Os simuladores de tráfego são programas computacionais que, através de diversos modelos, tentam simular o tráfego, o comportamento dos motoristas, o desempenho dos veículos, entre outros aspectos que envolvem uma rede viária. Estes modelos precisam ser calibrados para representar as condições de um determinado local. O objetivo da pesquisa foi propor um método de calibração de um microssimulador de tráfego através de dados coletados por estações de monitoramento. O estudo de caso foi realizado através do simulador VISSIM para um trecho do Rodoanel Mário Covas (SP-021), utilizando um algoritmo genético (AG). A calibração envolveu, além dos parâmetros comportamentais dos sub-modelos de car-following e lane-change, o ajuste das distribuições de velocidade desejada dos veículos e um método para simulação do congestionamento. A função fitness do AG foi baseada em três medidas de desempenho: uma que comparava gráficos de fluxo-velocidade simulados e observados e outras duas que comparavam a distribuição do volume de tráfego e o percentual de veículos comerciais por faixa de tráfego. Os resultados mostraram que a medida mais apropriada para a comparação dos gráficos foi a distância de Hausdorff modificada (MHD). A medida MHD também foi fundamental para garantir a ciência do método de simulação de congestionamento de tráfego proposto. O modelo calibrado foi validado usando dados de tráfego coletados em dias diferentes, pela mesma estação de monitoramento.

Traffic simulators are computer programs that, through various models, try to simulate traffic, driver behavior, vehicle performance, and other aspects involved in a road network. These models need calibration to represent local conditions satisfactorily. The objective of the research was to propose a method for the calibration of a traffic microsimulator based on traffic data collected by monitoring stations. To demonstrate the feasibility of the proposed approach, a case study was performed calibrating the simulator VISSIM for a section of Rodoanel Mario Covas (SP-021) using a genetic algorithm (GA). The calibration focused on behavioral parameters for car-following and lane-change submodels, as well as on the desired speed distributions of vehicles and on a method to simulate congestion. The GA fitness function was based on three performance measures: one that compared simulated and observed speed-flow plots, and two that compared the distribution of traffic volume and truck volumes across traffic lanes, respectively. The results showed that the most appropriate measure for comparison of the graphs was the modified Hausdor distance (MHD). MHD was also important to ensure the efficiency of the method used to simulate traffic congestion. The calibrated model was validate using traffic data collected on different days, by the same monitoring station.