基于TRANSIMS的交通流模拟与分析研究
韦兰香
摘 要： 对交通流进行准确模拟和预测分析，实现交通路网评估，可治理交通拥堵。提出一种基于TRANSIMS的交通流模拟和分析模型，构建交通路网拥堵评估模型，根据车辆的RFID标签信息进行位置信息编码，采用最大Lyapunove指数预测算法进行交通流预测，实现路网节点负载容量的准确估计分析。在TRANSIMS场景中进行试验分析，试验结果表明，该模型适用于大规模的交通流模拟和预测评估，获得了较高的道路负载吞吐效益和速度效益。
关键词： TRANSIMS； 交通流； 路网； 负载吞吐量
中图分类号： TN911?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）03?0136?04
Research on traffic flow simulation and analysis based on TRANSIMS
WEI Lanxiang
（School of Physics and Mechatronics Engineering， Hechi University， Yizhou 546300， China）
Abstract： In order to perform the accurate simulation and prediction analysis of the traffic flow， evaluate the traffic network， and govern the traffic jams， a traffic flow simulation and analysis model based on TRANSIMS is proposed. The jam assessment model of the traffic network was constructed. The position information is coded according to the RFID tag information of the vehicle. The maximum Lyapunove exponent prediction algorithm is used to predict the traffic flow to analyze the accurate estimation of the load capacity of the traffic network nodes. The model was performed with experimental analysis in TRANSIMS scene. The experimental results show that the model is suitable for the large?scale traffic flow simulation and prediction evaluation， and has acquired the high road throughput efficiency and speed benefit.
Keywords： TRANSIMS； traffic flow； road network； load throughput
0 引 言
对交通流进行模拟分析是解决道路交通调度和交通流量预测的有效方法之一。道路上车辆疏导过程为一个实体行为，有效反应了道路交通流的特征信息。对道路交通信息流进行特征提取和分布式并行微观交通仿真分析，可应用在大规模的交通网络中，实现对道路交通状态的准确预测，为在线交通状态管理提供可靠信息[1]。
在大规模的城市交通网络中，随着车辆实体数目的增多和道路路网的复杂性因素影响增大，当前的交通流模拟方法无法有效模拟交通实体和道路吞吐性能的实际情况，且计算超过了实际运行时间，导致对交通预测和调度的实时性不好[2]。在采用TSP仿真技术进行道路路网模型构建和交通信息流预测过程中，不能有效反应道路交通车辆信息的动态变化，对车辆和道路的规划实时性不好[3]。在运用基于动态负载平衡调度的方法实现交通仿真模型的过程中，仅对OD流量模型做最简化的处理，不能准确分析路网结构与交通拥堵之间的动态关系[4]。
针对上述问题，提出一种基于TRANSIMS的交通流模拟和分析模型，实现交通流的模拟仿真和分析优化。
1 模型构建与信息提取
1.1 交通路网拥堵评估模型
交通路网拥堵评估模型建立在复杂网络理论和路段阻抗模型基础上，可以用Small?World模型表示交通路网结构[5]，网络节点连接的拓扑结构采用一个5元组表示一个路段，即有向图中的一条边，如下所示：
[Edge=StartID，EndID，ca，xa，ta] （1）
式中：[ca]表示交通路网中的交通设施实体模型；[xa]表示单行路连接动态特性；Edge表示一条有向边；StartID表示道路的几何特性；EndID表示道路上车辆的RFID信息。
根据路网的整体状态信息，路段的阻抗动态更新，更新权重记为[xa。]Small?World模型中交通路网的流量[xa<ca]时，有向边的信息准确反映实际通行能力[6]。基于small?world模型的交通路网拥堵评估模型示意图如图1所示。
设有每条边上的测试车辆为[A1，][A2，]…，[An，]每个节点变量结构分别表示为[a1，][a2，]…，[an，]同时有[n]个目标地点[B1，][B2，]…，[Bn，]在交通路网中目标地点的交通流流量负载记为[b1，][b2，]…，[bn，][Cij]表示记录车辆[Ai]经过测试目标地点[Bj]的速度，[Xij]是决策变量。Small?World模型的车辆流量模拟问题数学表达为：
[min（f）=i=1mj=1nCijXij]
s.t.[ j=1mXij=ai， i=1，2，…，mi=1mXij=bi， j=1，2，…，nXij≥0， i=1，2，…，m； j=1，2，…，n] （2）
若在交通流模拟问题中没有负载平衡这一限制，根据不同限速车道的交通流流量，对车辆密度信息进行自适应权衡调度，满足[i=1mai>j=1nbj，]则更改数学模型表示如下：
[j=1nxij≤ai， i=1，2，…，mi=1nxij=bj， j=1，2，…，nxij≥0， i=1，2，…，m；j=1，2，…，n] （3）
任一组变量[Xij（i=1，2，…，m； j=1，2，…，n）]的值，根据交通流的预测估计值判断交通拥堵级别，计算浮动车辆的平均速度，使目标函数[S=j=1ni=1mCijXij]的值最小，即交通擁堵级别达到最小，达到平衡。
在云网格中构建交通路网拥堵评估模型，采用网格并行计算方法进行负载迁移，得到云网格中的交通流均衡模型如图2所示。
1.2 交通流信息特征提取
在并行微观交通路网模型中，交通流的评估模型由车辆和道路两部分组成，在路网中表现为节点和边，根据路网分割得到节点的集合表示：
[V={v1，v2，v3，…，vN}] （4）
式中：[N]为Small?World模型中车辆节点的个数，边的集合为：
[E={e1，e2，e3，…，eM}] （5）
式中[M]为边的个数。
通过自适应寻优算法执行车辆更新、交叉口及路段状态的选择，进行网络系统拓扑路径寻优，得到有效负载迁移量寻优路径为：
[ta=t0a1+Jxa（ca-xa）] （6）
式中：[J]为闲置状态各节点的通行能力；[t0a]为等待阻塞系数；[ca]为簇内节点的个数。
根据节点在路段内不同车道上的实际通行能力，当满足[xa=ca，]根据RFID标签信息进行位置信息编码[7]，综合车辆密度信息和编码信息进行信息特征提取，准确判断路面上的车辆密度，交通流信息特征提取的系统模型如图3所示。
根据交通流信息特征提取结果，能够准确、实时地检测道路上每条车道上的车辆密度：
[ρlane-i=Ni2R] （7）
式中：[i]表示第[i]条车道；[Ni]为车辆密度信息；[R]表示对向车道的邻居信息。
2 模型具体的实现
根据路面交通态势信息进行交通流模拟，道路上行驶的车辆节点根据车辆的RFID标签信息进行位置信息编码[8]，根据节点在路段内不同车道上的交通态势排序，最小ID号作为簇头，得到交通路网中的聚簇示意图如图4所示。
通过簇内处理，采用最大Lyapunove指数预测算法进行交通流预测，得到在同一条道路上车辆聚簇的生命期为：
[wj=λjwjj=1nλjwj] （8）
式中[λj]为簇内通信节点的客观权重。
考虑到道路的拓扑结构空时加权，采用最大Lyapunove指数预测[9]，得到簇头节点的ID拥塞程度为：
[v簇=i=1Lj=1NiηivijNi] （9）
式中：[vij]为簇内第[i]条车道上第[j]辆车的绝对位置坐标；[wi]为第[i]车道上路段位置的分簇信息，且[i=1Nηi=1]。
通过实际测量获得节点[Ai]（车辆或路边设施）的平均速度[REPi，]更改簇ID，得到交通流的速度大小：
[mi=MSG_REPDτSNAdataPossensidToken] （10）
考虑到道路的网格坐标[（x，y）]和车辆的速度相对关系，通过不同延迟容忍度进行邻居节点的信息加权，道路拥堵的失效过载比为：
[eij=p1（i）?p2（j+1）?p3（ij）] （11）
式中：[p1（i）]为簇内通信节点的总负载；[p2（j+1）]为路网模型中车辆路径规划分布概率。
对路网模型中所有的云网格节点进行均匀遍历，得到车辆密度与拥塞程度关系：
[Zk=wkAT=j=1nwkj?aij，i=1，2，…，m] （12）
式中：[A=aijm×n]为拥堵预测控制目标函数矩阵。
考虑车辆在行驶过程中的变道情况，簇头周期性地广播信息包（member packet，MEP）[10]，在簇前的初始阶段，节点称为孤立节点，MEP中包含有簇头ID信息，基于RFID进行路段位置和车道信息的编码，确定车辆的当前位置，车辆信息标定和交通流模拟的聚簇流程，如图5所示。
结合交通流的运动方向、速度大小等信息参量可获得簇内的车辆密度为：
[ρcluster=i=1Lρlane-iL] （13）
节点把自己的ID设定为簇ID，相邻节点机的数目为[n]，邻居节点速度测量集合为[N1，N2，…，Nn，]有车辆簇存在的场景中，交通流的负载与性能分别为[L1，L2，…，Ln]和[Pmin1，Pmin2，…，Pminn，]交通流预测的执行时间为[t0，]负载为[L0。]簇头根据车辆密度和路面速度，在孤立节点周期性地广播请求后，等待时间[t0]和[tj]相等，迁移的负载量为[Lt，]在交通流拥堵级别一致的情况下，等待时间为：
[t0=L0-LtPmin0=Lj+LtPmint=tj] （14）
对[Lt]求解可得：
[Lt=L0Pminj-LjPmin0Pmin0+Pminj] （15）
根据节点在路段内不同车道上的分布计算出迁移的负载量。采用最大Lyapunove指数预测算法，引入系数[c]来修正车辆簇的负载迁移量[Lt，][c]的取值主要取决于路段的交通态势，得到相邻节点机数[nj。]取[c=1nj，]道路交通流的有效预测结果为：
[Lefft=1njL0Pminj-LjPmin0Pmin0+Pminj] （16）
计算出路面的空间加权平均速度，迁移负载与其负载相差最大的相邻节点机，同时不会出现迁移过度现象。随着迁移负载的变化，车流量的增长造成拥堵，当相邻节点迁移负载阻抗无穷大时，车辆密度较大，信息传送成功的概率为0，表明该条道路完全被堵死，车辆无法通行，根据道路交通流的速度和拥堵程度等信息特征，实现防拥堵车辆路径规划及交通流模拟分析。
3 仿真测试
在TRANSIMS仿真场景中进行仿真分析，道路交通流模拟的仿真场景如图6所示。TRANSIMS中仿真时长为300 ticks，在16台节点机局域网上模拟交通实体节点，节点间传输速率为0.5 Mb/s，设定道路为双向两车道单向行驶，道路的路宽为1 unit，路面长度为120 patches。
根据上述仿真场景和参数设定进行交通流模拟和车流检测，不同场景下的交通流检测结果如图7 所示。
从交通流模拟和检测结果可见，在畅通场景下，每车道车辆密度低于30 辆/km，车辆速度保持在70 km/h以上；在轻度拥堵场景下，车辆密度保持在30～40 辆/km，车辆速度在50～80 km/h；在中度拥堵场景下，车辆密度为40～50 辆/km，速度为20～40 km/h；在重度拥堵场景下，车辆密度较大，在50 辆/km以上，车流速度缓慢，低于40 km/h。分析上述结果得知，通过本文方法能有效模拟交通流信息，对路面速度、车辆密度与拥塞程度的关系具有较高的特征反馈能力，通过对交通流的实时预测和调度，能有效提高车流速度和道路吞吐性能，避免拥堵。
4 结 语
对交通流采用微观模拟和分析方法是解决道路交通调度和交通流量预测的有效方法之一，为了实现交通路网评估，治理交通拥堵，提出基于TRANSIMS的交通流模拟和分析模型，在TRANSIMS仿真场景中进行仿真分析，实现对畅通场景、轻度拥堵场景、中度拥堵场景和重度拥堵场景下的交通流模拟和预测分析，展示了其准确性和有效性。
参考文献
[1] SHEN W， WYNTER L. A new one?level convex optimization approach for estimating origin： destination demand [J]. Transportation research part B： methodological， 2012， 46（10）： 1535?1555.
[2] 陈秀锋，许洪国，倪安宁.并行微观交通动态负载平衡预测方法仿真[J].计算机仿真，2013，30（8）：164?168.
[3] SUN Huijun， ZHANG Hui， WU Jianjun. Correlated scale?free network with community： modeling and transportation dynamics [J]. Nonlinear dynamics， 2012， 69（4）： 2097?2104.
[4] 王光浩，吴越.一种车载自组织网络路况信息的数据信任模型[J].计算机科学，2014，41（6）：89?93.
[5] MARFIA G.， ROCCETTI M. Vehicular congestion detection and short?term forecasting： a new model with results [J]. IEEE transactions on vehicular technology， 2011， 60（7）： 2936?2948.
[6] MANDAL K， SEN A， CHAKRABORTY A， et al. Road traffic congestion monitoring and measurement using active RFID and GSM technology [C]// Proceedings of 2011 the 14th IEEE Conference on Intelligent Transportation Systems. Washington， D. C.： IEEE， 2011： 1375?1379.
[7] 张子龙，薛静，乔鸿海，等.基于改进SURF算法的交通视频车辆检索方法研究[J].西北工业大学学报，2014，32（2）：297?301.
[8] 许晓玲.基于物联网模糊评估的大型交通车辆调度模型研究[J].科技通报，2013，29（10）：189?192.
[9] 彭丽英.改进滑模干扰控制律交通数据反步融合算法[J].控制工程，2014，21（4）：515?519.
[10] 芮兰兰，李钦铭.基于组合模型的短时交通流量预测算法[J].电子与信息学报，2016，38（5）：1227?1233.
摘 要： 对交通流进行准确模拟和预测分析，实现交通路网评估，可治理交通拥堵。提出一种基于TRANSIMS的交通流模拟和分析模型，构建交通路网拥堵评估模型，根据车辆的RFID标签信息进行位置信息编码，采用最大Lyapunove指数预测算法进行交通流预测，实现路网节点负载容量的准确估计分析。在TRANSIMS场景中进行试验分析，试验结果表明，该模型适用于大规模的交通流模拟和预测评估，获得了较高的道路负载吞吐效益和速度效益。
关键词： TRANSIMS； 交通流； 路网； 负载吞吐量
中图分类号： TN911?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）03?0136?04
Research on traffic flow simulation and analysis based on TRANSIMS
WEI Lanxiang
（School of Physics and Mechatronics Engineering， Hechi University， Yizhou 546300， China）
Abstract： In order to perform the accurate simulation and prediction analysis of the traffic flow， evaluate the traffic network， and govern the traffic jams， a traffic flow simulation and analysis model based on TRANSIMS is proposed. The jam assessment model of the traffic network was constructed. The position information is coded according to the RFID tag information of the vehicle. The maximum Lyapunove exponent prediction algorithm is used to predict the traffic flow to analyze the accurate estimation of the load capacity of the traffic network nodes. The model was performed with experimental analysis in TRANSIMS scene. The experimental results show that the model is suitable for the large?scale traffic flow simulation and prediction evaluation， and has acquired the high road throughput efficiency and speed benefit.
Keywords： TRANSIMS； traffic flow； road network； load throughput
0 引 言
对交通流进行模拟分析是解决道路交通调度和交通流量预测的有效方法之一。道路上车辆疏导过程为一个实体行为，有效反应了道路交通流的特征信息。对道路交通信息流进行特征提取和分布式并行微观交通仿真分析，可应用在大规模的交通网络中，实现对道路交通状态的准确预测，为在线交通状态管理提供可靠信息[1]。
在大规模的城市交通网络中，随着车辆实体数目的增多和道路路网的复杂性因素影响增大，当前的交通流模拟方法无法有效模拟交通实体和道路吞吐性能的实际情况，且计算超过了实际运行时间，导致对交通预测和调度的实时性不好[2]。在采用TSP仿真技术进行道路路网模型构建和交通信息流预测过程中，不能有效反应道路交通车辆信息的动态变化，对车辆和道路的规划实时性不好[3]。在运用基于动态负载平衡调度的方法实现交通仿真模型的过程中，仅对OD流量模型做最简化的处理，不能准确分析路网结构与交通拥堵之间的动态关系[4]。
针对上述问题，提出一种基于TRANSIMS的交通流模拟和分析模型，实现交通流的模拟仿真和分析优化。
1 模型构建与信息提取
1.1 交通路网拥堵评估模型
交通路网拥堵评估模型建立在复杂网络理论和路段阻抗模型基础上，可以用Small?World模型表示交通路网结构[5]，网络节点连接的拓扑结构采用一个5元组表示一个路段，即有向图中的一条边，如下所示：
[Edge=StartID，EndID，ca，xa，ta] （1）
式中：[ca]表示交通路网中的交通设施实体模型；[xa]表示单行路连接动态特性；Edge表示一条有向边；StartID表示道路的几何特性；EndID表示道路上车辆的RFID信息。
根据路网的整体状态信息，路段的阻抗动态更新，更新权重记为[xa。]Small?World模型中交通路网的流量[xa<ca]时，有向边的信息准确反映实际通行能力[6]。基于small?world模型的交通路网拥堵评估模型示意图如图1所示。
设有每条边上的测试车辆为[A1，][A2，]…，[An，]每个节点变量结构分别表示为[a1，][a2，]…，[an，]同时有[n]个目标地点[B1，][B2，]…，[Bn，]在交通路网中目标地点的交通流流量负载记为[b1，][b2，]…，[bn，][Cij]表示记录车辆[Ai]经过测试目标地点[Bj]的速度，[Xij]是决策变量。Small?World模型的车辆流量模拟问题数学表达为：
[min（f）=i=1mj=1nCijXij]
s.t.[ j=1mXij=ai， i=1，2，…，mi=1mXij=bi， j=1，2，…，nXij≥0， i=1，2，…，m； j=1，2，…，n] （2）
若在交通流模拟问题中没有负载平衡这一限制，根据不同限速车道的交通流流量，对车辆密度信息进行自适应权衡调度，满足[i=1mai>j=1nbj，]则更改数学模型表示如下：
[j=1nxij≤ai， i=1，2，…，mi=1nxij=bj， j=1，2，…，nxij≥0， i=1，2，…，m；j=1，2，…，n] （3）
任一组变量[Xij（i=1，2，…，m； j=1，2，…，n）]的值，根据交通流的预测估计值判断交通拥堵级别，计算浮动车辆的平均速度，使目标函数[S=j=1ni=1mCijXij]的值最小，即交通擁堵级别达到最小，达到平衡。
在云网格中构建交通路网拥堵评估模型，采用网格并行计算方法进行负载迁移，得到云网格中的交通流均衡模型如图2所示。
1.2 交通流信息特征提取
在并行微观交通路网模型中，交通流的评估模型由车辆和道路两部分组成，在路网中表现为节点和边，根据路网分割得到节点的集合表示：
[V={v1，v2，v3，…，vN}] （4）
式中：[N]为Small?World模型中车辆节点的个数，边的集合为：
[E={e1，e2，e3，…，eM}] （5）
式中[M]为边的个数。
通过自适应寻优算法执行车辆更新、交叉口及路段状态的选择，进行网络系统拓扑路径寻优，得到有效负载迁移量寻优路径为：
[ta=t0a1+Jxa（ca-xa）] （6）
式中：[J]为闲置状态各节点的通行能力；[t0a]为等待阻塞系数；[ca]为簇内节点的个数。
根据节点在路段内不同车道上的实际通行能力，当满足[xa=ca，]根据RFID标签信息进行位置信息编码[7]，综合车辆密度信息和编码信息进行信息特征提取，准确判断路面上的车辆密度，交通流信息特征提取的系统模型如图3所示。
根据交通流信息特征提取结果，能够准确、实时地检测道路上每条车道上的车辆密度：
[ρlane-i=Ni2R] （7）
式中：[i]表示第[i]条车道；[Ni]为车辆密度信息；[R]表示对向车道的邻居信息。
2 模型具体的实现
根据路面交通态势信息进行交通流模拟，道路上行驶的车辆节点根据车辆的RFID标签信息进行位置信息编码[8]，根据节点在路段内不同车道上的交通态势排序，最小ID号作为簇头，得到交通路网中的聚簇示意图如图4所示。
通过簇内处理，采用最大Lyapunove指数预测算法进行交通流预测，得到在同一条道路上车辆聚簇的生命期为：
[wj=λjwjj=1nλjwj] （8）
式中[λj]为簇内通信节点的客观权重。
考虑到道路的拓扑结构空时加权，采用最大Lyapunove指数预测[9]，得到簇头节点的ID拥塞程度为：
[v簇=i=1Lj=1NiηivijNi] （9）
式中：[vij]为簇内第[i]条车道上第[j]辆车的绝对位置坐标；[wi]为第[i]车道上路段位置的分簇信息，且[i=1Nηi=1]。
通过实际测量获得节点[Ai]（车辆或路边设施）的平均速度[REPi，]更改簇ID，得到交通流的速度大小：
[mi=MSG_REPDτSNAdataPossensidToken] （10）
考虑到道路的网格坐标[（x，y）]和车辆的速度相对关系，通过不同延迟容忍度进行邻居节点的信息加权，道路拥堵的失效过载比为：
[eij=p1（i）?p2（j+1）?p3（ij）] （11）
式中：[p1（i）]为簇内通信节点的总负载；[p2（j+1）]为路网模型中车辆路径规划分布概率。
对路网模型中所有的云网格节点进行均匀遍历，得到车辆密度与拥塞程度关系：
[Zk=wkAT=j=1nwkj?aij，i=1，2，…，m] （12）
式中：[A=aijm×n]为拥堵预测控制目标函数矩阵。
考虑车辆在行驶过程中的变道情况，簇头周期性地广播信息包（member packet，MEP）[10]，在簇前的初始阶段，节点称为孤立节点，MEP中包含有簇头ID信息，基于RFID进行路段位置和车道信息的编码，确定车辆的当前位置，车辆信息标定和交通流模拟的聚簇流程，如图5所示。
结合交通流的运动方向、速度大小等信息参量可获得簇内的车辆密度为：
[ρcluster=i=1Lρlane-iL] （13）
节点把自己的ID设定为簇ID，相邻节点机的数目为[n]，邻居节点速度测量集合为[N1，N2，…，Nn，]有车辆簇存在的场景中，交通流的负载与性能分别为[L1，L2，…，Ln]和[Pmin1，Pmin2，…，Pminn，]交通流预测的执行时间为[t0，]负载为[L0。]簇头根据车辆密度和路面速度，在孤立节点周期性地广播请求后，等待时间[t0]和[tj]相等，迁移的负载量为[Lt，]在交通流拥堵级别一致的情况下，等待时间为：
[t0=L0-LtPmin0=Lj+LtPmint=tj] （14）
对[Lt]求解可得：
[Lt=L0Pminj-LjPmin0Pmin0+Pminj] （15）
根据节点在路段内不同车道上的分布计算出迁移的负载量。采用最大Lyapunove指数预测算法，引入系数[c]来修正车辆簇的负载迁移量[Lt，][c]的取值主要取决于路段的交通态势，得到相邻节点机数[nj。]取[c=1nj，]道路交通流的有效预测结果为：
[Lefft=1njL0Pminj-LjPmin0Pmin0+Pminj] （16）
计算出路面的空间加权平均速度，迁移负载与其负载相差最大的相邻节点机，同时不会出现迁移过度现象。随着迁移负载的变化，车流量的增长造成拥堵，当相邻节点迁移负载阻抗无穷大时，车辆密度较大，信息传送成功的概率为0，表明该条道路完全被堵死，车辆无法通行，根据道路交通流的速度和拥堵程度等信息特征，实现防拥堵车辆路径规划及交通流模拟分析。
3 仿真测试
在TRANSIMS仿真场景中进行仿真分析，道路交通流模拟的仿真场景如图6所示。TRANSIMS中仿真时长为300 ticks，在16台节点机局域网上模拟交通实体节点，节点间传输速率为0.5 Mb/s，设定道路为双向两车道单向行驶，道路的路宽为1 unit，路面长度为120 patches。
根据上述仿真场景和参数设定进行交通流模拟和车流检测，不同场景下的交通流检测结果如图7 所示。
从交通流模拟和检测结果可见，在畅通场景下，每车道车辆密度低于30 辆/km，车辆速度保持在70 km/h以上；在轻度拥堵场景下，车辆密度保持在30～40 辆/km，车辆速度在50～80 km/h；在中度拥堵场景下，车辆密度为40～50 辆/km，速度为20～40 km/h；在重度拥堵场景下，车辆密度较大，在50 辆/km以上，车流速度缓慢，低于40 km/h。分析上述结果得知，通过本文方法能有效模拟交通流信息，对路面速度、车辆密度与拥塞程度的关系具有较高的特征反馈能力，通过对交通流的实时预测和调度，能有效提高车流速度和道路吞吐性能，避免拥堵。
4 结 语
对交通流采用微观模拟和分析方法是解决道路交通调度和交通流量预测的有效方法之一，为了实现交通路网评估，治理交通拥堵，提出基于TRANSIMS的交通流模拟和分析模型，在TRANSIMS仿真场景中进行仿真分析，实现对畅通场景、轻度拥堵场景、中度拥堵场景和重度拥堵场景下的交通流模拟和预测分析，展示了其准确性和有效性。
参考文献
[1] SHEN W， WYNTER L. A new one?level convex optimization approach for estimating origin： destination demand [J]. Transportation research part B： methodological， 2012， 46（10）： 1535?1555.
[2] 陈秀锋，许洪国，倪安宁.并行微观交通动态负载平衡预测方法仿真[J].计算机仿真，2013，30（8）：164?168.
[3] SUN Huijun， ZHANG Hui， WU Jianjun. Correlated scale?free network with community： modeling and transportation dynamics [J]. Nonlinear dynamics， 2012， 69（4）： 2097?2104.
[4] 王光浩，吴越.一种车载自组织网络路况信息的数据信任模型[J].计算机科学，2014，41（6）：89?93.
[5] MARFIA G.， ROCCETTI M. Vehicular congestion detection and short?term forecasting： a new model with results [J]. IEEE transactions on vehicular technology， 2011， 60（7）： 2936?2948.
[6] MANDAL K， SEN A， CHAKRABORTY A， et al. Road traffic congestion monitoring and measurement using active RFID and GSM technology [C]// Proceedings of 2011 the 14th IEEE Conference on Intelligent Transportation Systems. Washington， D. C.： IEEE， 2011： 1375?1379.
[7] 张子龙，薛静，乔鸿海，等.基于改进SURF算法的交通视频车辆检索方法研究[J].西北工业大学学报，2014，32（2）：297?301.
[8] 许晓玲.基于物联网模糊评估的大型交通车辆调度模型研究[J].科技通报，2013，29（10）：189?192.
[9] 彭丽英.改进滑模干扰控制律交通数据反步融合算法[J].控制工程，2014，21（4）：515?519.
[10] 芮兰兰，李钦铭.基于组合模型的短时交通流量预测算法[J].电子与信息学报，2016，38（5）：1227?1233.
