楊文臣，張 輪，王 錚，胡澄宇

（1.云南省交通規(guī)劃設(shè)計研究院陸地交通氣象災(zāi)害防治技術(shù)國家工程實驗室，云南 昆明 650031；2.同濟大學(xué)道路與交通工程教育部重點實驗室，上海 201804）

基于黃金分割遺傳算法的VISSIM仿真模型參數(shù)校正

楊文臣1，2，張 輪2，王 錚2，胡澄宇1

（1.云南省交通規(guī)劃設(shè)計研究院陸地交通氣象災(zāi)害防治技術(shù)國家工程實驗室，云南 昆明 650031；2.同濟大學(xué)道路與交通工程教育部重點實驗室，上海 201804）

微觀交通仿真模型的準(zhǔn)度直接決定所模擬交通場景的真實性。提出一種黃金分割遺傳算法的VISSIM仿真模型參數(shù)校正方法。首先，詳細(xì)梳理了VISSIM仿真的標(biāo)準(zhǔn)作業(yè)流程及模型參數(shù)的校正原理；接著，設(shè)計了以通過量為指標(biāo)的目標(biāo)函數(shù)和仿真參數(shù)個體的離散化方法；然后，采用黃金分割遺傳算法具體設(shè)計了VISSIM模型參數(shù)的校正方法；最后，以典型城市信控路口為例，分析參數(shù)校正后的仿真模型特性，并采用實測路口轉(zhuǎn)向流量數(shù)據(jù)驗證所提出參數(shù)校正算法的效用。

微觀交通仿真;參數(shù)校正;黃金分割遺傳算法;參數(shù)離散;VISSIM

微觀交通仿真軟件能對單一車輛行駛行為進行微觀處理，模擬、分析和評價實際道路上交通流的運行，是交通系統(tǒng)管理與控制的重要實驗工具[1]。作為一種無偏的可視化評價工具，VISSIM、PARAMICS、CORSIM等仿真軟件現(xiàn)已廣泛應(yīng)用于交通流特性分析、交通控制方法驗證、交通設(shè)計方案評價、駕駛行為分析等智能交通領(lǐng)域的應(yīng)用研究[2-3]。然而，當(dāng)前主流交通仿真軟件的默認(rèn)模型參數(shù)均源自國外交通流狀況的標(biāo)定結(jié)果，這往往與我國城市道路的現(xiàn)實交通流特征不符。為確保交通仿真結(jié)果的可信度，必須采用實際數(shù)據(jù)標(biāo)定仿真模型的參數(shù)，以建立精細(xì)化的仿真模型[4-5]。

仿真參數(shù)校正實質(zhì)上是一個離散數(shù)據(jù)尋優(yōu)的過程，遺傳算法模擬生物自然進化過程，從問題解的種群開始全局搜索，現(xiàn)已被廣泛應(yīng)用于仿真模型參數(shù)校正。CHEU等構(gòu)建了一個快速路系統(tǒng)FRESIM模型，并最早將遺傳算法應(yīng)用于仿真參數(shù)校正[6]。LEE等以交通流量及占有率為指標(biāo)，采用遺傳算法校正PARAMICS模型的車頭時距與平均反應(yīng)時間[7]。PARK等采用階段式的校正策略提出一種基于遺傳算法的參數(shù)校正流程，并在CORSIM、PARAMICS與VISSIM中進行了驗證[8]。李志明等選取VISSIM的6項模型參數(shù)，以進口道延誤為指標(biāo)，采用遺傳算法校正仿真參數(shù)[9]。孫劍等以行程時間和流量為指標(biāo)，采用遺傳模擬退火啟發(fā)式算法對8類VISSIM仿真模型進行參數(shù)校正[10]。周素霞以路網(wǎng)車輛總數(shù)為評價指標(biāo)，采用遺傳算法對2類VISSIM仿真模型參數(shù)校正[11]。唐少虎等以進口排隊長度為目標(biāo)，采用人工螢火蟲算法校正了7類VISSIM仿真模型參數(shù)[12]。眾多學(xué)者已將遺傳算法應(yīng)用于仿真模型參數(shù)校準(zhǔn)問題，并已在校準(zhǔn)流程、算法設(shè)計、實驗驗證等方面積累了較好的基礎(chǔ)。然而，既有研究多數(shù)缺乏VISSIM仿真參數(shù)校正機制及校正參數(shù)物理意義的詳細(xì)解析，且多數(shù)參數(shù)校正的研究考慮Wiedemann跟車模型參數(shù)，而較少系統(tǒng)地考慮跟馳、換道參數(shù)；同時，簡單遺傳算法容易陷入局部最優(yōu)，雖然采用啟發(fā)式的混合群體智能算法能增強遺傳算法局部優(yōu)化能力，但這類算法局部尋優(yōu)計算相對復(fù)雜，較大限制了參數(shù)優(yōu)化效率。

本文系統(tǒng)解析VISSIM模型參數(shù)校正的機理及模型參數(shù)的選取，并以實測路口流量數(shù)據(jù)為基準(zhǔn)定義評標(biāo)目標(biāo)函數(shù)，引入黃金分割算子進行局部尋優(yōu)，設(shè)計了基于黃金分割遺傳算法的VISSIM模型校正流程[9]。以典型城市信控路口為例，對比分析實測/仿真轉(zhuǎn)向流量數(shù)據(jù)，以及校準(zhǔn)前/后平均停車間距等9個仿真模型參數(shù)，驗證提出算法的效用。

1 VISSIM仿真模型校正

1.1 交通仿真標(biāo)準(zhǔn)作業(yè)流程

微觀仿真應(yīng)用的標(biāo)準(zhǔn)作業(yè)流程如圖1所示，包括3部分：交通基礎(chǔ)路網(wǎng)建模、交通流建模和智能交通仿真應(yīng)用?；A(chǔ)路網(wǎng)建模對基礎(chǔ)路網(wǎng)幾何設(shè)施和交通控制設(shè)施等進行可視化建模，配置路網(wǎng)OD和統(tǒng)計分析參數(shù)等。交通流建模通過仿真模型參數(shù)的校準(zhǔn)實現(xiàn)，旨在使仿真模型最大程度地逼近現(xiàn)實道路交通流的運行狀況。為有效支持交通運營分析，智能交通仿真應(yīng)用針對交通設(shè)計、管理與控制等應(yīng)用問題展開具體評價、驗證及優(yōu)化?？梢?，交通仿真軟件的建模精度直接決定著仿真結(jié)果的可信度。但是，實際工作中的許多交通仿真應(yīng)用并不重視仿真模型參數(shù)校準(zhǔn)。

圖1 微觀交通仿真應(yīng)用的標(biāo)準(zhǔn)流程Fig.1 Genetic process of microscopic traffic simulation application

1.2 參數(shù)校正機制

VISSIM交通仿真的交互機制如圖2所示，包括3部分：用戶、輸入/輸出接口、VISSIM仿真軟件[13]。用戶負(fù)責(zé)基礎(chǔ)路網(wǎng)的可視化建模和交通控制程序的二次開發(fā)；在用戶配置好交通控制環(huán)境后，控制程序作為外部程序獨立運行，采用輸出接口檢測交通數(shù)據(jù)，并采用相應(yīng)的算法優(yōu)化控制方案，進而通過輸入接口返還至VISSIM仿真軟件。VISSIM仿真器負(fù)責(zé)道路交通場景的模擬、交通數(shù)據(jù)的采集和控制方案的執(zhí)行。輸入/輸出接口負(fù)責(zé)VISSIM仿真器與控制程序之間的實時數(shù)據(jù)交互，共有3種接口的開放機制，包括COM組件式對象接口函數(shù)、原始模型文本讀寫 （VISSIM的.inp模型文件）、DLL動態(tài)鏈接庫（數(shù)據(jù)交互）。

1.3 仿真模型參數(shù)

微觀交通需校準(zhǔn)顯著影響路網(wǎng)通行能力、駕駛行為特征和車輛性能的參數(shù)。VISSIM城市道路模型是在Wiedemann 1974“生理-心理跟馳模型”的基礎(chǔ)上演化形成的[13]，開放的模型參數(shù)主要包括：跟馳行為、換道行為、優(yōu)先規(guī)則、期望車速、加減速特性等5類。大量研究成果[1,4,8,12]表明，跟馳行為和車道變換是底層仿真模型的核心參數(shù)，必須進行校正；路網(wǎng)通行能力和車輛性能對優(yōu)先規(guī)則、期望車速、加減速特性等對參數(shù)敏感，在進行場景的精細(xì)化建模時，需要正確配置。在信號控制路口，駕駛員嚴(yán)格按照信號燈色的有序通行，此時優(yōu)先規(guī)則對通行能力的影響小，期望車速通常根據(jù)城市道路限速值采用“S”型速度分布進行標(biāo)定。綜上分析，從城市道路駕駛行為和通行能力的角度出發(fā)，研究對Wiedemann 1974底層模型及跟馳、換道模型的9個參數(shù)進行校正，各參數(shù)的說明如表1所示

圖2 VISSIM交通仿真的交互機制Fig.2 The mechanism of VISSIM simulation modeling

表1 城市道路VISSIM校正參數(shù)集及說明Tab.1 The VISSIM parameter set of urban road simulation model

表1中，平均停車間距、附加安全距離和可增加安全距離描述跟馳過程中兩停車車輛的平均停車距離和安全距離。前后車輛間的最小前車距離是影響道路通行能力及排隊長度的關(guān)鍵參數(shù)。前方可觀察車輛數(shù)及前方最大觀察距離決定駕駛員對環(huán)境的感知能力，可使駕駛員提早做出判斷。前車/后車最大減速度影響車輛的換道行為。在交通流量較多或配時方案不合理的條件下，處于分流點而不能順利換道的車輛顯著影響路口通行能力，消除前的等待時間決定了車輛等待變換車道空擋的最長時間。

2 仿真模型校正的算法設(shè)計

2.1 目標(biāo)函數(shù)設(shè)計

平均絕對相對誤差（mean absolute percent error，MAPE）是衡量仿真效果準(zhǔn)確性最重要的指標(biāo)之一，直接反映整體的仿真準(zhǔn)確性程度，MAPE的值越大，時段內(nèi)的仿真誤差就越大；反之，仿真誤差就越小。以路口各流向通過車輛數(shù)的最佳匹配為目標(biāo)，定義式（1）的MAPE函數(shù)來評價仿真模型的精度

式中：n為路口流向總數(shù)量，qir為斷面實際通過流量，qis仿真斷面通過流量。各流向的通過量采用布設(shè)在路口停前線前的線圈檢測器進行采集。

2.2 黃金分割遺傳算法

傳統(tǒng)的遺傳算法在求解時優(yōu)化速度慢，且容易陷入局部最優(yōu)，降低了尋優(yōu)的速度與精度。對多約束的最優(yōu)化問題，為克服遺傳模擬退火等混合算法的計算量大等不足，研究引入黃金分割比例確定局部最優(yōu)點的搜索位置。黃金分割遺傳算法的具體描述和應(yīng)用于交通控制問題的性能分析已在先前研究得到驗證[14-15]，其基本思想是：兩個局部最優(yōu)個體將趨同于解空間的同一個“凹處”，因而，在兩個局部最優(yōu)個體的基因之間，存在潛在的更優(yōu)的基因位置。其局部尋優(yōu)的計算原理如圖3所示。A和B為兩個相鄰的最優(yōu)個體，C和C′為通過黃金比例得到的潛在最優(yōu)點的位置，AC和AB、C′C和C′B的關(guān)系滿足黃金分割點定義。

圖3 黃金分割局部最優(yōu)點的計算示意Fig.3 The illustration of golden-ratio based local optimal sets

2.3 仿真模型參數(shù)的離散化

表1中平均停車間距等6個仿真模型參數(shù)是連續(xù)的數(shù)值，且各參數(shù)的值域不同，連續(xù)型參數(shù)組合構(gòu)成的取值空間在理論上是無限的。在數(shù)量有限的迭代次數(shù)內(nèi)，巨大的取值空間將為最優(yōu)模型參數(shù)的帶來顯著的不確定性，增加計算算雜度且容易限入局部最優(yōu)。為降低群體搜索參數(shù)的復(fù)雜度，需對模型參數(shù)的數(shù)據(jù)進行離散化處理，以將大空間范圍內(nèi)的參數(shù)數(shù)值離散為數(shù)量有限的幾個分級，原理如下：記模型參數(shù)i的值域為［li，ui］，優(yōu)化步長為△Si，則參數(shù)i的分級數(shù)量Mi=（ui-li）/△Si。研究采用模型參數(shù)的離散化取值生成初始種群，1個個體表征9個模型參數(shù)的1種可能組合。記參數(shù)i的離散化取值為k，k是整數(shù)且k∈［0，Mi］，則參數(shù)i的第k個分級水平對應(yīng)的實際參數(shù)值采用式（2）計算

2.4 算法校正步驟

基于黃金分割遺傳算法 （golden-ratio genetic algorithm，GRGA）的VISSIM模型參數(shù)校正的流程如圖4所示。整個過程采用GRGA進行參數(shù)群體的迭代尋優(yōu)，對每一個可行的參數(shù)個體，在對應(yīng)的交通仿真結(jié)束時計算其目標(biāo)函數(shù)，以評價個體優(yōu)劣。主要步驟如下：

步驟1：初始化。初始化遺傳算法和黃金分割算法的控制參數(shù)，并采用實數(shù)編碼生成初始種群PA和PB，其中，PA表示全局尋優(yōu)種群，PB表示局部尋優(yōu)種群，初始種群需滿足個體間互不相同準(zhǔn)則，并預(yù)先加入已有文獻中的優(yōu)秀個體。在算法參數(shù)中：進化代數(shù)Gen取100，PA種群規(guī)模Na取50，黃金分割尋優(yōu)規(guī)模m取10，PB子種群規(guī)模Nb為2 m；MAPE的誤差為ρ；交叉和變異概率隨進化代數(shù)及適應(yīng)度值自適應(yīng)地動態(tài)調(diào)整[16]。

步驟2：VISSIM仿真及評價。對種群PA和PB中的新增參數(shù)個體，通過修改Vissim模型的.inp文件的參數(shù)，并采用COM接口調(diào)用VISSIM仿真函數(shù)運行一次仿真，在仿真結(jié)束時，根據(jù)統(tǒng)計的各流向轉(zhuǎn)向流量，計算個體的目標(biāo)函數(shù)，即適應(yīng)度。

步驟3：算法終止的判斷。如果適應(yīng)度值滿足收斂條件或迭代次數(shù)達(dá)到預(yù)設(shè)的最大值，輸出最優(yōu)的模型參數(shù)，反之進入下一步。

步驟4：采用Metropolis準(zhǔn)則概率接受局部尋優(yōu)種群PB的新個體，用接收的優(yōu)秀個體依次替換種群PA最差的個體。

步驟5：局部尋優(yōu)操作：為保持種群的多樣性，在簡單GA算法的每一新生代PA中，挑選最好的2 m個個體更新子種群PB，并從PB中隨機選取m個優(yōu)秀個體作為初始向量，調(diào)用黃金分割算子強化遺傳算法（式1）的局部尋優(yōu)搜索，更新局部尋優(yōu)種群PB。

步驟6：遺傳算子操作[16]：采用“選擇、交叉和變異”算子全局優(yōu)化種群PA，并轉(zhuǎn)向步驟2。

圖4 基于GRGA算法的VISSIM參數(shù)校正流程Fig.4 The calibration framework of VISSIM parameter based on GRGA

3 實例驗證

3.1 案例描述

選取深圳市某典型交叉口作為算法的驗證對象。此路口南鄰深圳市政府、北接北環(huán)大道，鄰近路段限速60 km/h，是深圳市關(guān)鍵交叉路口，具有交通設(shè)計規(guī)范、交通流量大等特征。路口采用多時段定時控制方案。該路口基礎(chǔ)路網(wǎng)、道路交通組織，以及標(biāo)準(zhǔn)四相位方案的VISSIM仿真模型如圖5所示，交叉口進口引道拓寬，且右轉(zhuǎn)交通渠化（不受信號燈控制）；采用一個月內(nèi)路口感應(yīng)線圈在順暢和擁擠狀態(tài)下實測交通量的均值作為狀態(tài)下交通需求OD，各流向的到達(dá)流量呈非均衡分布。

圖5 深圳某典型信控路口VISSIM仿真模型Fig.5 The VISSIM simulation model of a signalized intersection in Shenzhen

3.2 實驗設(shè)計

實現(xiàn)場景：①采用路口感應(yīng)線圈在順暢和擁堵兩種狀態(tài)下的實測車流量的均值作為狀態(tài)的駛?cè)肓髁浚ㄈ绫?示），仿真時長為2 h；② 為模擬路口短時交通流到達(dá)波動特性，根據(jù)線圈統(tǒng)計結(jié)果，在VISSIM的Routes文件中設(shè)置1 h內(nèi)10 min間隔車輛的發(fā)車比例；③GRGA算法的每個個體決定每次仿真的9個模型參數(shù)。

實驗平臺：采用C#語言在Visual Studio 2010的.NET框架平臺上實現(xiàn)VISSIM仿真參數(shù)校正系統(tǒng)。受限于VISSIM 4.30的仿真實驗條件，研究采用文本讀寫的技術(shù)實現(xiàn)駕駛行為參數(shù)的校準(zhǔn)，采用COM接口函數(shù)技術(shù)實現(xiàn)外部程序與VISSIM仿真交通數(shù)據(jù)和操作交互。

3.3 結(jié)果分析

1）校正后的模型參數(shù)。校正后的模型參數(shù)如表2所示。與表1默認(rèn)的模型參數(shù)相比，平均停車間距(AvgSD)、附加安全距離(AddSD)、可增加安全距離(MulSD)減小達(dá)50%以上，消失等待時間(WaiBD)減小達(dá)25%，前方可觀察車輛數(shù)(LaVeh)增加1倍，超車/被超車車輛的最大減速度(MaxDC、MaxDB)增加50%以上，最小前車距離(MinHF)稍有增加，而前方最大觀測距離(MaxLD)不變。在校正后的參數(shù)中，AvgSD，AddSD以及MulSD三個值均明顯小于默認(rèn)值，這表明與國外默認(rèn)駕駛行為相比，校調(diào)后的駕駛行為更傾向于冒險，這與當(dāng)前我國駕駛員的普遍侵略性駕駛習(xí)慣相符。

表2 校正后的VISSIM模型參數(shù)Tab.2 The calibrated parameters of VISSIM simulation model

2）各轉(zhuǎn)向小時交通量。模型參數(shù)校正前/后各轉(zhuǎn)向流量與現(xiàn)場實測觀測值的統(tǒng)計結(jié)果如表3所示。整體而言，仿真通過量均比實測通過量要小，這是因為研究以停車線前檢測線圈采集的通過量作為仿真輸入OD，有部分車輛仍在路段上離散行駛或在信控路口等待排隊。

表3 參數(shù)校正前/后各轉(zhuǎn)向的小時通過量Tab.3 The direction throughput before/after parameter calibration

在兩種交通狀態(tài)下，模型參數(shù)校正前/后各轉(zhuǎn)向流量絕對誤差的直觀描述如圖6示。在順暢狀態(tài)下，由于信控交叉口到達(dá)車流量較小，交通流干擾小，參數(shù)校正前/后駕駛行為的差異對各流向通過量的影響小，與校正前相比，校正后的MAPE減小了僅1.5%。在大流量的擁堵狀態(tài)下，對默認(rèn)的模型參數(shù)，進口道小時通過量明顯失真，南進口直行流向的最大MAPE達(dá)17.9%；而校正后的結(jié)果與實測值相近，MAPE約為2.5%，與校正前相比，校正后的MAPE減小達(dá)16.5%，南進口直行的通過量顯著增加了400多輛。這是因為實驗路口各流向到達(dá)呈非均衡分布，交通強度最大的南進口左轉(zhuǎn)和直行車輛間跟馳換道行為頻繁，尤其在擁堵的交通條件下，受左轉(zhuǎn)排隊長度溢出專用展寬車道的影響，直行車輛因左轉(zhuǎn)車輛的阻擋不能順利通過，造成斷面變化區(qū)域的交通中斷，大幅減小了進口通過量。校正參數(shù)后，平均停車距離及附加安全距離的減小和前方可觀察的車輛數(shù)增加使得仿真車流中車間距減小，而減小的消失等待時間明顯降低溢出車輛的影響時間，這大幅提高了大流量進口的通過量。

圖6 模型參數(shù)校正前（-）后（+）各轉(zhuǎn)向流量絕對誤差Fig.6 The absolute error of throughput before and after parameter calibration

4 結(jié)論

在系統(tǒng)梳理VISSIM交通仿真作業(yè)標(biāo)準(zhǔn)流程、參數(shù)校正機制和仿真模型參數(shù)的基礎(chǔ)上，從減小混合遺傳算法局部尋優(yōu)計算量的角度出發(fā)，本文引入黃金分割遺傳算法并設(shè)計了一種VISSIM仿真模型參數(shù)校正的算法，以典型城市信控路口為例，對仿真模型的9個參數(shù)進行校正。參數(shù)校正前/后仿真結(jié)果與實測數(shù)據(jù)的分析結(jié)果表明：采用黃金分割遺傳算法校準(zhǔn)后的仿真模型更能描述實際的交通情況，且VISSIM仿真參數(shù)對交通流的運行狀況的影響在一定程度上與交通流的強度相關(guān)。這主要體現(xiàn)在中低流量的交通流條件下，不同行為參數(shù)間路口各流向通過量的差異不顯著，但是，在中高流量條件下，因行為參數(shù)差異導(dǎo)致的交通運行狀況的偏差很大，必須進行參數(shù)校準(zhǔn)。

[1]鄒智軍.新一代交通仿真技術(shù)綜述[J].系統(tǒng)仿真學(xué)報，2010，22（9）：2037-2042.

[2]KOTUSEVSKI G，HAWICK K A.A review of traffic simulation software[J].Research Letter in the Information and Mathematical Science，2009（13）：35-54.

[3]周溪召，許琰.車道寬度對信控交叉口通行能力及車輛延誤影響研究[J].華東交通大學(xué)學(xué)報，2016，33（6）：38-42.

[4]SUN D J，ZHANG L，CHEN F.Comparative study on simulation performances of CORSIM and VISSIM for urban street network [J].Simulation Modelling Practice and Theory，2013（37）：18-29.

[5]何兆成，佘錫偉，楊文臣，等.結(jié)合Q學(xué)習(xí)和模糊邏輯的單路口交通信號自學(xué)習(xí)控制方法[J].計算機應(yīng)用研究，2011，28（1）：199-202.

[6]CHEU R L，JIN X，NG K C，et al.Calibration of FRESIM for Singapore expressway using genetic algorithm[J].Journal of Transportation Engineering，1998，124（6）：526-535.

[7]LEE D，XU Y，CHANDRASEKHAR P.Parameter calibration for PARAMICS using genetic algorithm[C]//The 80th Transportation Research Board Annual Meeting，Washington D.C.，2001.

[8]PRAK B，QI H.Development and evaluation of simulation model calibration procedure[C]//The 84th Transportation Research Board Annual Meeting，Washington D.C，2005.

[9]李志明，閆小勇.基于遺傳算法的交通仿真模型參數(shù)校正方法研究[J].交通標(biāo)準(zhǔn)化，2006（4）：21-23.

[10]孫劍，楊曉光，劉好德.微觀交通仿真系統(tǒng)參數(shù)校正研究[J].系統(tǒng)仿真學(xué)報，2007，19（1）：48-50.

[11]周素霞，陳森發(fā).基于遺傳算法的VISSIM參數(shù)校正及其交通流應(yīng)用[J].交通科技，2009（2）：89-91.

[12]唐少虎，劉小明.基于IAGSO算法的VISSIM模型校正研究與實現(xiàn)[J].交通運輸系統(tǒng)工程與信息，2014，14（5）：74-80.

[13]PTV.VISSIM 5.4 User Manual[Z].PTV Planung Transport Verkehr AG，2012.

[14]楊文臣，張輪，饒倩，等.基于黃金分割點遺傳算法的交通信號多目標(biāo)優(yōu)化[J].交通運輸系統(tǒng)工程與信息，2013，13（5）：48-55.

[15]SUN Y X，VAN B J，WANG Z H.A new golden ratio local search based particle swarm optimization[C]//The 2012 International Conference on Systems and Informatics，2012：754-757.

[16]何兆成，楊文臣，梁詩，等.城市單交叉路口交通信號實時優(yōu)化控制與仿真[J].計算機工程與應(yīng)用，2010，46（33）：239-243.

Parameter Calibration of VISSIM Simulation Model Based on Golden-Ratio Genetic Algorithm

Yang Wenchen1，2，Zhang Lun2，Wang Zheng2，Hu Chengyu1
（1.National Engineering Laboratory for Surface Transportation Weather Impacts Prevention,Broadvision Engineering Consultants，Kunming 650031，China；2.Key Laboratory of Road and Traffic Engineering of the Ministry of Education,Tongji University，Shanghai 201804，China）

The accuracy of microscopic traffic simulation model has direct influence on the reality of the simulation scene.By using the golden-ratio genetic algorithm，this paper presented the parameter calibration of VISSIM simulation model.Firstly，the standard process of microscopic traffic simulation and the mechanism of parameter calibration of VISSIM simulation model were discussed in details.Then，based on the throughput index，the objective function and discretization of GA individual parameter were designed，and the calibration algorithm of VISSIM simulation model was developed by golden-ratio genetic algorithm.Finally，taking a typical signalized intersection as the example，it analyzed the characteristics of calibrated traffic flow model and explored the effectiveness of the proposed algorithm by comparing with the observed traffic data in the field.Results show that drivers in China have aggressive driving habits，and the proposed algorithm significantly improve the accuracy of simulation model，while the parameter calibration effectiveness is related to the traffic intensity at the intersection.

microscopic traffic simulation；parameter calibration；golden-ratio genetic algorithm；parameter discretization；VISSIM

1005-0523（2017）03-0095-08

TP391.9；U491.51

A

（責(zé)任編輯 姜紅貴）

2017－01－09

云南省交通廳科技計劃（云交科2014(A)23）；國家863計劃課題（2012AA112307）

楊文臣（1985—），男，博士，主要研究方向為人工智能、智能交通控制系統(tǒng)、交通安全。

張輪（1971—），男，教授，博士，博士生導(dǎo)師，主要研究方向為智能交通運輸系統(tǒng)。