Коротко — два подхода решают разные задачи. Ниже — сравнение по точности, затратам вычислений и применимости к планированию, а также конкретные практики валидации и анализ чувствительности/неопределённостей.

1) Что это за подходы (очень кратко)

Агентная (микроскопическая) модель: модель каждого транспортного средства (позиции, скорость, манёвры), поведение водителей (следование, перестроения, выбор маршрута). Примеры: SUMO, MATSim, Aimsun, PTV Vissim.Агрегированная (макродинамическая) модель потока: потоковые уравнения/сети (LWR, CTM, MFD, четырехпараграммные модели) описывают плотность, поток и скорость как непрерывные величины; часто используются модели динамического распределения спроса (DTA) и транспортные сети в виде уравнений сохранения потока.

2) Точность

Агентная:
Сильные стороны: высокая локальная точность — хорошо моделирует очереди на перекрёстках, влияние сигнализации, индивидуальные манёвры, распределение по полосам, стоп-линии, взаимодействия на микроуровне. Может воспроизводить распределения (не только средние) времени в пути, задержек и пробок.Ограничения: зависит от точности поведенческих моделей (car-following, lane-change, маршрутизация). Ошибки в параметрах приводят к локальным артефактам.Агрегированная:
Сильные стороны: корректно описывает массовые явления (формирование/распад пробок, средние потоки/скорости, системные эффекты). Хороша для средних/долгосрочных показателей по сети.Ограничения: теряется детальная информация (размер очереди на конкретной полосе, микроскопические эффекты); некоторые нелинейности и распределения не воспроизводятся.

3) Затраты вычислений и масштабируемость

Агентная:
Высокие вычислительные затраты, особенно при большом числе агентов и детализированной модели поведения. Требует тонкой сетки по времени (0.1–1 с).Для сценариев/анализов чувствительности требуется многократное прогоняние (стохастичность) → большие затраты.Можно параллелить по репликам или разрезать сеть (не всегда тривиально); возможен GPU/кластер.Агрегированная:
Значительно дешевле по ресурсам; шаг во времени может быть больше (сек/мин), численные схемы проще.Легче масштабируется на весь город/регион и годовые/долгосрочные расчёты и оптимизацию.Подходит для большого числа сценариев.

4) Применимость к задачам планирования

Когда выбирать агентную модель:
Оценка изменений на уровне перекрёстков/выделенных полос, влияние сигнализации, детальный анализ инженерных мер (повороты, разметка), микроскопические воздействия (автономные автомобили, интеллектуальные светофоры), «last-mile» проекты.Анализ распределений (времён в пути, плотностей), оперативное моделирование и тестирование правил проезда.Когда выбирать агрегированную модель:
Стратегическое планирование, оценка долгосрочных инвестиций, сценарное моделирование городского движения (влияние крупных инфраструктурных изменений), на уровне кварталов/районов/города.Быстрая оценка множества сценариев, где важны средние показатели (общее время в пути, суммарные задержки, общая пропускная способность).Часто оптимально гибридное/мультиуровневое решение:
Макро для всего города + микро для зон интереса (вложенные, конвергенция между уровнями). Или использовать макро для первоначального отбора сценариев, микро — для детальной проверки.

5) Процедуры валидации (пошагово)

Сбор данных:
Источники: петлевые датчики, счетчики, GPS/телеметрия, Bluetooth/Wi‑Fi треки, мобильные данные, видеоаналитика, сборы с общественного транспорта.Данные для валидации должны быть независимы от данных, использованных для калибровки (hold-out).Калибровка (подгон параметров):
Агентная: параметры поведения (временные головы, ускорение, амплитуда перестроений, параметры маршрутизации), вероятностные параметры. Методы: градиентные/неградиентные оптимизаторы, simulated annealing, генетические алгоритмы, байесовская калибровка / MCMC.Агрегированная: параметры FD (fundamental diagram), скоростные зависимости, пропускные способности, параметры MFD.Валидация:
Проверять разные уровни: поток/плотность/скорость по датчикам; среднее и распределение времени в пути (origin-destination); длину очередей на ключевых участках; пропускные способности в пиковые периоды; пространственно-временные диаграммы (спид/плотность).Метрики: RMSE, MAE, MAPE, R^2, GEH statistic (популярный в транспортной практике: GEH = sqrt(2*(M-O)^2/(M+O))), KS-test для распределений, сравнение матриц O-D (например, root mean square error по матрицам), вероятностные валидации (coverage of confidence intervals).Валидация временной устойчивости: тест на разных днях/сезонах.Важный элемент — визуальная валидация: временно-пространственные диаграммы накопления/выгрузки трафика (space–time diagrams), карты задержек.Верификация кода и модельной логики: unit-тесты для подсистем, воспроизводимость сценариев.

6) Чувствительность к неопределённостям и методы анализа

Что частично вызывает неопределённость:
Параметры поведения (аварийные дистанции, реакция на сигналы), параметры сетевой структуры (ночные/дневные изменения), входной спрос (OD), доля маршрутизируемого трафика, погодные условия, непредвиденные события (инциденты), модели распределения спроса в будущем.Методы анализа чувствительности:
Локальный (one-at-a-time): прост, но не учитывает нелинейности и взаимодействия.Глобальный: Morris screening (сравнительно дешёв и выявляет важные факторы), Sobol' индексы (доля вариации, учитывает взаимодействия), FAST. Эти методы требуют множества прогонов — для микромоделей лучше использовать суррогатные модели.Учет стохастичности:
Для агентных моделей необходимо прогонять несколько реплик и усреднять показатели; оценивать дисперсии результатов.Неструктурная неопределённость:
Сценарный анализ (пессимистичный/базовый/оптимистичный), стресс-тесты, анализ чувствительности на альтернативные предположения о поведении маршрутизации.Ускорение анализа:
Построение метамоделей/суррогатов (Gaussian Process, polynomial chaos, случайный лес) для аппроксимации ответов модели и затем проведения Sobol/Morris на суррогате.Latin Hypercube Sampling или Quasi-Monte Carlo для эффективности выборки.Рекомендации по приоритетам:
Сначала провести скриннинг (Morris) для выявления ключевых параметров, затем глубокий глобальный анализ (Sobol) для выбранных параметров.

7) Включение неопределённостей в принятие решений

Представлять результаты в виде диапазонов/доверительных интервалов, не только точечных оценок.Value of Information (VoI): помогает оценить, окупится ли сбор дополнительных данных (напр., сенсоров).Робастное планирование: выбирать меры, которые дают приемлемые результаты по множеству реалистичных сценариев.

8) Практические рекомендации при выборе подхода

Если задача — детально оценить влияние изменений на конкретные перекрёстки, полосы, ПТТ, смоделировать новые правила движения или тестировать поведение АВ — используйте агентную модель + тщательная калибровка.Если задача — стратегическая оценка сети, приоритизация крупных инвестиций, анализ больших наборов сценариев и долгосрочное планирование — используйте агрегированную/динамическую модель.Для баланса: макро-модель для отбора сценариев + микро-модель для детальной проверки критичных сценариев; либо гибридная мультиуровневая модель.Если вычислительные ресурсы ограничены: агрегированная модель или суррогат для чувствительности; использовать облака/кластер для множества прогонов микромодели.

9) Типовая валидационная/чувствительная процедура (шаблон)

Сбор и предобработка данных (детекции, O-D, GPS).Построение базовой модели (макро или микро).Калибровка под ключевые показатели (поток, средняя скорость, travel time).Валидация на независимом наборе данных; отчёт по метрикам.Скриннинг чувствительности → глобальный анализ на ключевых параметрах.Сценарный анализ (желаемые/крайние сценарии).Представление результатов как распределений/интервалов; рекомендации с учётом неопределённости.

10) Заключение (ключевые мысли)

Агентные модели дают яркую детализированную картину, но дороги по ресурсам и чувствительны к параметрам поведения; хороши для локальных и оперативных задач.Агрегированные модели быстрее, стабильнее на масштабе города и пригодны для стратегического анализа, но упускают микроэффекты.Валидация, глобальная чувствительность и представление неопределённостей необходимы в обоих подходах; при ограниченных ресурсах комбинируйте макро + микро и используйте суррогаты/скриннинг для эффективного анализа.

Если нужно, могу:

Привести конкретный пример валидации (пошагово) для выбранного города/участка.Предложить набор метрик и целевых порогов для калибровки.Показать шаблон экспериментального плана для анализа чувствительности (число прогонов, LHS, Morris/Sobol).