arXiv cs.MA· Abdelkader Dib, Milos Balac·· 11 小时前AI 评分18
基于在线随机批量优化的智能体交通模型校准
Agent-Based Transport Model Calibration via Online Stochastic Batch Optimization
AI 导读
研究提出一种在线校准框架，将黑盒优化与机器学习中的随机批量优化结合，在单次仿真运行内完成参数估计，无需数百上千次独立仿真。以 MATSim 为例，把每次仿真迭代视为随机批次，使模型参数与智能体行为协同演化并收敛。在瑞士大规模交通场景中校准效用函数参数，模式分担率在典型仿真时长内与观测数据高度吻合。
正文 · AI 翻译
摘要：校准基于智能体的模型（ABM）在计算上要求很高，因为传统的黑盒优化通常需要数百或数千次独立的仿真运行。为减轻这一负担，我们引入了一个在线校准框架，可在单次仿真运行内估计参数。该方法将黑盒优化与随机批量优化相结合，后者在机器学习中广泛应用，但尚未在 ABM 校准中探索。以 MATSim 作为案例研究，我们将每次仿真迭代视为一个随机批次，从而在智能体做出决策时实现参数的增量更新。这种在线校准范式使模型参数与智能体行为能够共同演化，无需重启仿真即可实现收敛。我们通过为瑞士的一个大规模交通场景校准 MATSim 中的效用函数参数，证明了该方法的有效性。结果表明，在典型的仿真时间范围内，出行方式分担率与观测数据高度吻合，证实了该方法的可行性与高效性。通过将校准直接嵌入仿真循环，我们的方法为复杂 ABM 的实时、可扩展且高效的校准开辟了新的可能性。
| 评论： | 发表于世界交通研究大会（WCTR 2026），法国图卢兹 |
| 主题： | 多智能体系统（cs.MA） |
| 引用为： | arXiv:2610.32698 [cs.MA] |
| （或 arXiv:2610.32698v1 [cs.MA] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32698 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 相关 DOI： | https://doi.org/10.3929/ethz-c-000799386
链接到相关资源的 DOI |
提交历史
来自：Abdelkader Dib [查看电子邮件]
[v1]
2026年10月23日星期五 14:23:36 UTC（1,070 KB）
来源：arXiv cs.MA · arxiv.org