车道一封，实时需求校准反而更准：网格网络第10天密度误差比LimEKF低63%
核心概要
一种把数据驱动需求预测网络与黑箱微观交通仿真器双向耦合的实时OD需求校准框架，用可解析的元模型代替仿真器回传梯度，使网络参数和需求估计随时间步同步更新。在3×3网格网络中，第10天B1C1车道于4小时封闭后，该框架密度MSE为21.6 [veh/km]2，比LimEKF的57.9 [veh/km]2低63%；在东京高速走廊2021年奥运交通管理日，带在线更新的版本MSE为0.66 [veh/km]2，LimEKF为1.15 [veh/km]2。
深度剖析
实时OD需求校准不再需要反复调用仿真器做迭代优化，而是让预测网络与仿真器在每个5分钟时间步内互相交换信息。 此前的在线校准以通用优化和滤波算法为主，例如LimEKF用预先算好的固定增益矩阵替代在线卡尔曼增益更新；这类方法在拥堵和突发扰动下适应性有限。 在3×3网格网络中，第10天4小时封闭B1C1车道后，该框架密度MSE为21.6 [veh/km]2，LimEKF为57.9 [veh/km]2，降幅63%；而在前5天适应期，该框架为40.0 [veh/km]2，高于LimEKF的29.4 [veh/km]2。
梯度不必穿过不可微的微观仿真器，而是经由一个静态交通分配元模型回传，元模型与仿真器之间的偏差作为误差项进入损失。 微观仿真器是黑箱且随机，标准反向传播无法直接使用；已有做法把校准改写为对抗式分布匹配，需要反复仿真，难以用于实时。 元模型以拥堵密度、通行能力、车道数和路径走行时间描述需求与检测密度的关系，计算量随网络规模线性增长；同一元模型还用于离线预训练，为在线更新提供初始参数。
网络参数每个时间步只做一次梯度下降，并对梯度做裁剪，以抑制密度观测噪声引起的剧烈更新。 若每个时间步内多次迭代，计算量成比例增加，且会过拟合该步仅有的一次带噪观测。 损失采用密度而非流量，因为流量—密度基本图在流量上不唯一，同一流量可对应不拥堵或拥堵两种状态；密度则唯一确定交通状态。
启示与展望
演示范围限于两个玩具网络和东京高速走廊：13.3公里双车道道路、6个环形检测器、27个OD对，检测数据每5分钟聚合；真实数据受限于东京都政府的访问协议，不公开。
元模型是静态的，过饱和条件下预测会变差，需靠在线参数更新逐步弥补；密度观测比流量噪声更大，持续且与真实需求变化统计上不可区分的噪声仍可能造成偏差。先验需求权重δ在0.001时MSE最低，δ≤0.01范围内表现稳健，最优δ的系统确定留待后续。