混合交通仿真是现代城市道路交通的重要技术分析手段,也是自动驾驶汽车测试环境的主要形式之一,具有重要的理论意义和应用价值。作为混合交通仿真的代表方法之一,社会力混合交通仿真方法通过简单、统一的力学模型,准确模拟各类交通智能体的复杂行为。然而,该模型参数复杂、参数关联性强,可观的仿真结果需要对参数进行反复调整,极大增加了人工成本。为了解决上述提到的问题,本文创造性地提出用数据驱动的方法对社会力混合交通模型进行参数估计,旨在简化参数初始化过程,得到逼近真实场景的仿真结果。该方法利用指定对象在真实和仿真混合交通轨迹中的坐标误差构建目标方程,将误差值映射为遗传算法的适应度值进行迭代优化,实现特定对象的模型参数求解。为了避免绝对误差对高速运动下的交通对象大误差值的系统性高估和相对误差对长短轨迹误差敏感度不一的情况,本文结合绝对和相对误差方法特性,提出了新的优化方程。为了降低算法收敛到局部最优的可能性,本文采用自适应遗传算法,通过量化当前参数族群的适应度拟合情况,对个体交叉和突变概率进行调整,同时引入精英策略以保留每代族群的最优解集,提高算法收敛速度。同时,本文参考真实交通场景中的智能体行为,针对现有模型提出了一系列优化方案,包括道路约束的修改、个体对不同受力敏感程度不一的考虑、视角影响因子的引入等。基于优化后模型,对真实交通数据进行再处理,依次进行道路信息提取、空间变换,以及单位目标位移、速度和加速度等运动信息的计算。为了证明模型的适用性,本文模拟展示了包括车辆变道、人横穿马路、非机动车避让等混合交互行为。为了证明参数的有效性和求解算法的性能,本文分别从轨迹坐标、速度时间分布等方面与真实数据进行量化对比,并统计了算法误差随迭代次数变化及全场景的误差分布。