǎn)生會(huì)造成延誤的情況極少,因此對延誤敏感性較高的參數(shù)數(shù)量也相對較少。

3.3.3 不同參數(shù)敏感性情況

分析實(shí)驗(yàn)結(jié)果可得,跟馳模型中參數(shù)較為敏感的主要是CC0、CC1和CC7三個(gè)參數(shù),這三個(gè)參數(shù)無論是在何種流量條件下都表現(xiàn)出較高的敏感性。CC4的敏感性則是在中、高流量條件下才體現(xiàn)出來。根據(jù)表2可知CC4是控制跟車狀態(tài)下前后車的速度差,而由于低流量時(shí)跟車行為較少,則可以解釋其在低流量時(shí)并未表現(xiàn)出敏感性的情況。

在換道模型中,GAP_min和ABX兩個(gè)參數(shù)在不同流量條件下均有較強(qiáng)敏感性。而ACC_max和D(-1 m/s2)兩個(gè)參數(shù)則在中流量條件下表現(xiàn)出較強(qiáng)的敏感性。通過表3可知ACC_max表示當(dāng)必須進(jìn)行強(qiáng)制換道時(shí),車輛的最大減速度;D(-1 m/s2)則表示車輛換道時(shí)速度每變化1 m/s2時(shí)車輛行駛的距離。中流量條件下,車輛交互行為較多,且車輛仍能向前行駛,并沒有像高流量時(shí)車輛會(huì)長期處于擁堵狀態(tài)。因此在換道時(shí)為進(jìn)入目標(biāo)車道,會(huì)根據(jù)目標(biāo)車道車輛運(yùn)行情況調(diào)整自身速度,發(fā)生加減速行為,引起上述參數(shù)敏感。

4 結(jié)論

交織區(qū)作為復(fù)雜交通環(huán)境,需要考慮到交通仿真模型中較多子模型,包括跟馳模型、換道模型與橫向運(yùn)動(dòng)模型,敏感性分析過程較為復(fù)雜。且由于不同流量條件下車輛運(yùn)行情況不同,研究分設(shè)三種流量條件,針對六個(gè)校核指標(biāo)對交織區(qū)環(huán)境下的參數(shù)進(jìn)行敏感性分析。得到如下主要結(jié)論。

(1)機(jī)器學(xué)習(xí)分析方法能夠在參數(shù)全樣本空間內(nèi)隨機(jī)組合,相比單因素統(tǒng)計(jì)分析方法,得到的敏感性分析結(jié)果更為全面。尤其是決策樹分析方法分析過程簡單,利于程序化實(shí)現(xiàn),能夠大幅度提升參數(shù)敏感性分析效率。

(2)低、中、高不同流量狀態(tài)對交織區(qū)微觀仿真模型參數(shù)敏感性作用有著不同影響。中、高流量狀態(tài)更能體現(xiàn)出仿真模型參數(shù)的作用,低流量狀態(tài)則出現(xiàn)部分參數(shù)敏感性弱的現(xiàn)象。但存在一部分模型參數(shù),在低、中、高流量狀態(tài)下均有著較強(qiáng)敏感性,VISSIM平臺(tái)中CC0、CC1、CC7、GAP_min、ABX,這五個(gè)參數(shù)在不同流量狀態(tài)下都對車輛運(yùn)行具有較強(qiáng)的敏感性。在開展交織區(qū)仿真模型參數(shù)標(biāo)定時(shí),建議選取接近飽和的流量狀態(tài),才能標(biāo)定出較好模型。

(3)相比于速度、流率指標(biāo),延誤指標(biāo)具有更多的敏感性參數(shù),尤其是在中、高流量條件下。主要原因在于延誤指標(biāo)綜合性更強(qiáng),更適宜選取為模型參數(shù)標(biāo)定的校核指標(biāo)。在開展交織區(qū)仿真模型參數(shù)標(biāo)定時(shí),建議選取延誤指標(biāo)作為校核指標(biāo)。