交通仿真软件：Aimsun_（11）.中观交通仿真

中观交通仿真（Mesoscopic Traffic Simulation）是介于微观仿真和宏观仿真之间的一种交通仿真方法。微观仿真关注个体车辆的行为，而宏观仿真则关注交通流的整体特性。中观仿真则在这两者之间寻找平衡，既考虑了车辆的个体行为，又简化了计算复杂度，适用于大范围、长时间的交通仿真研究。Aimsun 作为一款强大的交通仿真软件，提供了中观仿真模块，使得用户可以在不同尺度上进行交通分析和优化

kkchenjj

810人浏览 · 2026-01-08 22:03:15

kkchenjj · 2026-01-08 22:03:15 发布

中观交通仿真

1. 中观仿真的应用场景

中观仿真主要用于以下几个场景：

城市交通规划：在城市交通规划中，中观仿真可以用于评估不同交通方案对城市交通流的影响，帮助规划者做出更合理的决策。
交通管理：中观仿真可以帮助交通管理部门模拟不同管理措施的效果，如信号灯优化、交通管制等。
交通政策评估：通过中观仿真，可以评估新的交通政策对交通流的影响，如限行、限号等。
紧急事件响应：中观仿真可以用于模拟紧急事件（如事故、突发事件）对交通的影响，帮助制定更有效的应急响应措施。

2. 中观仿真模型的构建

在 Aimsun 中构建中观仿真模型的步骤如下：

2.1 创建网络

首先，需要创建一个交通网络。交通网络是中观仿真的基础，包含道路、交叉口、信号灯等交通元素。


# 导入 Aimsun Python API

import aimsun_scripts



# 创建一个新的交通网络

def create_network(name, description):

    """

    创建一个新的交通网络

    :param name: 网络名称

    :param description: 网络描述

    :return: 创建的网络对象

    """

    # 获取 Aimsun 项目

    project = aimsun_scripts.get_project()

    

    # 创建网络

    network = project.network.create(name, description)

    

    return network



# 示例：创建一个名为 "Example Network" 的交通网络

example_network = create_network("Example Network", "Sample network for mesoscopic simulation")

2.2 添加道路和交叉口

在创建了交通网络后，需要添加道路和交叉口。这些元素可以通过 Aimsun 的 Python API 进行操作。


# 添加道路

def add_road(network, name, length, lanes, speed_limit):

    """

    添加一条道路

    :param network: 交通网络对象

    :param name: 道路名称

    :param length: 道路长度（米）

    :param lanes: 道路车道数

    :param speed_limit: 道路限速（公里/小时）

    :return: 创建的道路对象

    """

    # 创建道路

    road = network.create_road(name, length, lanes, speed_limit)

    

    return road



# 示例：添加一条名为 "Main Road" 的道路，长度 1000 米，4 条车道，限速 60 公里/小时

main_road = add_road(example_network, "Main Road", 1000, 4, 60)



# 添加交叉口

def add_intersection(network, name, roads):

    """

    添加一个交叉口

    :param network: 交通网络对象

    :param name: 交叉口名称

    :param roads: 交叉口连接的道路列表

    :return: 创建的交叉口对象

    """

    # 创建交叉口

    intersection = network.create_intersection(name, roads)

    

    return intersection



# 示例：添加一个名为 "Main Intersection" 的交叉口，连接 "Main Road" 和 "Side Road"

side_road = add_road(example_network, "Side Road", 500, 2, 50)

main_intersection = add_intersection(example_network, "Main Intersection", [main_road, side_road])

2.3 设置交通流

在交通网络中设置交通流是中观仿真的关键步骤。交通流可以通过 OD 矩阵（Origin-Destination Matrix）来表示。


# 设置 OD 矩阵

def set_od_matrix(network, od_name, origins, destinations, traffic_flows):

    """

    设置 OD 矩阵

    :param network: 交通网络对象

    :param od_name: OD 矩阵名称

    :param origins: 起点列表

    :param destinations: 终点列表

    :param traffic_flows: 交通流量列表

    :return: 设置的 OD 矩阵对象

    """

    # 创建 OD 矩阵

    od_matrix = network.create_od_matrix(od_name)

    

    # 添加 OD 对

    for origin, destination, flow in zip(origins, destinations, traffic_flows):

        od_matrix.add_origin_destination_pair(origin, destination, flow)

    

    return od_matrix



# 示例：设置一个名为 "Example OD Matrix" 的 OD 矩阵

origins = [main_road.start_node, side_road.start_node]

destinations = [main_road.end_node, side_road.end_node]

traffic_flows = [500, 300]  # 每小时流量（辆）

example_od_matrix = set_od_matrix(example_network, "Example OD Matrix", origins, destinations, traffic_flows)

2.4 设置交通信号灯

交通信号灯的设置对中观仿真结果影响很大。可以通过 Aimsun 的 API 来设置信号灯的相位和周期。


# 设置交通信号灯

def set_traffic_light(intersection, signal_name, phases):

    """

    设置交通信号灯

    :param intersection: 交叉口对象

    :param signal_name: 信号灯名称

    :param phases: 信号灯相位列表，每个相位包含相位时间（秒）和道路列表

    :return: 设置的交通信号灯对象

    """

    # 创建交通信号灯

    traffic_light = intersection.create_traffic_light(signal_name)

    

    # 添加相位

    for phase_time, roads in phases:

        traffic_light.add_phase(phase_time, roads)

    

    return traffic_light



# 示例：设置一个名为 "Main Signal" 的交通信号灯

phases = [

    (30, [main_road]),

    (20, [side_road])

]

main_signal = set_traffic_light(main_intersection, "Main Signal", phases)

2.5 运行仿真

设置好交通网络、交通流和交通信号灯后，可以运行中观仿真。


# 运行中观仿真

def run_mesoscopic_simulation(network, od_matrix, simulation_time):

    """

    运行中观仿真

    :param network: 交通网络对象

    :param od_matrix: OD 矩阵对象

    :param simulation_time: 仿真时间（秒）

    :return: 仿真结果对象

    """

    # 创建仿真场景

    simulation = network.create_simulation("Mesoscopic Simulation", od_matrix)

    

    # 设置仿真时间

    simulation.set_simulation_time(simulation_time)

    

    # 运行仿真

    simulation.run()

    

    return simulation



# 示例：运行一个 3600 秒（1 小时）的中观仿真

example_simulation = run_mesoscopic_simulation(example_network, example_od_matrix, 3600)

3. 中观仿真结果分析

运行仿真后，需要对结果进行分析，以获取有用的信息。Aimsun 提供了丰富的结果分析工具和 API。

3.1 获取交通流数据

可以获取仿真过程中各条道路的交通流数据。


# 获取交通流数据

def get_traffic_flow_data(simulation, road):

    """

    获取指定道路的交通流数据

    :param simulation: 仿真对象

    :param road: 道路对象

    :return: 交通流数据列表，包含每分钟的流量

    """

    # 获取交通流数据

    flow_data = simulation.get_traffic_flow_data(road)

    

    return flow_data



# 示例：获取 "Main Road" 的交通流数据

main_road_flow_data = get_traffic_flow_data(example_simulation, main_road)

print(main_road_flow_data)

3.2 获取延误数据

可以获取仿真过程中各交叉口的延误数据。


# 获取延误数据

def get_delay_data(simulation, intersection):

    """

    获取指定交叉口的延误数据

    :param simulation: 仿真对象

    :param intersection: 交叉口对象

    :return: 延误数据列表，包含每分钟的平均延误时间（秒）

    """

    # 获取延误数据

    delay_data = simulation.get_delay_data(intersection)

    

    return delay_data



# 示例：获取 "Main Intersection" 的延误数据

main_intersection_delay_data = get_delay_data(example_simulation, main_intersection)

print(main_intersection_delay_data)

3.3 可视化结果

Aimsun 提供了强大的可视化工具，可以将仿真结果以图形方式展示。


# 可视化交通流数据

def visualize_traffic_flow_data(simulation, road, flow_data):

    """

    可视化指定道路的交通流数据

    :param simulation: 仿真对象

    :param road: 道路对象

    :param flow_data: 交通流数据列表

    """

    # 创建可视化对象

    visualization = simulation.create_visualization("Traffic Flow Visualization")

    

    # 设置数据

    visualization.set_data(road, flow_data)

    

    # 显示可视化

    visualization.show()



# 示例：可视化 "Main Road" 的交通流数据

visualize_traffic_flow_data(example_simulation, main_road, main_road_flow_data)



# 可视化延误数据

def visualize_delay_data(simulation, intersection, delay_data):

    """

    可视化指定交叉口的延误数据

    :param simulation: 仿真对象

    :param intersection: 交叉口对象

    :param delay_data: 延误数据列表

    """

    # 创建可视化对象

    visualization = simulation.create_visualization("Delay Visualization")

    

    # 设置数据

    visualization.set_data(intersection, delay_data)

    

    # 显示可视化

    visualization.show()



# 示例：可视化 "Main Intersection" 的延误数据

visualize_delay_data(example_simulation, main_intersection, main_intersection_delay_data)

4. 中观仿真参数优化

中观仿真参数的优化是提高仿真准确性和效率的关键。可以通过调整参数来优化仿真结果。

4.1 优化信号灯相位

可以通过调整信号灯的相位时间来优化交通流。


# 优化信号灯相位

def optimize_traffic_light_phases(traffic_light, optimized_phases):

    """

    优化交通信号灯的相位

    :param traffic_light: 交通信号灯对象

    :param optimized_phases: 优化后的相位列表，每个相位包含相位时间（秒）和道路列表

    """

    # 清除现有相位

    traffic_light.clear_phases()

    

    # 添加优化后的相位

    for phase_time, roads in optimized_phases:

        traffic_light.add_phase(phase_time, roads)



# 示例：优化 "Main Signal" 的相位

optimized_phases = [

    (35, [main_road]),

    (25, [side_road])

]

optimize_traffic_light_phases(main_signal, optimized_phases)



# 重新运行仿真

example_simulation = run_mesoscopic_simulation(example_network, example_od_matrix, 3600)

4.2 优化交通流分配

可以通过调整 OD 矩阵中的交通流分配来优化仿真结果。


# 优化交通流分配

def optimize_traffic_flows(od_matrix, optimized_flows):

    """

    优化 OD 矩阵中的交通流分配

    :param od_matrix: OD 矩阵对象

    :param optimized_flows: 优化后的交通流量列表

    """

    # 清除现有 OD 对

    od_matrix.clear_pairs()

    

    # 添加优化后的 OD 对

    for origin, destination, flow in optimized_flows:

        od_matrix.add_origin_destination_pair(origin, destination, flow)



# 示例：优化 "Example OD Matrix" 的交通流分配

optimized_flows = [

    (main_road.start_node, main_road.end_node, 550),

    (side_road.start_node, side_road.end_node, 250)

]

optimize_traffic_flows(example_od_matrix, optimized_flows)



# 重新运行仿真

example_simulation = run_mesoscopic_simulation(example_network, example_od_matrix, 3600)

4.3 优化道路参数

可以通过调整道路的参数（如车道数、限速等）来优化仿真结果。


# 优化道路参数

def optimize_road_params(road, new_lanes, new_speed_limit):

    """

    优化道路参数

    :param road: 道路对象

    :param new_lanes: 新的车道数

    :param new_speed_limit: 新的限速（公里/小时）

    """

    # 更新车道数

    road.set_lanes(new_lanes)

    

    # 更新限速

    road.set_speed_limit(new_speed_limit)



# 示例：优化 "Main Road" 的车道数和限速

optimize_road_params(main_road, 5, 70)



# 重新运行仿真

example_simulation = run_mesoscopic_simulation(example_network, example_od_matrix, 3600)

5. 高级中观仿真技术

5.1 动态交通信号灯控制

动态交通信号灯控制可以根据实时交通流量动态调整信号灯相位时间，以提高交通效率。


# 动态交通信号灯控制

def dynamic_traffic_light_control(traffic_light, flow_data, threshold):

    """

    动态交通信号灯控制

    :param traffic_light: 交通信号灯对象

    :param flow_data: 交通流数据列表

    :param threshold: 流量阈值

    """

    # 获取当前相位

    current_phases = traffic_light.get_phases()

    

    # 动态调整相位时间

    for i, (phase_time, roads) in enumerate(current_phases):

        total_flow = sum(flow_data[road] for road in roads)

        if total_flow > threshold:

            new_phase_time = phase_time * 1.1  # 增加 10% 的相位时间

        else:

            new_phase_time = phase_time * 0.9  # 减少 10% 的相位时间

        current_phases[i] = (new_phase_time, roads)

    

    # 更新相位

    traffic_light.set_phases(current_phases)



# 示例：动态调整 "Main Signal" 的相位时间

flow_data = get_traffic_flow_data(example_simulation, main_road)

dynamic_traffic_light_control(main_signal, flow_data, 500)



# 重新运行仿真

example_simulation = run_mesoscopic_simulation(example_network, example_od_matrix, 3600)

5.2 交通流预测模型

交通流预测模型可以用来预测未来的交通流量，从而帮助优化交通管理措施。


# 交通流预测模型

def traffic_flow_prediction(model, flow_data, time_steps):

    """

    交通流预测模型

    :param model: 预测模型对象

    :param flow_data: 历史交通流数据列表

    :param time_steps: 预测的时间步数

    :return: 预测的交通流数据列表

    """

    # 预测交通流

    predicted_flows = model.predict(flow_data, time_steps)

    

    return predicted_flows



# 示例：使用简单的线性回归模型预测 "Main Road" 的交通流

import numpy as np

from sklearn.linear_model import LinearRegression



# 创建线性回归模型

model = LinearRegression()



# 准备历史数据

historical_flow_data = np.array(flow_data).reshape(-1, 1)



# 训练模型

model.fit(historical_flow_data, historical_flow_data)



# 预测未来的交通流

predicted_flows = traffic_flow_prediction(model, flow_data, 60)  # 预测未来 60 分钟的交通流

print(predicted_flows)

5.3 交通事件模拟

交通事件（如事故、突发事件）的模拟可以帮助评估这些事件对交通的影响。


# 交通事件模拟

def simulate_traffic_event(simulation, event_type, event_time, event_duration, affected_road):

    """

    模拟交通事件

    :param simulation: 仿真对象

    :param event_type: 事件类型（如 "accident", "incident"）

    :param event_time: 事件开始时间（秒）

    :param event_duration: 事件持续时间（秒）

    :param affected_road: 受影响的道路对象

    """

    # 创建交通事件

    traffic_event = simulation.create_traffic_event(event_type, event_time, event_duration, affected_road)

    

    # 运行仿真

    simulation.run()



# 示例：模拟一个事故事件，发生在 "Main Road" 上，开始时间为 1800 秒，持续 600 秒

simulate_traffic_event(example_simulation, "accident", 1800, 600, main_road)



# 重新运行仿真

example_simulation = run_mesoscopic_simulation(example_network, example_od_matrix, 3600)

6. 中观仿真案例研究

6.1 城市交通拥堵分析

通过中观仿真，可以分析城市交通拥堵的原因和影响。


# 城市交通拥堵分析

def congestion_analysis(simulation, road):

    """

    城市交通拥堵分析

    :param simulation: 仿真对象

    :param road: 道路对象

    :return: 拥堵分析结果

    """

    # 获取交通流数据

    flow_data = get_traffic_flow_data(simulation, road)

    

    # 获取延误数据

    delay_data = get_delay_data(simulation, road)

    

    # 计算拥堵指数

    congestion_index = [flow * delay for flow, delay in zip(flow_data, delay_data)]

    

    return congestion_index



# 示例：分析 "Main Road" 的交通拥堵

congestion_index = congestion_analysis(example_simulation, main_road)

print(congestion_index)

6.2 交通管理措施评估

通过中观仿真，可以评估不同的交通管理措施对交通流的影响。这些措施包括信号灯优化、交通管制、限行限号等。


# 交通管理措施评估

def evaluate_traffic_measures(simulation, measure_type, parameters):

    """

    评估不同的交通管理措施

    :param simulation: 仿真对象

    :param measure_type: 管理措施类型（如 "signal_optimization", "traffic_control", "travel_restriction"）

    :param parameters: 管理措施的参数

    :return: 评估结果

    """

    # 保存当前仿真状态

    original_simulation = simulation.clone()

    

    # 应用管理措施

    if measure_type == "signal_optimization":

        optimize_traffic_light_phases(parameters['traffic_light'], parameters['optimized_phases'])

    elif measure_type == "traffic_control":

        # 假设交通管制措施为限制某些道路的流量

        for road, new_flow in parameters['controlled_flows'].items():

            road.set_flow(new_flow)

    elif measure_type == "travel_restriction":

        # 假设限行限号措施为关闭某些道路

        for road in parameters['restricted_roads']:

            road.set_closed(True)

    else:

        raise ValueError("Unknown measure type")

    

    # 重新运行仿真

    simulation.run()

    

    # 获取评估结果

    results = {

        'traffic_flow': get_traffic_flow_data(simulation, parameters['road']),

        'delay': get_delay_data(simulation, parameters['intersection'])

    }

    

    # 恢复仿真状态

    simulation = original_simulation

    

    return results



# 示例：评估信号灯优化的措施

parameters = {

    'traffic_light': main_signal,

    'optimized_phases': [

        (35, [main_road]),

        (25, [side_road])

    ],

    'road': main_road,

    'intersection': main_intersection

}

evaluation_results = evaluate_traffic_measures(example_simulation, "signal_optimization", parameters)

print(evaluation_results)

6.3 紧急事件响应优化

通过中观仿真，可以优化紧急事件（如交通事故、突发事件）的响应措施，以减少交通拥堵和提高应急效率。


# 紧急事件响应优化

def optimize_emergency_response(simulation, event_type, event_time, event_duration, affected_road, response_measures):

    """

    优化紧急事件响应措施

    :param simulation: 仿真对象

    :param event_type: 事件类型（如 "accident", "incident"）

    :param event_time: 事件开始时间（秒）

    :param event_duration: 事件持续时间（秒）

    :param affected_road: 受影响的道路对象

    :param response_measures: 响应措施列表

    :return: 优化后的仿真结果

    """

    # 保存当前仿真状态

    original_simulation = simulation.clone()

    

    # 模拟紧急事件

    simulate_traffic_event(simulation, event_type, event_time, event_duration, affected_road)

    

    # 应用响应措施

    for measure in response_measures:

        if measure['type'] == "signal_optimization":

            optimize_traffic_light_phases(measure['traffic_light'], measure['optimized_phases'])

        elif measure['type'] == "traffic_control":

            for road, new_flow in measure['controlled_flows'].items():

                road.set_flow(new_flow)

        elif measure['type'] == "travel_restriction":

            for road in measure['restricted_roads']:

                road.set_closed(True)

        else:

            raise ValueError("Unknown response measure type")

    

    # 重新运行仿真

    simulation.run()

    

    # 获取优化后的仿真结果

    results = {

        'traffic_flow': get_traffic_flow_data(simulation, affected_road),

        'delay': get_delay_data(simulation, main_intersection)

    }

    

    # 恢复仿真状态

    simulation = original_simulation

    

    return results



# 示例：优化一个事故事件的响应措施

response_measures = [

    {

        'type': "signal_optimization",

        'traffic_light': main_signal,

        'optimized_phases': [

            (40, [main_road]),

            (20, [side_road])

        ]

    },

    {

        'type': "traffic_control",

        'controlled_flows': {

            side_road: 150

        }

    }

]

emergency_response_results = optimize_emergency_response(example_simulation, "accident", 1800, 600, main_road, response_measures)

print(emergency_response_results)