一种用于校准大规模基于活动的交通模型的贝叶斯优化方法
机器学习
2024-02-12 v1
摘要
基于智能体和基于活动的建模在交通领域的应用正在增加，因其能够处理诸如颠覆性趋势（例如远程办公和自动化）或细粒度管理策略的设计与评估等复杂应用。然而，由于固有的高复杂性和计算需求，大规模离散模型尚未被广泛采用。例如，聚焦于行为理论的基于活动的模型可能涉及数百个参数，需要针对任何案例研究进行校准以匹配人口的社会经济详细特征。本文通过提出一种新颖的贝叶斯优化方法来解决此问题，该方法结合了以改进随机森林形式出现的代理模型，旨在实现行为参数校准过程的自动化。所提方法在爱沙尼亚塔林市的案例研究中进行了测试，其中待校准模型由 477 个行为参数组成，使用了 SimMobility MT 软件。在校准过程定义的主要指标上取得了令人满意的性能：出行总量的误差为 4%，OD 矩阵的平均误差为每天 15.92 辆车。
引用
@article{arxiv.2302.03480,
title = {A Bayesian Optimization approach for calibrating large-scale activity-based transport models},
author = {Serio Agriesti and Vladimir Kuzmanovski and Jaakko Hollmén and Claudio Roncoli and Bat-hen Nahmias-Biran},
journal= {arXiv preprint arXiv:2302.03480},
year = {2024}
}