Resumen

Calibrar el modelo de microsimulación es esencial para mejorar su capacidad de captar la realidad. Este artículo propone un método basado en redes neuronales bayesianas (BNN) para calibrar los parámetros de los simuladores de tráfico microscópico, que reduce la repetición de simulaciones en la calibración y mejora así significativamente la eficiencia de la calibración. Utilizamos BNN con distribuciones de probabilidad en los pesos para predecir rápidamente los resultados de la simulación en función de las entradas de los parámetros a calibrar. Basándose en el modelo BNN con el mejor rendimiento, se realizan algoritmos heurísticos (HAs) para buscar los valores óptimos de los parámetros a calibrar con la mínima diferencia entre los resultados predichos de BNN y los valores medidos sobre el terreno. Se consideran tres HAs, incluyendo el algoritmo genético (GA), la estrategia evolutiva (ES) y el algoritmo del murciélago (BA). Un caso TransModeler de enlaces de autopistas en Shanghai, China, indica la validez del método de calibración propuesto en términos de error y eficacia. Los resultados demuestran que el modelo BNN es capaz de predecir con precisión la simulación y capturar adecuadamente la incertidumbre de la misma. También encontramos que el modelo BNN-BA produce la mejor eficiencia de calibración, mientras que el modelo BNN-ES ofrece el mejor rendimiento en precisión de calibración.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:bnn, parámetros, modelo bnn, mejor rendimiento, red neuronal bayesiana, mejor eficacia de calibración, simuladores de tráfico microscópico, has, resultados, simulación
• Keywords:bnn, parameters, bnn model, best performance, bayesian neural network, best calibration efficiency, microscopic traffic simulators, has, results, simulation