⚡ electrical engineering

Development of an Agent-Based Traffic Simulation Framework Using a Generalized Cell Transmission Model for Regional-Scale Dynamic Assignment

本研究提出了 iTLE-TSIM，这是一个基于智能体（agent-based）的交通仿真框架，它将活动计划与广义元胞传输模型（generalized Cell Transmission Model）相结合，旨在为区域规模的应用实现更精细的空间分辨率和动态拥堵表示，同时保持计算效率。

原作者： Vajeeran Arunakirinathan, Muhammad Ahsanul Habib

发布于 2026-09-18

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Vajeeran Arunakirinathan, Muhammad Ahsanul Habib

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

交通规划者长期以来一直面临着“见林还是见树”的艰难抉择。为了理解一座城市的运行方式，他们传统上依赖于将交通视为平滑、连续流动的模型，就像水在管道中流动一样。这些模型对于大规模区域非常高效，但却模糊了单个驾驶员、其特定的日常行程以及单次拥堵如何向后方街区蔓延的细节。而在另一端，微观模拟技术可以追踪每一辆车和每一位驾驶员，将其视为拥有独特日程表的独立个体。虽然这些技术提供了惊人的细节，但它们对计算能力的要求极高，以至于无法实际模拟包含数百万人生活的整个区域。挑战在于寻找一种中间地带，既能保留出行的“人的因素”，又不会被庞大的数据量所拖累。

达尔豪斯大学的研究人员开发了一种名为 iTLE-TSIM 的新工具来弥补这一差距。这是一种旨在直接与基于活动的模型（即追踪人们日常生活而非仅仅是 A 点到 B 点行程的模型）协同工作的交通模拟器。该系统不再强行将复杂的个人日程简化为摘要，而是允许代表真实人类（拥有真实工作、琐事和家庭生活）的“智能体”在准备好出发时，精准地进入路网。随后，系统通过将每条道路分解为细小且易于管理的片段，引导这些智能体穿过城市。这使得模拟能够精确展示车辆排队在哪里形成、需要多久才能消散，以及一个路口的阻塞如何导致向后延伸数英里的车龙，同时运行速度依然足以处理整个区域。

这一新框架的核心在于一种与大多数商业软件所采用的标准方法截然不同的道路思维方式。传统的模型通常将一条道路链路视为一个单一单元，假设交通从一端进入，并在设定的时间后从另一端退出。这可能会掩盖交通拥堵在道路内部实际形成的真相。研究人员则将每条道路划分为一系列小的“单元格”。想象一下，道路就像一连串停车位，每个位置只能容纳一定数量的车辆。当汽车向前移动时，必须等待前方的位置空出来。如果前方位置已满，汽车就会停滞不前，从而产生一个逐个单元格向后增长的队列。这种简单的规则让计算机能够自然地重现交通拥堵的物理过程，包括车流如何从一条路溢出到另一条路，而无需计算复杂的波动方程。

为了在涉及数十万人的区域规模上实现这一目标，团队构建了该模拟器以处理个体驾驶员的独特行为。在现实世界中，人们不仅仅是从家到公司；他们还会去超市、去参加孩子的足球练习，最后回家，并根据交通状况调整计划。新系统捕捉了这些完整的全天活动链。当一名驾驶员被释放到模拟中时，他们会根据当前状况选择路线。如果遇到突发延迟，系统允许他们在旅途中改变路径，就像真实的驾驶员可能会转入侧街以避开拥堵一样。该模型还包含了安全机制，以防止计算机陷入车辆在环形路径中互相阻塞的死循环——这在数字模拟中可能发生，但在现实世界中很少见，因为人类驾驶员最终总能找到出路。

研究人员以加拿大新斯科舍省的哈利法克斯市作为原型测试了这一框架。他们向系统输入了代表 457,000 个独立智能体及其 160 万项日常活动的数据，包括汽车出行、送货卡车和定时巴士。模拟运行了完整的一天，对每一辆车的移动进行了秒级的追踪。结果显示，该系统能够成功重现全天的交通起伏。它捕捉到了清晨的宁静时刻、早高峰开始时的逐渐拥堵，以及上午 8:00 左右在市中心形成的密集交通瘫痪状态。视觉输出显示，交通流沿主要走廊和桥梁扩散，队列的形成与消散方式与现实世界的观察情况相吻合。

当团队将新模拟器的结果与哈利法克斯收集的实际交通计数以及该市使用的现有商业软件输出进行对比时，一致性非常强。新模型匹配了旧系统中观察到的交通空间模式，准确识别了哪些道路最繁忙以及拥堵聚集的位置。事实上，新方法提供了更清晰的局部街道图景。因为旧模型通常根据宽泛的地理区域将交通分配给道路，有时会忽略邻里交通的细微差别。新系统通过将每位驾驶员置于其精确的起始坐标，展示了更真实的车辆分布。统计对比表明，新模型的预测与现实数据高度一致，尤其是在早晚高峰时段。

这项工作代表了我们理解和规划城市流动性的重要进步。通过将大规模建模的效率与个体行为的真实性相结合，研究人员创造了一个能够帮助城市规划者以更高精度测试政策和基础设施变化的工具。该系统不仅能显示路上有多少辆车，还能展示这些车辆如何相互作用、延迟如何在网络中传播，以及个体选择如何影响整个城市。虽然当前版本侧重于私家车和送货卡车，但该框架旨在未来纳入公共交通乘客和更复杂的交叉路口规则。目前，它已成为一种实用且计算高效的方法，用于模拟复杂的人类驱动的区域交通，为城市运行提供了一个更清晰的视角。

技术摘要：基于广义细胞传输模型的智能体交通仿真框架开发

问题陈述

传统的区域规模出行需求建模历来依赖于将需求聚合为时变起终点（TDOD）矩阵的四阶段模型。虽然基于活动（Activity-based）和基于智能体（Agent-based）的模型在表示个人日常活动计划、行程链和出发时间方面取得了进展，但它们往往与交通分配脱节。大多数现有实现依赖于第三方宏观分配软件（如 VISUM），这需要将离散的智能体数据重新转换为聚合的 OD 矩阵。这一转换过程丢弃了关于智能体身份、车辆使用、行程序列以及行程时间连续性的关键信息。

此外，现有的智能体交通模拟器（如 MATSim、POLARIS）通常采用基于链路级或基于队列的介观加载方式。虽然这些方法计算效率高，但往往缺乏足够的空间分辨率来准确表示链路内的拥堵传播、队列形成和回堵现象。相反，全微观模型虽然分辨率高，但对于拥有数百万智能体的区域网络而言，其计算成本过于高昂。因此，需要一种既能保留智能体级细节和行程连续性，又能利用适用于区域规模应用的交通传播模型进行计算的框架。

研究方法

本研究开发了 iTLE-TSIM，这是一种作为集成交通土地利用与能源（iTLE）模型组成部分的智能体交通模拟器。该框架运行为一个基于时间步长的介观模拟器，直接摄取个体 24 小时活动计划，而无需将其聚合为 OD 矩阵。

核心仿真逻辑

细胞传输模型（CTM）加载：
- 将路网离散化为有限存储的细胞。根据自由流速度和时间步长 ( $\Delta t$ ) 将链路长度划分为若干细胞，其中细胞长度 $\Delta x = v_f \Delta t$ 。
- 车辆运动受 CTM 原则约束：细胞间的流量受上游细胞发送能力和下游细胞接收能力（可用存储容量）的限制。
- 这种方法显式地模拟了链路内的队列形成、向后移动的冲击波和回堵，而非仅仅在节点处处理拥堵。
基于智能体的需求加载：
- 智能体根据其计划的活动出发时间被释放到网络中。
- 路径选择： 智能体在出发时使用最短路径（Dijkstra）或基于 Yen 算法的随机路径选择（Logit 模型）来选择路径。
- 动态重路由： 如果剩余行程的经历旅行时间超过初始基准值的定义阈值，智能体可以在途中进行重新路由。
- 公交与货运： 模型包括固定路线的公交车（贡献于占用量但不模拟乘客换乘）以及由 iTLE 货运组件生成的送货卡车。
节点与运动规则：
- 节点逻辑： 节点运动通过特定转向的先进先出（FIFO）队列进行处理。不受限制的运动（如右转）绕过标准优先级规则，但仍受下游存储约束。
- 稳定机制： 为了防止在应用 CTM 于大规模、高密度城市网络时常见的数值性死锁（人工循环阻塞），该框架实施了以下措施：
  - 路径进入门控（Route-Entry Gating）： 如果占用率超过阈值，则阻止新车辆进入饱和链路。
  - 占用感知路由（Occupancy-Aware Routing）： 根据当前链路占用情况对路径成本施加惩罚，从而在链路完全阻塞前抑制对接近饱和链路的选择。
  - 阻塞周期恢复（Blocked-Cycle Recovery）： 一种保守机制，用于检测并解决持久性的循环依赖，通过将车辆临时移动到恢复缓冲区来解决问题。
反馈与更新：
- 链路旅行时间根据在定义时间片内离开链路的车辆的平均经历旅行时间进行动态更新，并使用指数平滑法。
- 系统支持独立执行以及与 iTLE 平台的紧密耦合，其中反馈（旅行时间、拥堵）被反馈给需求模型。目前的集成主要是单向的，即基于活动模型的需求直接分配给交通模拟器，尽管其架构允许未来进行双向反馈集成。

主要贡献

直接的智能体到网络加载： 该框架消除了将基于活动的需求转换为 TDOD 矩阵的需求，在整个仿真过程中保持了行程链、车辆分配和时间序列的完整性。
更精细的空间分辨率： 通过利用基于 CTM 的细胞方法，模型能够捕捉链路内的队列形成和回堵，提供了比传统链路级介观模型更高的空间分辨率，同时保持了对区域规模网络的可行计算性。
集成架构： iTLE-TSIM 既可以作为独立应用程序运行，也可以作为 iTLE 框架内紧密耦合的模块，促进了土地利用、活动生成与交通模拟之间的数据自动传输和反馈循环。
鲁棒性机制： 引入特定的稳定技术（进入门控、占用惩罚和周期恢复）解决了在处理具有高需求集中的大规模密集城市网络时，应用 CTM 常遇到的数值不稳定问题。

结果

该框架已在哈利法克斯（Halifax, Nova Scotia）的一个原型模型上进行了实现和测试，该模型涉及约 457,000 个智能体和 160 万项日常活动（包括 120 万次汽车出行）。

性能： 完整的仿真流水线（数据处理、执行和可视化）在约 3 小时 35 分钟内完成，其中仿真过程本身耗时 2 小伏 45 分钟。
视觉验证： 细胞占用图展示了真实的交通时间传播，显示了从非高峰到高峰时段（凌晨 4:00 至上午 9:00）拥堵的逐渐积累，以及主要走廊和桥梁入口处的队列形成。
对比分析：
- 对照 VISUM： iTLE-TSIM 的输出结果与现有的基于 VISUM 的基准模型表现出高度一致。视觉对比确认了模拟器能够重现交通加载的主要空间结构。
- 统计指标： 与 VISUM 基准模型相比，高峰时段体积（早高峰、中午、下午高峰）的比较得出 $R^2$ 值在 0.88 到 0.89 之间。平均 Geary E. Havers (GEH) 统计量范围在 7.50 到 10.00 之间。
- 对照观测数据： 与 56 个位置的观测交通计数相比，结果显示出合理的吻合度，特别是在早高峰（ $R^2=0.88$ , GEH=8.79）和下午高峰（ $R^2=0.88$ , GEH=7.96）期间。在中午高峰期间观察到了较大的偏差（GEH=10.16, 偏差为 -30.6%），作者将其归因于底层基于活动模型中的需求高估，而非交通仿真逻辑本身的失效。
空间表示： iTLE-TSIM 的基于坐标的加载被认为比 VISUM 基准模型使用的质心连接器（centroid-connector）方法能更真实地表示局部道路交通，后者往往会高估集散公路/干路的流量。

重要性与主张

本文将 iTLE-TSIM 定位为弥合离散化基于活动的需求建模与区域交通分配之间差距的实用解决方案。其主要意义在于其能够：

保留行为细节： 维持行程链中连续行程之间的联系以及所使用的特定车辆，而这在传统的 OD 分配中会丢失。
增强拥堵表示： 提供比标准介观模型更精细的空间分辨率，提供物理可解释的交通传播和回堵表示，且不具备微观仿真的计算负担。
减少对外部软件的依赖： 提供一种开放、集成的替代方案，以取代商业化宏观分配工具，减少数据转换误差和许可依赖。

作者将哈利法克斯的结果描述为对模型逻辑和原型性能的初步验证，而非完整的校准或验证。他们承认了目前的局限性，包括缺乏详细的交叉口控制建模，以及目前的集成主要是单向的（需求到供给），并指出未来的工作将侧重于全面校准、双向反馈集成以及公交乘客分配的纳入。