# 微观交通仿真

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。

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。

该研究提出一个将扩散卷积循环神经网络（DCRNN）交通与充电需求预测同CAV改道策略相结合的框架，在SUMO中针对受控交通中断、5%至45%五个CAV渗透率水平进行评估；DCRNN在主动改道方法中取得最低平均行程时间指数、最高平均速度和最低总CO2排放，相对无改道基准降低平均TTI约1.8%，并在全部渗透率下仅接受41次改道，而K最短路径为146次、V2X为153次。

该研究提出一个将扩散卷积循环神经网络（DCRNN）交通与充电需求预测同CAV改道策略相结合的框架，在SUMO中针对受控交通中断、5%至45%五个CAV渗透率水平进行评估；DCRNN在主动改道方法中取得最低平均行程时间指数、最高平均速度和最低总CO2排放，相对无改道基准降低平均TTI约1.8%，并在全部渗透率下仅接受41次改道，而K最短路径为146次、V2X为153次。