介观交通流仿真软件：Aimsun Next_（18）.仿真模型的校准与验证

仿真模型的校准与验证

1. 校准的基本概念

校准是确保仿真模型能够准确反映现实交通状况的关键步骤。在交通流仿真中，校准通常涉及调整模型参数，以使仿真结果与实际观测数据尽可能一致。校准的目的是提高模型的预测能力和可靠性，使其能够用于实际交通管理和规划任务。

1.1 校准的必要性

在交通仿真中，模型参数的选择和调整直接影响仿真结果的准确性。由于现实交通系统的复杂性和多样性，单一的默认参数往往无法全面描述所有交通场景。因此，通过校准，可以使得模型更好地适应特定的交通环境。

1.2 校准的基本步骤

1. 数据收集：收集现实交通系统的观测数据，包括流量、速度、密度等。

2. 参数选择：确定需要校准的模型参数。

3. 参数调整：使用优化算法或手动调整参数，使仿真结果与观测数据匹配。

4. 验证：通过独立的数据集验证校准结果的准确性。

1.3 校准的方法

常用的校准方法包括手动校准、自动化校准和混合校准。

• 手动校准：通过多次试错，手动调整参数，直到仿真结果满意。

• 自动化校准：使用优化算法（如遗传算法、粒子群优化等）自动调整参数。

• 混合校准：结合手动和自动化校准，先通过自动化方法粗调参数，再手动微调。

1.4 校准的挑战

1. 数据质量：观测数据的质量直接影响校准的准确性。

2. 参数敏感性：某些参数对仿真结果的影响较大，需要特别关注。

3. 计算复杂性：自动化校准通常涉及大量的计算，需要高效的算法和计算资源。

2. 数据收集与处理

2.1 数据收集

数据收集是校准过程的第一步，高质量的数据是校准成功的基础。常见的数据来源包括：

• 交通流量数据：可以通过交通检测器（如环形检测器、视频检测器等）获取。

• 速度数据：可以通过浮动车数据（如GPS数据）获取。

• 密度数据：可以通过交通调查或视频分析获取。

• 旅行时间数据：可以通过浮动车数据或用户调查获取。

2.2 数据处理

数据处理的目的是清洗和整理收集到的数据，使其适合用于校准。常见的数据处理步骤包括：

• 数据清洗：去除异常值和缺失值。

• 数据格式转换：将数据转换为仿真软件可以读取的格式。

• 数据聚合：将高频率数据聚合为低频率数据，以减少计算量。

2.2.1 数据清洗示例

假设我们从环形检测器收集了交通流量数据，但数据中存在异常值和缺失值。我们可以使用Python进行数据清洗：

importpandasaspdimportnumpyasnp# 读取数据data=pd.read_csv('traffic_flow_data.csv')# 查看数据print(data.head())# 去除异常值data=data[(data['flow']>=0)&(data['flow']<=2000)]# 填充缺失值data['flow'].fillna(data['flow'].mean(),inplace=True)# 保存清洗后的数据data.to_csv('cleaned_traffic_flow_data.csv',index=False)

2.3 数据导入

在Aimsun Next中，可以将处理好的数据导入仿真模型中。数据导入的步骤包括：

1. 创建数据文件：将数据保存为Aimsun支持的格式，如CSV或Excel。

2. 导入数据：通过Aimsun的“Data Import”功能将数据导入模型。

3. 关联数据：将导入的数据与仿真模型中的相应路段或节点进行关联。

2.3.1 数据导入示例

假设我们已经清洗并保存了交通流量数据为cleaned_traffic_flow_data.csv，接下来在Aimsun Next中导入数据：

1. 打开Aimsun Next，选择“File” -> “Import” -> “CSV”。

2. 选择cleaned_traffic_flow_data.csv文件，并设置数据导入的参数。

3. 确认数据导入后，使用Aimsun的“Data Association”功能将数据与仿真模型中的路段进行关联。

3. 参数选择与调整

3.1 参数选择

参数选择是校准过程中的关键步骤。选择合适的参数可以显著提高校准的效率和准确性。常见的需要校准的参数包括：

• 车辆动力学参数：如最大加速度、最大减速度等。

• 驾驶行为参数：如安全距离、跟车模型参数等。

• 交通网络参数：如车道宽度、交通信号配时等。

3.2 参数调整

参数调整可以通过手动或自动化方法进行。手动调整通常需要丰富的经验和多次试错，而自动化调整则可以使用优化算法提高效率。

3.2.1 手动调整示例

假设我们需要手动调整车辆的最大加速度和最大减速度，以使仿真结果与实际观测数据匹配。可以在Aimsun Next中进行如下操作：

1. 打开Aimsun Next，选择“Network” -> “Vehicle Types”。

2. 选择需要调整的车辆类型，点击“Edit”。

3. 在“Vehicle Type Editor”中，调整“Max Acceleration”和“Max Deceleration”参数。

4. 运行仿真，比较仿真结果与实际观测数据，根据差异进一步调整参数。

3.2.2 自动化调整示例

自动化调整可以使用遗传算法进行。以下是一个使用Python和Aimsun Next API进行自动化参数调整的示例：

importaimsun_apiasapiimportnumpyasnpfromscipy.optimizeimportminimize# 定义目标函数defobjective_function(params):# 设置参数max_acceleration,max_deceleration=params api.set_vehicle_max_acceleration('Car',max_acceleration)api.set_vehicle_max_deceleration('Car',max_deceleration)# 运行仿真api.run_simulation()# 获取仿真结果simulated_flow=api.get_simulation_flow('Main Road')# 计算误差observed_flow=1500# 假设实际观测流量为1500辆/小时error=(simulated_flow-observed_flow)**2returnerror# 初始参数initial_params=[2.5,3.0]# 约束条件bounds=[(1.0,5.0),(1.0,5.0)]# 使用优化算法进行参数调整result=minimize(objective_function,initial_params,bounds=bounds,method='L-BFGS-B')# 输出优化结果print(f"Optimized parameters:{result.x}")print(f"Minimum error:{result.fun}")

3.3 参数敏感性分析

参数敏感性分析可以帮助我们了解哪些参数对仿真结果的影响较大。通过敏感性分析，可以确定需要重点校准的参数。常见的敏感性分析方法包括：

• 单因素敏感性分析：每次只改变一个参数，观察仿真结果的变化。

• 多因素敏感性分析：同时改变多个参数，观察仿真结果的变化。

3.3.1 参数敏感性分析示例

假设我们需要分析车辆的最大加速度和最大减速度对仿真结果的影响。可以使用Python进行单因素敏感性分析：

importaimsun_apiasapiimportnumpyasnp# 定义参数范围max_acceleration_range=np.linspace(1.0,5.0,10)max_deceleration_range=np.linspace(1.0,5.0,10)# 存储结果results=[]# 进行单因素敏感性分析formax_accelerationinmax_acceleration_range:api.set_vehicle_max_acceleration('Car',max_acceleration)api.run_simulation()simulated_flow=api.get_simulation_flow('Main Road')results.append((max_acceleration,simulated_flow))formax_decelerationinmax_deceleration_range:api.set_vehicle_max_deceleration('Car',max_deceleration)api.run_simulation()simulated_flow=api.get_simulation_flow('Main Road')results.append((max_deceleration,simulated_flow))# 输出结果forparam,flowinresults:print(f"Parameter:{param}, Simulated Flow:{flow}")

4. 仿真模型的验证

4.1 验证的基本概念

验证是确保仿真模型在不同条件下都能准确反映现实交通状况的关键步骤。验证通常涉及将仿真结果与独立的观测数据进行比较，以评估模型的预测能力和可靠性。

4.2 验证的方法

常见的验证方法包括：

• 静态验证：比较仿真结果与静态观测数据，如交通流量、密度等。

• 动态验证：比较仿真结果与动态观测数据，如旅行时间、速度变化等。

• 多场景验证：在不同的交通场景下进行验证，如高峰时段、平峰时段等。

4.3 验证的步骤

1. 选择验证数据集：选择与校准数据集不同的独立观测数据。

2. 运行仿真：在不同的交通场景下运行仿真。

3. 比较结果：将仿真结果与验证数据进行比较，评估模型的准确性。

4.3.1 静态验证示例

假设我们选择了一个高峰时段的交通流量数据集进行静态验证。可以使用Python进行数据比较：

importaimsun_apiasapiimportpandasaspd# 导入验证数据validation_data=pd.read_csv('peak_hour_traffic_flow_data.csv')# 获取仿真结果simulated_flow=api.get_simulation_flow('Main Road')# 计算误差observed_flow=validation_data['flow'].mean()error=(simulated_flow-observed_flow)/observed_flow*100# 输出结果print(f"Observed Flow:{observed_flow}")print(f"Simulated Flow:{simulated_flow}")print(f"Error:{error}%")

4.3.2 动态验证示例

假设我们选择了一个高峰时段的旅行时间数据集进行动态验证。可以使用Python进行数据比较：

importaimsun_apiasapiimportpandasaspd# 导入验证数据validation_data=pd.read_csv('peak_hour_travel_time_data.csv')# 获取仿真结果simulated_travel_time=api.get_simulation_travel_time('Main Route')# 计算误差observed_travel_time=validation_data['travel_time'].mean()error=(simulated_travel_time-observed_travel_time)/observed_travel_time*100# 输出结果print(f"Observed Travel Time:{observed_travel_time}")print(f"Simulated Travel Time:{simulated_travel_time}")print(f"Error:{error}%")

4.3.3 多场景验证示例

假设我们需要在高峰时段和平峰时段分别进行验证。可以使用Python进行多场景验证：

importaimsun_apiasapiimportpandasaspd# 导入高峰时段和平峰时段的验证数据peak_hour_data=pd.read_csv('peak_hour_traffic_flow_data.csv')off_peak_hour_data=pd.read_csv('off_peak_hour_traffic_flow_data.csv')# 定义验证函数defvalidate_simulation(data,scenario_name):# 获取仿真结果simulated_flow=api.get_simulation_flow('Main Road',scenario_name)# 计算误差observed_flow=data['flow'].mean()error=(simulated_flow-observed_flow)/observed_flow*100# 输出结果print(f"Scenario:{scenario_name}")print(f"Observed Flow:{observed_flow}")print(f"Simulated Flow:{simulated_flow}")print(f"Error:{error}%")# 运行高峰时段仿真api.run_simulation('Peak Hour')validate_simulation(peak_hour_data,'Peak Hour')# 运行平峰时段仿真api.run_simulation('Off Peak Hour')validate_simulation(off_peak_hour_data,'Off Peak Hour')

5. 校准与验证的最佳实践

5.1 数据的质量控制

高质量的数据是校准和验证成功的基础。需要进行以下数据质量控制：

• 数据清洗：去除异常值和缺失值。

• 数据验证：确保数据的准确性和一致性。

• 数据标准化：将数据转换为标准格式，便于处理和导入。

5.2 参数的合理选择

合理选择参数可以提高校准的效率和准确性。需要考虑以下因素：

• 参数的物理意义：选择具有明确物理意义的参数。

• 参数的可调性：选择可以通过调整显著影响仿真结果的参数。

• 参数的独立性：选择相互独立的参数，避免参数之间的耦合。

5.3 优化算法的选择

选择合适的优化算法可以显著提高自动化校准的效率。常见的优化算法包括：

• 遗传算法：适用于参数较多且搜索空间较大的情况。

• 粒子群优化：适用于连续参数的优化。

• 梯度下降法：适用于可导函数的优化。

5.4 多场景的验证

多场景验证可以确保模型在不同交通条件下的准确性。需要考虑以下场景：

• 高峰时段：交通流量大，拥堵严重。

• 平峰时段：交通流量适中，交通状况较为平稳。

• 低峰时段：交通流量小，交通状况较为宽松。

5.5 模型的迭代优化

模型的迭代优化是提高校准和验证准确性的有效方法。通过多次迭代，可以逐步调整参数，使模型更加准确。需要进行以下步骤：

1. 初始校准：使用初始参数进行校准。

2. 初步验证：使用独立数据集进行初步验证。

3. 参数调整：根据验证结果调整参数。

4. 再次验证：使用新的参数进行再次验证，直至满意。

5.5.1 模型的迭代优化示例

假设我们通过多次迭代优化模型参数，以提高仿真结果的准确性。可以使用Python进行迭代优化：

importaimsun_apiasapiimportnumpyasnpfromscipy.optimizeimportminimize# 定义目标函数defobjective_function(params):# 设置参数max_acceleration,max_deceleration=params api.set_vehicle_max_acceleration('Car',max_acceleration)api.set_vehicle_max_deceleration('Car',max_deceleration)# 运行仿真api.run_simulation()# 获取仿真结果simulated_flow=api.get_simulation_flow('Main Road')# 计算误差observed_flow=1500# 假设实际观测流量为1500辆/小时error=(simulated_flow-observed_flow)**2returnerror# 初始参数initial_params=[2.5,3.0]# 约束条件bounds=[(1.0,5.0),(1.0,5.0)]# 迭代优化foriinrange(5):# 进行5次迭代result=minimize(objective_function,initial_params,bounds=bounds,method='L-BFGS-B')initial_params=result.xprint(f"Iteration{i+1}: Optimized parameters:{result.x}, Minimum error:{result.fun}")# 最终参数final_params=result.xprint(f"Final optimized parameters:{final_params}")

6. 校准与验证的案例分析

6.1 城市主干道的校准与验证

假设我们需要对城市主干道进行校准和验证。以下是一个详细的案例分析：

6.1.1 数据收集

1. 交通流量数据：从环形检测器收集高峰时段和平峰时段的交通流量数据。

2. 速度数据：从浮动车数据收集高峰时段和平峰时段的速度数据。

3. 旅行时间数据：从用户调查收集高峰时段和平峰时段的旅行时间数据。

6.1.2 数据处理

1. 数据清洗：去除异常值和缺失值。

2. 数据格式转换：将数据转换为Aimsun Next支持的格式。

3. 数据聚合：将高频率数据聚合为低频率数据。

importpandasaspdimportnumpyasnp# 读取数据data=pd.read_csv('urban_main_road_data.csv')# 查看数据print(data.head())# 去除异常值data=data[(data['flow']>=0)&(data['flow']<=2000)]data=data[(data['speed']>=0)&(data['speed']<=120)]# 填充缺失值data['flow'].fillna(data['flow'].mean(),inplace=True)data['speed'].fillna(data['speed'].mean(),inplace=True)# 保存清洗后的数据data.to_csv('cleaned_urban_main_road_data.csv',index=False)

6.1.3 参数选择与调整

1. 选择参数：选择车辆的最大加速度、最大减速度和跟车模型参数。

2. 手动调整：先通过手动调整参数，观察仿真结果的变化。

3. 自动化调整：使用遗传算法进行自动化参数调整。

importaimsun_apiasapiimportnumpyasnpfromscipy.optimizeimportdifferential_evolution# 定义目标函数defobjective_function(params):# 设置参数max_acceleration,max_deceleration,safety_distance=params api.set_vehicle_max_acceleration('Car',max_acceleration)api.set_vehicle_max_deceleration('Car',max_deceleration)api.set_vehicle_safety_distance('Car',safety_distance)# 运行仿真api.run_simulation()# 获取仿真结果simulated_flow=api.get_simulation_flow('Main Road')simulated_speed=api.get_simulation_speed('Main Road')simulated_travel_time=api.get_simulation_travel_time('Main Route')# 计算误差observed_flow=1500# 假设实际观测流量为1500辆/小时observed_speed=60# 假设实际观测速度为60公里/小时observed_travel_time=30# 假设实际观测旅行时间为30分钟flow_error=(simulated_flow-observed_flow)**2speed_error=(simulated_speed-observed_speed)**2travel_time_error=(simulated_travel_time-observed_travel_time)**2# 综合误差total_error=flow_error+speed_error+travel_time_errorreturntotal_error# 初始参数initial_params=[2.5,3.0,2.0]# 约束条件bounds=[(1.0,5.0),(1.0,5.0),(1.0,3.0)]# 使用遗传算法进行参数调整result=differential_evolution(objective_function,bounds)# 输出优化结果print(f"Optimized parameters:{result.x}")print(f"Minimum error:{result.fun}")# 应用优化后的参数api.set_vehicle_max_acceleration('Car',result.x[0])api.set_vehicle_max_deceleration('Car',result.x[1])api.set_vehicle_safety_distance('Car',result.x[2])

6.1.4 仿真模型的验证

1. 选择验证数据集：选择与校准数据集不同的独立观测数据，包括高峰时段和平峰时段的数据。

2. 运行仿真：在不同的交通场景下运行仿真。

3. 比较结果：将仿真结果与验证数据进行比较，评估模型的准确性。

6.1.4.1 静态验证示例

假设我们选择了一个高峰时段的交通流量数据集进行静态验证。可以使用Python进行数据比较：

importaimsun_apiasapiimportpandasaspd# 导入验证数据validation_data=pd.read_csv('peak_hour_traffic_flow_data.csv')# 获取仿真结果simulated_flow=api.get_simulation_flow('Main Road')# 计算误差observed_flow=validation_data['flow'].mean()error=(simulated_flow-observed_flow)/observed_flow*100# 输出结果print(f"Observed Flow:{observed_flow}")print(f"Simulated Flow:{simulated_flow}")print(f"Error:{error}%")

6.1.4.2 动态验证示例

假设我们选择了一个高峰时段的旅行时间数据集进行动态验证。可以使用Python进行数据比较：

importaimsun_apiasapiimportpandasaspd# 导入验证数据validation_data=pd.read_csv('peak_hour_travel_time_data.csv')# 获取仿真结果simulated_travel_time=api.get_simulation_travel_time('Main Route')# 计算误差observed_travel_time=validation_data['travel_time'].mean()error=(simulated_travel_time-observed_travel_time)/observed_travel_time*100# 输出结果print(f"Observed Travel Time:{observed_travel_time}")print(f"Simulated Travel Time:{simulated_travel_time}")print(f"Error:{error}%")

6.1.4.3 多场景验证示例

假设我们需要在高峰时段和平峰时段分别进行验证。可以使用Python进行多场景验证：

importaimsun_apiasapiimportpandasaspd# 导入高峰时段和平峰时段的验证数据peak_hour_data=pd.read_csv('peak_hour_traffic_flow_data.csv')off_peak_hour_data=pd.read_csv('off_peak_hour_traffic_flow_data.csv')# 定义验证函数defvalidate_simulation(data,scenario_name):# 获取仿真结果simulated_flow=api.get_simulation_flow('Main Road',scenario_name)# 计算误差observed_flow=data['flow'].mean()error=(simulated_flow-observed_flow)/observed_flow*100# 输出结果print(f"Scenario:{scenario_name}")print(f"Observed Flow:{observed_flow}")print(f"Simulated Flow:{simulated_flow}")print(f"Error:{error}%")# 运行高峰时段仿真api.run_simulation('Peak Hour')validate_simulation(peak_hour_data,'Peak Hour')# 运行平峰时段仿真api.run_simulation('Off Peak Hour')validate_simulation(off_peak_hour_data,'Off Peak Hour')

6.2 高速公路的校准与验证

假设我们需要对高速公路进行校准和验证。以下是一个详细的案例分析：

6.2.1 数据收集

1. 交通流量数据：从环形检测器和视频检测器收集高峰时段和平峰时段的交通流量数据。

2. 速度数据：从浮动车数据（如GPS数据）收集高峰时段和平峰时段的速度数据。

3. 密度数据：从交通调查或视频分析收集高峰时段和平峰时段的交通密度数据。

4. 旅行时间数据：从用户调查收集高峰时段和平峰时段的旅行时间数据。

6.2.2 数据处理

1. 数据清洗：去除异常值和缺失值。

2. 数据格式转换：将数据转换为Aimsun Next支持的格式。

3. 数据聚合：将高频率数据聚合为低频率数据，以减少计算量。

importpandasaspdimportnumpyasnp# 读取数据data=pd.read_csv('highway_data.csv')# 查看数据print(data.head())# 去除异常值data=data[(data['flow']>=0)&(data['flow']<=3000)]data=data[(data['speed']>=0)&(data['speed']<=130)]data=data[(data['density']>=0)&(data['density']<=100)]# 填充缺失值data['flow'].fillna(data['flow'].mean(),inplace=True)data['speed'].fillna(data['speed'].mean(),inplace=True)data['density'].fillna(data['density'].mean(),inplace=True)# 保存清洗后的数据data.to_csv('cleaned_highway_data.csv',index=False)

6.2.3 参数选择与调整

1. 选择参数：选择车辆的最大加速度、最大减速度、安全距离和跟车模型参数。

2. 手动调整：先通过手动调整参数，观察仿真结果的变化。

3. 自动化调整：使用粒子群优化算法进行自动化参数调整。

importaimsun_apiasapiimportnumpyasnpfrompyswarmimportpso# 定义目标函数defobjective_function(params):# 设置参数max_acceleration,max_deceleration,safety_distance,follow_model_param=params api.set_vehicle_max_acceleration('Car',max_acceleration)api.set_vehicle_max_deceleration('Car',max_deceleration)api.set_vehicle_safety_distance('Car',safety_distance)api.set_follow_model_parameter('Car',follow_model_param)# 运行仿真api.run_simulation()# 获取仿真结果simulated_flow=api.get_simulation_flow('Highway')simulated_speed=api.get_simulation_speed('Highway')simulated_density=api.get_simulation_density('Highway')simulated_travel_time=api.get_simulation_travel_time('Highway Route')# 计算误差observed_flow=2500# 假设实际观测流量为2500辆/小时observed_speed=100# 假设实际观测速度为100公里/小时observed_density=50# 假设实际观测密度为50辆/公里observed_travel_time=20# 假设实际观测旅行时间为20分钟flow_error=(simulated_flow-observed_flow)**2speed_error=(simulated_speed-observed_speed)**2density_error=(simulated_density-observed_density)**2travel_time_error=(simulated_travel_time-observed_travel_time)**2# 综合误差total_error=flow_error+speed_error+density_error+travel_time_errorreturntotal_error# 初始参数initial_params=[2.5,3.0,2.0,1.5]# 约束条件lb=[1.0,1.0,1.0,0.5]ub=[5.0,5.0,3.0,3.0]# 使用粒子群优化算法进行参数调整result=pso(objective_function,lb,ub)# 输出优化结果print(f"Optimized parameters:{result[0]}")print(f"Minimum error:{result[1]}")# 应用优化后的参数api.set_vehicle_max_acceleration('Car',result[0][0])api.set_vehicle_max_deceleration('Car',result[0][1])api.set_vehicle_safety_distance('Car',result[0][2])api.set_follow_model_parameter('Car',result[0][3])

6.2.4 仿真模型的验证

1. 选择验证数据集：选择与校准数据集不同的独立观测数据，包括高峰时段和平峰时段的数据。

2. 运行仿真：在不同的交通场景下运行仿真。

3. 比较结果：将仿真结果与验证数据进行比较，评估模型的准确性。

6.2.4.1 静态验证示例

假设我们选择了一个高峰时段的交通流量数据集进行静态验证。可以使用Python进行数据比较：

importaimsun_apiasapiimportpandasaspd# 导入验证数据validation_data=pd.read_csv('highway_peak_hour_traffic_flow_data.csv')# 获取仿真结果simulated_flow=api.get_simulation_flow('Highway')# 计算误差observed_flow=validation_data['flow'].mean()error=(simulated_flow-observed_flow)/observed_flow*100# 输出结果print(f"Observed Flow:{observed_flow}")print(f"Simulated Flow:{simulated_flow}")print(f"Error:{error}%")

6.2.4.2 动态验证示例

假设我们选择了一个高峰时段的旅行时间数据集进行动态验证。可以使用Python进行数据比较：

importaimsun_apiasapiimportpandasaspd# 导入验证数据validation_data=pd.read_csv('highway_peak_hour_travel_time_data.csv')# 获取仿真结果simulated_travel_time=api.get_simulation_travel_time('Highway Route')# 计算误差observed_travel_time=validation_data['travel_time'].mean()error=(simulated_travel_time-observed_travel_time)/observed_travel_time*100# 输出结果print(f"Observed Travel Time:{observed_travel_time}")print(f"Simulated Travel Time:{simulated_travel_time}")print(f"Error:{error}%")

6.2.4.3 多场景验证示例

假设我们需要在高峰时段和平峰时段分别进行验证。可以使用Python进行多场景验证：

importaimsun_apiasapiimportpandasaspd# 导入高峰时段和平峰时段的验证数据peak_hour_data=pd.read_csv('highway_peak_hour_traffic_flow_data.csv')off_peak_hour_data=pd.read_csv('highway_off_peak_hour_traffic_flow_data.csv')# 定义验证函数defvalidate_simulation(data,scenario_name):# 获取仿真结果simulated_flow=api.get_simulation_flow('Highway',scenario_name)# 计算误差observed_flow=data['flow'].mean()error=(simulated_flow-observed_flow)/observed_flow*100# 输出结果print(f"Scenario:{scenario_name}")print(f"Observed Flow:{observed_flow}")print(f"Simulated Flow:{simulated_flow}")print(f"Error:{error}%")# 运行高峰时段仿真api.run_simulation('Highway Peak Hour')validate_simulation(peak_hour_data,'Highway Peak Hour')# 运行平峰时段仿真api.run_simulation('Highway Off Peak Hour')validate_simulation(off_peak_hour_data,'Highway Off Peak Hour')