主动式复杂事件处理,就是根据大量不确定事件,预测系统某个可能的状态并执行某些操作来避免该状态的发生。采取某些措施消除或减轻预测到的威胁或者利用预测到的机会,能够显著提高人们的生活质量,预防环境污染和减少经济损失。将主动式复杂事件处理方法应用到交通仿真系统中可以预测交通状态,并采取相应的措施来避免交通拥堵,同时会减少二氧化碳排放,优化公共交通运输和提高通行者效率,因此搭建一个交通物联网仿真系统来支持主动式复杂事件处理具有重要的研究意义和现实意义。现有的交通仿真系统没有很好地与Agent技术融合,缺乏学习能力和决策能力,另外主要用作交通灯的配时研究,在车辆仿真方面效果不佳,因此本文利用微观交通仿真工具SUMO和Agent开发框架Agent搭建一个智能的交通仿真系统,对交通中的每一辆车和驾驶员构建一个车辆-驾驶员Agent模型,为了使模型更加地真实,采用权重线性下降粒子群算法对模型参数进行标定。本文以车辆的微观模型参数优化和基于主动式复杂事件处理方法的车辆宏观决策控制为研究重点,论文的主要工作如下:(1)提出并实现了一个基于主动式复杂事件处理的主动式交通物联网仿真框架,利用微观交通仿真工具SUMO和智能代理开发框架JADE构建了一个面向主动式复杂事件处理的多Agent的智能交通物联网仿真系统,采用少量的配置生成实际的配置文件,并基于各种概率分布对交通流量进行配置,使与现实更加接近。(2)本文将车辆和驾驶员做为一个研究单元,构建驾驶员-车辆Agent,为了使仿真更加真实,模拟驾驶员的智能操作特性和车辆的动力性能,对Agent进行微观建模,并采用权重线性下降粒子群算法对模型参数进行优化,使模型更加真实。(3)为了更好地解决交通拥堵控制问题,也为了更好地支持主动式控制,本文提出了一种基于未来状态的分布式马尔可夫决策方法,对仿真中的交通车辆路径选择进行动态分配和宏观调控,从而缓解拥堵,改善交通,提高交通效率。