简介NASCHca单车道模型是一份面向交通流仿真初学者与研究者的MATLAB实现资源以元胞自动机理论复现并改进经典Nagel-SchreckenbergNS模型用于在单车道上模拟车辆加速、制动、跟车与随机慢化等行为观察自由流到阻塞流的转变过程。压缩包内共1个文件为NASCHca.m脚本约2KB集中承载车辆初始化、速度更新规则、时间步长计算与结果可视化等核心逻辑结构精简、便于逐行阅读与参数调整。目前已有241人学习下载适合作为交通工程、复杂系统建模课程的入门实验素材。借助该脚本读者可自行修改车距、最大速度与随机性参数复现不同密度下的流量—密度关系分析瓶颈处拥堵的形成与消散并在此基础上开展交通信号优化与道路设计的小型仿真试验逐步掌握交通流动力学分析与元胞自动机建模方法。1. 从 NASCHca 单车道模型说起为什么 NS 模型跑不出真实交通流如果你最近在搜 NASCHca、单车道模型、NS 模型、nasch 这几个词大概率是遇到了同一个场景手头有一段单车道车流数据或者要做一个微观交通仿真想用元胞自动机那套东西把车流复现出来结果发现经典的 NaSch 模型跑出来的结果和真实观测对不上——要么堵点位置飘忽要么流量密度曲线形状不对要么低速区间的车头时距分布完全失真。NASCHca 这个方向本质上就是在经典 NS 模型基础上做参数标定和规则扩展让单车道仿真更贴近实测数据。这篇文章面向三类人做交通流建模的研究生、需要给信号配时或道路设计做仿真验证的工程师、以及想用元胞自动机做车辆行为建模的开发者。我会把 NASCHca 单车道模型的规则拆解、参数标定流程、代码实现和踩坑记录一次讲清楚让你能从零跑通一个可复现的单车道仿真并且知道哪些参数不能乱设、哪些边界条件会让结果直接翻车。2. NASCHca 单车道模型的规则拆解与参数体系2.1 从 NaSch 到 NASCHca四条演化规则到底改了什么经典 NaSch 模型的核心是四条并行更新规则加速、减速、随机慢化、位置更新。用公式写出来就是v(t1) min(v(t)1, vmax) v(t1) min(v(t1), d(t)) v(t1) max(v(t1)-1, 0) 以概率 p x(t1) x(t) v(t1)其中 d(t) 是当前车辆与前车的空元胞数p 是随机慢化概率。这套规则能复现自由流和拥堵相变但问题在于真实单车道车流里驾驶员的加速和减速行为不是对称的慢化概率也不是常数而是跟局部密度、速度差相关。NASCHca 的改进方向通常落在三个地方一是把随机慢化概率 p 做成密度依赖函数二是引入慢启动规则处理拥堵消散三是把最大速度 vmax 和加速度做成分车型或分场景的参数。我一般会先把 p 设成密度的分段函数低密度区 p 取 0.1 到 0.2高密度区 p 升到 0.3 到 0.5。这个改动看起来简单但对基本图fundamental diagram的形状影响非常大。如果你不做这一步仿真出来的最大流量会明显偏高拥堵分支也会偏窄。2.2 参数标定vmax、p、慢启动概率怎么定参数标定是 NASCHca 单车道模型能不能用的关键。我通常按下面的顺序来参数含义推荐范围标定依据vmax最大速度元胞/秒3~5实测自由流速度的 85 分位p随机慢化概率0.1~0.5按密度分段拟合p_slow慢启动概率0.2~0.6拥堵消散段的车头时距L元胞长度1.5~7.5 m按车型和跟驰距离定T更新时间步1 s与数据采样周期一致标定流程我一般走三步。第一步用实测数据算流量-密度散点确定自由流分支的斜率反推 vmax。第二步在拥堵分支上取几个密度点调 p 让仿真流量落在实测置信区间内。第三步看拥堵消散过程如果消散太慢就加慢启动规则调 p_slow。这里有个血泪经验不要一上来就用优化算法全局搜参。先手动把 vmax 和 p 定在合理范围再用网格搜索微调否则很容易过拟合到某一段数据换一条路就废了。2.3 边界条件开口边界和周期边界的选择单车道仿真最常见的两种边界是周期边界和开口边界。周期边界适合研究基本图车辆从右端出去从左端进来密度守恒跑长时间统计很稳。开口边界适合研究匝道或信号口附近的排队形成与消散但入口注入策略会直接影响结果。我一般这样做如果目标是复现基本图用周期边界初始密度按目标密度均匀撒车预热 5000 步再统计。如果目标是看排队用开口边界入口按泊松到达注入但要注意入口处的冲突检测——如果入口元胞被占要么排队等待要么直接丢弃这两种处理对排队长度的影响能差 20% 以上。提示开口边界下入口注入率不要超过该密度下的饱和流量否则排队会无限增长仿真结果没有意义。3. 用 Python 跑通 NASCHca 单车道仿真从初始化到统计输出3.1 元胞与车辆状态的数据结构先定义仿真需要的核心数据结构。我用 numpy 数组存道路占用状态用一个列表存每辆车的速度和位置。这样比纯对象列表快很多跑 10 万步也不卡。import numpy as np class NASCHcaSimulator: def __init__(self, n_cells1000, vmax5, p0.3, p_slow0.4): self.n_cells n_cells # 道路元胞数 self.vmax vmax # 最大速度 self.p p # 随机慢化概率 self.p_slow p_slow # 慢启动概率 self.road -np.ones(n_cells, dtypeint) # -1 表示空其余存车辆 id self.positions [] # 每辆车的位置 self.velocities [] # 每辆车的速度 self.step_count 0 def add_vehicle(self, pos, vel0): vid len(self.positions) self.positions.append(pos) self.velocities.append(vel) self.road[pos] vid return vid这段代码里road 数组是核心它同时承担了占用检测和前后车距离计算两个功能。positions 和 velocities 用列表存方便动态增删。注意 road 里存的是车辆 id不是简单的 0/1这样后面做慢启动规则时可以直接查到前车状态。参数说明n_cells 决定道路长度一般取 1000 到 5000vmax 按元胞/步给如果元胞是 7.5 米、步长 1 秒vmax5 对应约 135 km/h偏高实际标定时常取 3 到 4。3.2 四条规则的向量化实现逐车循环在 Python 里太慢我一般把加速、减速、随机慢化写成向量化操作只有位置更新需要处理冲突。def step(self): n len(self.positions) if n 0: self.step_count 1 return pos np.array(self.positions) vel np.array(self.velocities) # 计算每辆车与前车的距离周期边界 sorted_idx np.argsort(pos) sorted_pos pos[sorted_idx] gaps np.empty(n, dtypeint) for i in range(n): idx sorted_idx[i] next_idx sorted_idx[(i 1) % n] gap (pos[next_idx] - pos[idx]) % self.n_cells - 1 gaps[idx] max(gap, 0) # 规则 1加速 vel np.minimum(vel 1, self.vmax) # 规则 2减速不能撞上前车 vel np.minimum(vel, gaps) # 规则 3随机慢化密度依赖 density n / self.n_cells p_eff self.p * (1 density) # 高密度下慢化更强 rand_mask np.random.random(n) p_eff vel[rand_mask] np.maximum(vel[rand_mask] - 1, 0) # 规则 4慢启动拥堵后低速车不能立刻加速 slow_mask (vel 0) (np.random.random(n) self.p_slow) vel[slow_mask] 0 # 位置更新先清空再写入避免冲突 self.road[:] -1 new_pos (pos vel) % self.n_cells for i in range(n): self.road[new_pos[i]] i self.positions new_pos.tolist() self.velocities vel.tolist() self.step_count 1逻辑说明gaps 的计算用了排序加取模这是周期边界下算前车距离的标准做法。随机慢化里我把 p 乘了一个密度因子这是 NASCHca 类模型常见的改进能让高密度区拥堵更明显。慢启动规则单独处理速度为 0 的车防止拥堵刚消散就集体加速导致流量虚高。参数说明p_eff 的密度依赖形式可以换成 p * (1 density^2) 或分段函数具体看你的数据。慢启动概率 p_slow 越大拥堵消散越慢基本图右侧的拥堵分支越平。3.3 统计量输出流量、密度、速度与车头时距仿真跑起来之后需要按固定间隔采样统计量。我一般每 100 步采一次预热 5000 步后开始记录。def collect_stats(self): n len(self.positions) density n / self.n_cells if n 0: return density, 0.0, 0.0 mean_speed np.mean(self.velocities) flow density * mean_speed # 单位时间通过单位元胞的车辆数 return density, mean_speed, flow def run(self, steps20000, warmup5000, sample_interval100): records [] for _ in range(steps): self.step() if self.step_count warmup and self.step_count % sample_interval 0: records.append(self.collect_stats()) return np.array(records)流量公式 flow density * mean_speed 是元胞自动机里的标准定义注意这里的密度是车辆数除以元胞数速度是元胞/步所以流量单位是车辆/步。如果你要换算成辆/小时需要乘以 3600 再除以每元胞对应的实际长度。车头时距的统计稍微麻烦一点需要在每步记录通过某个检测断面的车辆时间戳。我一般固定一个检测元胞当有车经过时记下 step_count然后算相邻时间戳的差值。注意采样间隔不要太小否则相邻样本高度相关画出来的散点会挤成一团。100 步是个比较稳的选择。4. 避坑与排查NASCHca 单车道仿真最容易翻车的五个地方4.1 现象仿真流量远高于实测基本图右支消失原因随机慢化概率 p 设得太小或者没有做密度依赖。经典 NaSch 在 p0.25 时最大流量能到 0.5 左右但实测单车道最大流量通常在 0.3 到 0.4 之间换算成元胞单位。解决把 p 改成密度分段函数低密度区 0.1高密度区 0.4 以上。同时检查 vmax 是不是设大了vmax5 在 7.5 米元胞下对应 135 km/h实际道路很少能持续跑这个速度。4.2 现象拥堵完全不动仿真死锁原因慢启动概率 p_slow 设成了 1.0或者减速规则里 gaps 算成了 0 导致所有车速度归零后无法恢复。解决p_slow 不要超过 0.6。另外检查 gaps 计算如果前车就在正前方一个元胞gap 应该是 0此时速度必须降到 0但下一时刻如果前车动了gap 变成 1速度应该能恢复到 1。如果恢复不了说明慢启动规则写成了无条件锁死。4.3 现象周期边界下车辆重叠原因位置更新时没有先清空 road 数组或者多辆车同时写入同一个元胞。解决更新位置前先执行 self.road[:] -1然后逐车写入。如果还是重叠说明减速规则没生效检查 gaps 是否算错。周期边界下取模运算容易出负值记得加 self.n_cells 再取模。4.4 现象开口边界入口排队无限增长原因入口注入率超过了该密度下的饱和流量或者入口冲突检测太严格导致车辆无法进入。解决先算一下当前密度对应的饱和流量注入率不要超过它。如果入口元胞被占可以选择等待而不是丢弃但等待队列要有上限否则内存会爆。我一般设队列上限 200超过就丢弃并计数最后看丢弃率是否可接受。4.5 现象统计结果波动大重复跑差异明显原因预热步数不够或者采样间隔太短或者随机种子没固定。解决预热至少 5000 步最好 10000 步。采样间隔 100 步以上。固定 np.random.seed()每次跑之前设同一个种子这样结果可复现。如果要做参数扫描每个参数组合跑 5 次取平均不要只跑一次就下结论。5. 进阶技巧用 NASCHca 做参数敏感性分析和场景对比跑通基础仿真之后下一步一般是做参数敏感性分析看哪个参数对流量影响最大。我常用的做法是固定其他参数对 vmax、p、p_slow 各取 5 个水平做全因子实验每个组合跑 3 次取平均流量和平均速度。import itertools vmax_list [3, 4, 5] p_list [0.1, 0.2, 0.3, 0.4] p_slow_list [0.2, 0.4, 0.6] results [] for vmax, p, p_slow in itertools.product(vmax_list, p_list, p_slow_list): flows [] for seed in range(3): np.random.seed(seed) sim NASCHcaSimulator(n_cells1000, vmaxvmax, pp, p_slowp_slow) # 按目标密度撒车 for pos in range(0, 1000, 10): sim.add_vehicle(pos, vel0) records sim.run(steps15000, warmup5000) if len(records) 0: flows.append(records[:, 2].mean()) results.append((vmax, p, p_slow, np.mean(flows), np.std(flows))) results.sort(keylambda x: x[3], reverseTrue) for r in results[:10]: print(fvmax{r[0]}, p{r[1]}, p_slow{r[2]}, flow{r[3]:.4f}±{r[4]:.4f})这段代码跑完大概需要几分钟取决于元胞数和步数。输出按流量排序你能一眼看出哪个参数组合流量最高。但注意流量最高不一定最接近实测还要看速度分布和拥堵形态。我一般还会画两张图一张是流量-密度散点叠加实测数据另一张是时空图横轴位置纵轴时间用颜色表示速度。时空图能直观看出拥堵波的传播方向——正常情况下拥堵波应该向上游传播如果向下游跑说明边界条件或更新规则有问题。最后说一个我自己的习惯每次改完规则先跑一个最小案例——100 个元胞、10 辆车、500 步——看车辆会不会重叠、速度会不会变负、流量是不是在合理范围。这个最小案例跑通了再上大规模仿真。这个习惯帮我省了很多次重跑 10 万步的时间。希望帮到你。本文还有配套的精品资源点击获取
NASCHca单车道模型：从NaSch规则拆解到Python仿真参数标定
简介NASCHca单车道模型是一份面向交通流仿真初学者与研究者的MATLAB实现资源以元胞自动机理论复现并改进经典Nagel-SchreckenbergNS模型用于在单车道上模拟车辆加速、制动、跟车与随机慢化等行为观察自由流到阻塞流的转变过程。压缩包内共1个文件为NASCHca.m脚本约2KB集中承载车辆初始化、速度更新规则、时间步长计算与结果可视化等核心逻辑结构精简、便于逐行阅读与参数调整。目前已有241人学习下载适合作为交通工程、复杂系统建模课程的入门实验素材。借助该脚本读者可自行修改车距、最大速度与随机性参数复现不同密度下的流量—密度关系分析瓶颈处拥堵的形成与消散并在此基础上开展交通信号优化与道路设计的小型仿真试验逐步掌握交通流动力学分析与元胞自动机建模方法。1. 从 NASCHca 单车道模型说起为什么 NS 模型跑不出真实交通流如果你最近在搜 NASCHca、单车道模型、NS 模型、nasch 这几个词大概率是遇到了同一个场景手头有一段单车道车流数据或者要做一个微观交通仿真想用元胞自动机那套东西把车流复现出来结果发现经典的 NaSch 模型跑出来的结果和真实观测对不上——要么堵点位置飘忽要么流量密度曲线形状不对要么低速区间的车头时距分布完全失真。NASCHca 这个方向本质上就是在经典 NS 模型基础上做参数标定和规则扩展让单车道仿真更贴近实测数据。这篇文章面向三类人做交通流建模的研究生、需要给信号配时或道路设计做仿真验证的工程师、以及想用元胞自动机做车辆行为建模的开发者。我会把 NASCHca 单车道模型的规则拆解、参数标定流程、代码实现和踩坑记录一次讲清楚让你能从零跑通一个可复现的单车道仿真并且知道哪些参数不能乱设、哪些边界条件会让结果直接翻车。2. NASCHca 单车道模型的规则拆解与参数体系2.1 从 NaSch 到 NASCHca四条演化规则到底改了什么经典 NaSch 模型的核心是四条并行更新规则加速、减速、随机慢化、位置更新。用公式写出来就是v(t1) min(v(t)1, vmax) v(t1) min(v(t1), d(t)) v(t1) max(v(t1)-1, 0) 以概率 p x(t1) x(t) v(t1)其中 d(t) 是当前车辆与前车的空元胞数p 是随机慢化概率。这套规则能复现自由流和拥堵相变但问题在于真实单车道车流里驾驶员的加速和减速行为不是对称的慢化概率也不是常数而是跟局部密度、速度差相关。NASCHca 的改进方向通常落在三个地方一是把随机慢化概率 p 做成密度依赖函数二是引入慢启动规则处理拥堵消散三是把最大速度 vmax 和加速度做成分车型或分场景的参数。我一般会先把 p 设成密度的分段函数低密度区 p 取 0.1 到 0.2高密度区 p 升到 0.3 到 0.5。这个改动看起来简单但对基本图fundamental diagram的形状影响非常大。如果你不做这一步仿真出来的最大流量会明显偏高拥堵分支也会偏窄。2.2 参数标定vmax、p、慢启动概率怎么定参数标定是 NASCHca 单车道模型能不能用的关键。我通常按下面的顺序来参数含义推荐范围标定依据vmax最大速度元胞/秒3~5实测自由流速度的 85 分位p随机慢化概率0.1~0.5按密度分段拟合p_slow慢启动概率0.2~0.6拥堵消散段的车头时距L元胞长度1.5~7.5 m按车型和跟驰距离定T更新时间步1 s与数据采样周期一致标定流程我一般走三步。第一步用实测数据算流量-密度散点确定自由流分支的斜率反推 vmax。第二步在拥堵分支上取几个密度点调 p 让仿真流量落在实测置信区间内。第三步看拥堵消散过程如果消散太慢就加慢启动规则调 p_slow。这里有个血泪经验不要一上来就用优化算法全局搜参。先手动把 vmax 和 p 定在合理范围再用网格搜索微调否则很容易过拟合到某一段数据换一条路就废了。2.3 边界条件开口边界和周期边界的选择单车道仿真最常见的两种边界是周期边界和开口边界。周期边界适合研究基本图车辆从右端出去从左端进来密度守恒跑长时间统计很稳。开口边界适合研究匝道或信号口附近的排队形成与消散但入口注入策略会直接影响结果。我一般这样做如果目标是复现基本图用周期边界初始密度按目标密度均匀撒车预热 5000 步再统计。如果目标是看排队用开口边界入口按泊松到达注入但要注意入口处的冲突检测——如果入口元胞被占要么排队等待要么直接丢弃这两种处理对排队长度的影响能差 20% 以上。提示开口边界下入口注入率不要超过该密度下的饱和流量否则排队会无限增长仿真结果没有意义。3. 用 Python 跑通 NASCHca 单车道仿真从初始化到统计输出3.1 元胞与车辆状态的数据结构先定义仿真需要的核心数据结构。我用 numpy 数组存道路占用状态用一个列表存每辆车的速度和位置。这样比纯对象列表快很多跑 10 万步也不卡。import numpy as np class NASCHcaSimulator: def __init__(self, n_cells1000, vmax5, p0.3, p_slow0.4): self.n_cells n_cells # 道路元胞数 self.vmax vmax # 最大速度 self.p p # 随机慢化概率 self.p_slow p_slow # 慢启动概率 self.road -np.ones(n_cells, dtypeint) # -1 表示空其余存车辆 id self.positions [] # 每辆车的位置 self.velocities [] # 每辆车的速度 self.step_count 0 def add_vehicle(self, pos, vel0): vid len(self.positions) self.positions.append(pos) self.velocities.append(vel) self.road[pos] vid return vid这段代码里road 数组是核心它同时承担了占用检测和前后车距离计算两个功能。positions 和 velocities 用列表存方便动态增删。注意 road 里存的是车辆 id不是简单的 0/1这样后面做慢启动规则时可以直接查到前车状态。参数说明n_cells 决定道路长度一般取 1000 到 5000vmax 按元胞/步给如果元胞是 7.5 米、步长 1 秒vmax5 对应约 135 km/h偏高实际标定时常取 3 到 4。3.2 四条规则的向量化实现逐车循环在 Python 里太慢我一般把加速、减速、随机慢化写成向量化操作只有位置更新需要处理冲突。def step(self): n len(self.positions) if n 0: self.step_count 1 return pos np.array(self.positions) vel np.array(self.velocities) # 计算每辆车与前车的距离周期边界 sorted_idx np.argsort(pos) sorted_pos pos[sorted_idx] gaps np.empty(n, dtypeint) for i in range(n): idx sorted_idx[i] next_idx sorted_idx[(i 1) % n] gap (pos[next_idx] - pos[idx]) % self.n_cells - 1 gaps[idx] max(gap, 0) # 规则 1加速 vel np.minimum(vel 1, self.vmax) # 规则 2减速不能撞上前车 vel np.minimum(vel, gaps) # 规则 3随机慢化密度依赖 density n / self.n_cells p_eff self.p * (1 density) # 高密度下慢化更强 rand_mask np.random.random(n) p_eff vel[rand_mask] np.maximum(vel[rand_mask] - 1, 0) # 规则 4慢启动拥堵后低速车不能立刻加速 slow_mask (vel 0) (np.random.random(n) self.p_slow) vel[slow_mask] 0 # 位置更新先清空再写入避免冲突 self.road[:] -1 new_pos (pos vel) % self.n_cells for i in range(n): self.road[new_pos[i]] i self.positions new_pos.tolist() self.velocities vel.tolist() self.step_count 1逻辑说明gaps 的计算用了排序加取模这是周期边界下算前车距离的标准做法。随机慢化里我把 p 乘了一个密度因子这是 NASCHca 类模型常见的改进能让高密度区拥堵更明显。慢启动规则单独处理速度为 0 的车防止拥堵刚消散就集体加速导致流量虚高。参数说明p_eff 的密度依赖形式可以换成 p * (1 density^2) 或分段函数具体看你的数据。慢启动概率 p_slow 越大拥堵消散越慢基本图右侧的拥堵分支越平。3.3 统计量输出流量、密度、速度与车头时距仿真跑起来之后需要按固定间隔采样统计量。我一般每 100 步采一次预热 5000 步后开始记录。def collect_stats(self): n len(self.positions) density n / self.n_cells if n 0: return density, 0.0, 0.0 mean_speed np.mean(self.velocities) flow density * mean_speed # 单位时间通过单位元胞的车辆数 return density, mean_speed, flow def run(self, steps20000, warmup5000, sample_interval100): records [] for _ in range(steps): self.step() if self.step_count warmup and self.step_count % sample_interval 0: records.append(self.collect_stats()) return np.array(records)流量公式 flow density * mean_speed 是元胞自动机里的标准定义注意这里的密度是车辆数除以元胞数速度是元胞/步所以流量单位是车辆/步。如果你要换算成辆/小时需要乘以 3600 再除以每元胞对应的实际长度。车头时距的统计稍微麻烦一点需要在每步记录通过某个检测断面的车辆时间戳。我一般固定一个检测元胞当有车经过时记下 step_count然后算相邻时间戳的差值。注意采样间隔不要太小否则相邻样本高度相关画出来的散点会挤成一团。100 步是个比较稳的选择。4. 避坑与排查NASCHca 单车道仿真最容易翻车的五个地方4.1 现象仿真流量远高于实测基本图右支消失原因随机慢化概率 p 设得太小或者没有做密度依赖。经典 NaSch 在 p0.25 时最大流量能到 0.5 左右但实测单车道最大流量通常在 0.3 到 0.4 之间换算成元胞单位。解决把 p 改成密度分段函数低密度区 0.1高密度区 0.4 以上。同时检查 vmax 是不是设大了vmax5 在 7.5 米元胞下对应 135 km/h实际道路很少能持续跑这个速度。4.2 现象拥堵完全不动仿真死锁原因慢启动概率 p_slow 设成了 1.0或者减速规则里 gaps 算成了 0 导致所有车速度归零后无法恢复。解决p_slow 不要超过 0.6。另外检查 gaps 计算如果前车就在正前方一个元胞gap 应该是 0此时速度必须降到 0但下一时刻如果前车动了gap 变成 1速度应该能恢复到 1。如果恢复不了说明慢启动规则写成了无条件锁死。4.3 现象周期边界下车辆重叠原因位置更新时没有先清空 road 数组或者多辆车同时写入同一个元胞。解决更新位置前先执行 self.road[:] -1然后逐车写入。如果还是重叠说明减速规则没生效检查 gaps 是否算错。周期边界下取模运算容易出负值记得加 self.n_cells 再取模。4.4 现象开口边界入口排队无限增长原因入口注入率超过了该密度下的饱和流量或者入口冲突检测太严格导致车辆无法进入。解决先算一下当前密度对应的饱和流量注入率不要超过它。如果入口元胞被占可以选择等待而不是丢弃但等待队列要有上限否则内存会爆。我一般设队列上限 200超过就丢弃并计数最后看丢弃率是否可接受。4.5 现象统计结果波动大重复跑差异明显原因预热步数不够或者采样间隔太短或者随机种子没固定。解决预热至少 5000 步最好 10000 步。采样间隔 100 步以上。固定 np.random.seed()每次跑之前设同一个种子这样结果可复现。如果要做参数扫描每个参数组合跑 5 次取平均不要只跑一次就下结论。5. 进阶技巧用 NASCHca 做参数敏感性分析和场景对比跑通基础仿真之后下一步一般是做参数敏感性分析看哪个参数对流量影响最大。我常用的做法是固定其他参数对 vmax、p、p_slow 各取 5 个水平做全因子实验每个组合跑 3 次取平均流量和平均速度。import itertools vmax_list [3, 4, 5] p_list [0.1, 0.2, 0.3, 0.4] p_slow_list [0.2, 0.4, 0.6] results [] for vmax, p, p_slow in itertools.product(vmax_list, p_list, p_slow_list): flows [] for seed in range(3): np.random.seed(seed) sim NASCHcaSimulator(n_cells1000, vmaxvmax, pp, p_slowp_slow) # 按目标密度撒车 for pos in range(0, 1000, 10): sim.add_vehicle(pos, vel0) records sim.run(steps15000, warmup5000) if len(records) 0: flows.append(records[:, 2].mean()) results.append((vmax, p, p_slow, np.mean(flows), np.std(flows))) results.sort(keylambda x: x[3], reverseTrue) for r in results[:10]: print(fvmax{r[0]}, p{r[1]}, p_slow{r[2]}, flow{r[3]:.4f}±{r[4]:.4f})这段代码跑完大概需要几分钟取决于元胞数和步数。输出按流量排序你能一眼看出哪个参数组合流量最高。但注意流量最高不一定最接近实测还要看速度分布和拥堵形态。我一般还会画两张图一张是流量-密度散点叠加实测数据另一张是时空图横轴位置纵轴时间用颜色表示速度。时空图能直观看出拥堵波的传播方向——正常情况下拥堵波应该向上游传播如果向下游跑说明边界条件或更新规则有问题。最后说一个我自己的习惯每次改完规则先跑一个最小案例——100 个元胞、10 辆车、500 步——看车辆会不会重叠、速度会不会变负、流量是不是在合理范围。这个最小案例跑通了再上大规模仿真。这个习惯帮我省了很多次重跑 10 万步的时间。希望帮到你。本文还有配套的精品资源点击获取
