Кратко и по делу — сравнение подходов, выбор детализации и методы валидации.
1) Подходы: дискретно‑событийная (DES) vs агентная (ABM)
- DES (очереди, события: прибытие/выезд/смена фазы): проще, быстрая симуляция больших сетей, хорошо для оценки пропускной способности и управления сигналами. Ограничение: слабая детальность по взаимодействиям (плотное маневрирование, индивидуальные реакции).
- ABM / микроскопическая симуляция (транспортные агенты с моделями движения: car‑following, lane‑change, gap acceptance): высокая реалистичность поведения, моделирует гомогенные/гетерогенные водители, конфликтные ситуации, пешеходов, велосипеды. Минус — вычислительная стоимость и сложная калибровка.
- Гибрид: макро/мезо по магистралям + микро в критичных перекрёстках — компенсирует точность и скорость.
2) Выбор уровня детализации (алгоритм решения)
- Определите цель модели (проходная способность, задержка, безопасность, управление сигналами, влияние автоматизации).
- Оцените доступные данные и вычисресурсы.
- Правило: минимально необходимая детализация. Примеры:
- Макроскопически: поток/скорость/плотность для анализа сетевого уровня.
- Мезоскопически: групповые движения, кластеры, полезно при ограниченных данных.
- Микроскопически: отдельные траектории, поведение водителей — если нужны задержки, очереди, конфликтные манёвры, безопасность.
- Рекомендованные настройки временного шага для микромоделей: \(\Delta t = 0.1\mbox{–}0.5\ \mathrm{s}\) (для точной интеграции car‑following); для событийной модели можно использовать событийный режим (нет фикс. шага).
- Включайте только те поведенческие компоненты, которые влияют на целевые метрики: желаемая скорость, время реакции, ускорение/торможение, параметры смены полосы, принятие зазора, соблюдение сигналов.
3) Калибровка и валидация на реальных данных
- Источники данных: петлевые счётчики, видеопросчет (траектории/площадки), GPS/телематика, Bluetooth/Wi‑Fi, мобильные приложения, данные сигнализации (фазы/тайминги).
- Что сравнивать (метрики):
- Протяжённые: интенсивность (flow), средняя скорость, плотность.
- Интервальные/очередные: длина очереди, задержка (delay), время проезда (travel time), число остановок.
- Микроданные: распределения головой/интервалов, профиль скорости, траектории, gap‑acceptance.
- Функция ошибки/цели калибровки: минимизация взвешенной суммы квадратов ошибок или лог‑правдоподобия; пример — RMSE по потоку и задержке:
$$\mathrm{RMSE}=\sqrt{\frac{1}{N}\sum _{i=1}^N(y_i^{\mathrm{sim}}-y_i^{\mathrm{obs}}{)}^2}.$$ - Методы оптимизации: градиент‑независимые (Nelder–Mead, CMA‑ES), ЭВРИСТИКИ (генетические), байесовская калибровка / MCMC для оценки неопределённости.
- Статистическая валидация:
- Разделение данных: калибровка на одном наборе, валидация на другом (train/test) или перекрёстная проверка.
- Тесты на распределения: KS‑тест для интервалов, хи‑квадрат для счётчиков.
- Пороговые критерии (практически применимо): относительная ошибка по потоку/времени в пути \(\leq 10\%\mbox{–}15\%\) считается хорошей; для средней длины очереди средняя абсолютная ошибка \(\leq 1\mbox{–}2\) автомобиля часто приемлема — но пороги зависят от задачи.
- Непрерывный контроль: бутстрэп для доверительных интервалов параметров и прогнозов.
- Дополнительно: чувствительный анализ (визуализация влияния параметров), верификация логики модели (unit‑tests для правил движения), сценарная проверка (разные уровни спроса, аварии).
- Валидация траекторий: сравните пространственно‑временные диаграммы и вычислите RMSE по позициям/скоростям для отдельных транспортных средств.
4) Практические рекомендации
- Начните с простого (DES или мезо) для проверки архитектуры, затем локально детализируйте в ключевых перекрёстках (микро).
- Собирать специальные полевые данные для ключевых поведенческих параметров (например, gap‑acceptance при повороте налево).
- Используйте автоматизированную калибровку с многоцелевой функцией (flow + delay + queue), оценивайте неопределённость параметров.
- Документируйте допущения и диапазоны применимости модели.
Если нужно, могу предложить конкретный набор параметров для калибровки и пример функции ошибки для вашей задачи — укажите цель моделирования и доступные данные.