半参数随机基本图模型：交通流建模新方法与Python实践

在交通流理论研究和实际应用中基本图模型是描述交通流量、密度和速度之间关系的核心工具。然而传统确定性模型往往难以充分捕捉实际交通数据中普遍存在的随机性和异质性导致预测精度受限。本文将深入探讨一种半参数随机基本图建模框架该框架结合了参数模型的解释性和非参数模型的灵活性为交通流建模提供了更强大的工具。本文适合交通工程、智能交通系统、数据科学等相关领域的研究人员和开发者阅读。通过学习您将掌握半参数随机基本图模型的基本原理、实现方法以及在实际交通数据分析中的应用技巧。我们将从基础概念入手逐步深入到模型构建、参数估计和实际案例应用帮助您建立完整的知识体系。1. 基本图模型基础与挑战1.1 基本图模型的核心概念基本图模型是交通流理论中的基础工具它描述了三个关键交通参数之间的数学关系流量q单位时间内通过某断面的车辆数、密度k单位长度内的车辆数和速度v车辆的平均行驶速度。这三个参数满足基本关系式 q k × v。传统的基本图模型主要包括以下几种形式Greenshields模型假设速度与密度呈线性关系Greenberg模型采用对数关系描述速度-密度关系Underwood模型使用指数函数拟合交通流特征这些传统模型虽然形式简单但在实际应用中存在明显局限性。真实交通数据往往表现出复杂的随机特征包括测量误差、驾驶员行为差异、天气影响等随机因素这些都无法通过简单的确定性模型充分描述。1.2 传统模型的局限性分析在实际交通数据分析中我们经常观察到以下现象相同密度条件下流量值存在显著分散交通流状态转换过程中的滞后现象不同时间段、不同地点数据的异质性极端天气或事件导致的异常交通模式这些现象表明纯粹确定性的基本图模型难以准确描述真实的交通系统。确定性模型只能提供单一的函数关系而实际数据点往往围绕某个趋势线呈现分散分布这种分散特征包含了重要的交通流信息。2. 半参数随机建模框架理论基础2.1 半参数方法的核心思想半参数建模方法结合了参数模型和非参数模型的优势。参数部分提供了模型的可解释性和结构约束非参数部分则灵活地捕捉数据中的复杂模式。在基本图建模中半参数框架通常表现为模型结构q f(k; θ) ε(k)其中f(k; θ)是参数化部分描述流量与密度的确定性关系ε(k)是随机误差项其分布特征可能随密度k变化。这种结构既保持了传统基本图模型的物理意义又允许随机成分具有灵活性。2.2 随机建模的统计基础随机基本图模型建立在坚实的统计理论基础之上。关键概念包括条件分布给定密度k时流量q的条件概率分布异方差性误差项的方差可能随解释变量变化分布回归直接对条件分布进行建模而非仅关注条件均值基于这些概念我们可以构建更加丰富的概率性基本图模型不仅预测平均交通流量还能提供预测区间和概率估计。3. 环境准备与工具配置3.1 软件环境要求实现半参数随机基本图建模需要以下软件环境Python 3.7 或 R 4.0必要的统计建模库Python的statsmodels、scikit-learnR的mgcv、gam数据可视化工具matplotlib、ggplot2数据处理库pandas、dplyr3.2 Python环境配置示例# 所需库的安装命令 # pip install numpy pandas matplotlib scipy statsmodels scikit-learn import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy import stats import statsmodels.api as sm from statsmodels.nonparametric import kernel_regression from sklearn.gaussian_process import GaussianProcessRegressor from sklearn.gaussian_process.kernels import RBF, WhiteKernel # 设置随机种子保证结果可重现 np.random.seed(42)3.3 数据准备规范交通流数据通常包含时间戳、流量、密度、速度等字段。在进行建模前需要进行数据质量控制异常值检测和处理数据完整性检查单位统一和标准化时间序列特征的提取4. 半参数随机基本图模型实现4.1 模型架构设计我们设计一个两阶段的半参数建模框架第一阶段参数部分建模 使用传统的参数化基本图模型如Greenshields模型捕捉主要趋势def greenshields_model(k, q_max, k_jam): Greenshields基本图模型 k: 密度数组 q_max: 最大流量 k_jam: 阻塞密度 return q_max * (1 - k / k_jam) * k # 参数估计示例 def estimate_greenshields_params(k, q): 使用最小二乘法估计Greenshields模型参数 # 构建设计矩阵 X np.column_stack([k, -k**2]) params np.linalg.lstsq(X, q, rcondNone)[0] q_max params[1] # 从二次项系数推导最大流量 k_jam q_max / params[0] if params[0] ! 0 else np.max(k) * 1.2 return q_max, k_jam第二阶段非参数残差建模 对参数模型的残差进行非参数建模捕捉随机成分class SemiparametricFDModel: def __init__(self): self.param_model None self.residual_model None self.is_fitted False def fit(self, k, q, param_methodgreenshields, residual_methodgp): 拟合半参数基本图模型 k: 密度观测值 q: 流量观测值 param_method: 参数模型方法 residual_method: 残差建模方法 # 第一阶段参数模型拟合 if param_method greenshields: self.q_max, self.k_jam estimate_greenshields_params(k, q) parametric_pred greenshields_model(k, self.q_max, self.k_jam) # 计算残差 residuals q - parametric_pred # 第二阶段残差建模 if residual_method gp: # 使用高斯过程建模残差 kernel RBF(length_scale1.0) WhiteKernel(noise_level1.0) self.residual_model GaussianProcessRegressor(kernelkernel) self.residual_model.fit(k.reshape(-1, 1), residuals) self.is_fitted True return self def predict(self, k, return_stdFalse): 预测给定密度下的流量分布 if not self.is_fitted: raise ValueError(模型尚未拟合) parametric_pred greenshields_model(k, self.q_max, self.k_jam) if return_std: residual_pred, residual_std self.residual_model.predict( k.reshape(-1, 1), return_stdTrue) return parametric_pred residual_pred, residual_std else: residual_pred self.residual_model.predict(k.reshape(-1, 1)) return parametric_pred residual_pred4.2 分布回归方法实现除了均值预测我们还可以实现完整的条件分布估计def conditional_distribution_estimation(k, q, k_new, bandwidth0.1): 使用核方法估计条件分布 k: 训练密度值 q: 训练流量值 k_new: 新密度值 bandwidth: 核带宽参数 # 核函数高斯核 def gaussian_kernel(u): return np.exp(-0.5 * u**2) / np.sqrt(2 * np.pi) # 条件分布估计 conditional_densities [] for k_val in k_new: # 计算权重 weights gaussian_kernel((k - k_val) / bandwidth) weights weights / np.sum(weights) # 归一化 # 加权经验分布 weighted_ecdf sm.distributions.ECDF(q, weightsweights) conditional_densities.append(weighted_ecdf) return conditional_densities5. 完整实战案例城市快速路交通流分析5.1 数据准备与探索我们使用模拟的城市快速路交通流数据进行案例演示# 生成模拟交通流数据 def generate_traffic_data(n_samples1000): 生成具有随机特征的交通流模拟数据 np.random.seed(42) # 密度范围0-150 veh/km k np.random.uniform(0, 150, n_samples) # 真实模型参数 q_max_true 2000 # 最大流量 k_jam_true 150 # 阻塞密度 # 确定性部分Greenshields模型 q_deterministic greenshields_model(k, q_max_true, k_jam_true) # 随机部分异方差误差 error_std 100 50 * np.sin(k * 2 * np.pi / 100) # 标准差随密度变化 error np.random.normal(0, error_std) # 观测流量 q_observed q_deterministic error # 添加一些异常值模拟测量误差 outlier_indices np.random.choice(n_samples, sizeint(0.02 * n_samples), replaceFalse) q_observed[outlier_indices] np.random.normal(0, 500, len(outlier_indices)) return k, q_observed, q_deterministic # 生成数据 k_train, q_train, q_true generate_traffic_data(800) k_test, q_test, _ generate_traffic_data(200) # 数据可视化 plt.figure(figsize(12, 5)) plt.subplot(1, 2, 1) plt.scatter(k_train, q_train, alpha0.6, s10, label训练数据) plt.xlabel(密度 (veh/km)) plt.ylabel(流量 (veh/h)) plt.title(训练数据分布) plt.legend() plt.subplot(1, 2, 2) plt.hist(q_train, bins50, densityTrue, alpha0.7) plt.xlabel(流量 (veh/h)) plt.ylabel(概率密度) plt.title(流量分布直方图) plt.tight_layout() plt.show()5.2 模型训练与比较比较传统参数模型和半参数随机模型的性能# 传统参数模型拟合 from sklearn.metrics import mean_squared_error, mean_absolute_error # Greenshields模型 q_max_est, k_jam_est estimate_greenshields_params(k_train, q_train) q_pred_param greenshields_model(k_test, q_max_est, k_jam_est) mse_param mean_squared_error(q_test, q_pred_param) mae_param mean_absolute_error(q_test, q_pred_param) print(f传统参数模型性能) print(fMSE: {mse_param:.2f}, MAE: {mae_param:.2f}) # 半参数随机模型 semiparam_model SemiparametricFDModel() semiparam_model.fit(k_train, q_train) q_pred_semi, q_std_semi semiparam_model.predict(k_test, return_stdTrue) mse_semi mean_squared_error(q_test, q_pred_semi) mae_semi mean_absolute_error(q_test, q_pred_semi) print(f半参数随机模型性能) print(fMSE: {mse_semi:.2f}, MAE: {mae_semi:.2f}) print(f改进比例MSE降低 {((mse_param - mse_semi)/mse_param*100):.1f}%) # 预测区间计算 confidence_level 0.95 z_score stats.norm.ppf(1 - (1 - confidence_level) / 2) lower_bound q_pred_semi - z_score * q_std_semi upper_bound q_pred_semi z_score * q_std_semi # 计算区间覆盖率 coverage np.mean((q_test lower_bound) (q_test upper_bound)) print(f95%预测区间覆盖率{coverage*100:.1f}%)5.3 结果可视化与分析# 综合结果可视化 plt.figure(figsize(15, 10)) # 子图1数据与拟合曲线对比 plt.subplot(2, 2, 1) plt.scatter(k_test, q_test, alpha0.6, s20, label测试数据, colorlightgray) plt.plot(k_test, q_pred_param, r-, linewidth2, label参数模型预测) plt.plot(k_test, q_pred_semi, b-, linewidth2, label半参数模型预测) plt.fill_between(k_test, lower_bound, upper_bound, alpha0.3, label95%预测区间, colorblue) plt.xlabel(密度 (veh/km)) plt.ylabel(流量 (veh/h)) plt.title(模型拟合效果对比) plt.legend() # 子图2残差分析 plt.subplot(2, 2, 2) residuals_param q_test - q_pred_param residuals_semi q_test - q_pred_semi plt.scatter(k_test, residuals_param, alpha0.6, s20, label参数模型残差, colorred) plt.scatter(k_test, residuals_semi, alpha0.6, s20, label半参数模型残差, colorblue) plt.axhline(y0, colorblack, linestyle--) plt.xlabel(密度 (veh/km)) plt.ylabel(残差) plt.title(残差分布对比) plt.legend() # 子图3条件分布估计示例 plt.subplot(2, 2, 3) k_selected [30, 60, 90, 120] # 选择几个密度值 colors [red, blue, green, purple] for i, k_val in enumerate(k_selected): # 选择该密度附近的数据 mask (k_test k_val - 5) (k_test k_val 5) if np.sum(mask) 0: plt.hist(q_test[mask], bins20, densityTrue, alpha0.5, colorcolors[i], labelfk{k_val}) plt.xlabel(流量 (veh/h)) plt.ylabel(概率密度) plt.title(不同密度下的流量条件分布) plt.legend() # 子图4预测不确定性分析 plt.subplot(2, 2, 4) plt.plot(k_test, q_std_semi, g-, linewidth2) plt.xlabel(密度 (veh/km)) plt.ylabel(预测标准差) plt.title(预测不确定性随密度变化) plt.grid(True, alpha0.3) plt.tight_layout() plt.show()6. 模型评估与验证方法6.1 统计检验框架建立完整的模型评估体系def comprehensive_model_evaluation(k_train, q_train, k_test, q_test, model): 综合模型评估函数 # 训练集性能 q_pred_train model.predict(k_train) train_mse mean_squared_error(q_train, q_pred_train) train_mae mean_absolute_error(q_train, q_pred_train) # 测试集性能 q_pred_test, q_std_test model.predict(k_test, return_stdTrue) test_mse mean_squared_error(q_test, q_pred_test) test_mae mean_absolute_error(q_test, q_pred_test) # 残差正态性检验 residuals q_test - q_pred_test _, normality_pvalue stats.normaltest(residuals) # 异方差性检验Breusch-Pagan类似方法 residual_variance np.var(residuals) heteroscedasticity np.corrcoef(k_test, residuals**2)[0, 1] # 预测区间校准评估 coverage_90 np.mean((q_test (q_pred_test - 1.645*q_std_test)) (q_test (q_pred_test 1.645*q_std_test))) coverage_95 np.mean((q_test (q_pred_test - 1.96*q_std_test)) (q_test (q_pred_test 1.96*q_std_test))) evaluation_results { train_mse: train_mse, train_mae: train_mae, test_mse: test_mse, test_mae: test_mae, normality_pvalue: normality_pvalue, heteroscedasticity: heteroscedasticity, coverage_90: coverage_90, coverage_95: coverage_95, residuals: residuals } return evaluation_results # 执行评估 evaluation comprehensive_model_evaluation(k_train, q_train, k_test, q_test, semiparam_model) print(模型综合评估结果) for key, value in evaluation.items(): if key ! residuals: print(f{key}: {value:.4f})6.2 交叉验证与稳定性分析from sklearn.model_selection import KFold def cross_validation_stability(k, q, n_splits5): 交叉验证评估模型稳定性 kf KFold(n_splitsn_splits, shuffleTrue, random_state42) performance_metrics [] fold_results [] for fold, (train_idx, test_idx) in enumerate(kf.split(k)): k_train_fold, q_train_fold k[train_idx], q[train_idx] k_test_fold, q_test_fold k[test_idx], q[test_idx] # 训练模型 model_fold SemiparametricFDModel() model_fold.fit(k_train_fold, q_train_fold) # 预测评估 q_pred_fold, q_std_fold model_fold.predict(k_test_fold, return_stdTrue) fold_metrics { fold: fold 1, mse: mean_squared_error(q_test_fold, q_pred_fold), mae: mean_absolute_error(q_test_fold, q_pred_fold), coverage_95: np.mean((q_test_fold (q_pred_fold - 1.96*q_std_fold)) (q_test_fold (q_pred_fold 1.96*q_std_fold))) } performance_metrics.append(fold_metrics) fold_results.append({ model: model_fold, test_indices: test_idx }) # 汇总结果 metrics_df pd.DataFrame(performance_metrics) stability_analysis { mean_mse: metrics_df[mse].mean(), std_mse: metrics_df[mse].std(), mean_mae: metrics_df[mae].mean(), std_mae: metrics_df[mae].std(), mean_coverage: metrics_df[coverage_95].mean(), cv_mse: metrics_df[mse].std() / metrics_df[mse].mean() * 100 # 变异系数 } return stability_analysis, metrics_df, fold_results # 执行交叉验证 stability_results, fold_metrics, fold_models cross_validation_stability( np.concatenate([k_train, k_test]), np.concatenate([q_train, q_test]) ) print(交叉验证稳定性分析) for key, value in stability_results.items(): print(f{key}: {value:.4f})7. 实际应用场景与扩展7.1 交通状态识别与预测半参数随机基本图模型在交通状态识别中具有重要应用def traffic_state_identification(k, q, model, threshold0.8): 基于概率的交通状态识别 threshold: 状态识别置信度阈值 # 获取预测分布 q_pred, q_std model.predict(k, return_stdTrue) # 定义状态边界基于基本图理论 k_critical model.k_jam / 2 # 临界密度简化假设 states [] probabilities [] for i, (k_val, q_val, pred, std) in enumerate(zip(k, q, q_pred, q_std)): # 计算属于自由流状态的概率 if k_val k_critical: # 自由流状态流量接近容量方差较小 free_flow_prob stats.norm.cdf(q_val, locpred, scalestd) congested_prob 1 - free_flow_prob else: # 拥堵状态流量较低方差可能较大 congested_prob stats.norm.cdf(q_val, locpred, scalestd) free_flow_prob 1 - congested_prob # 状态判定 if free_flow_prob threshold: state 自由流 confidence free_flow_prob elif congested_prob threshold: state 拥堵 confidence congested_prob else: state 过渡状态 confidence max(free_flow_prob, congested_prob) states.append(state) probabilities.append(confidence) return states, probabilities # 应用状态识别 traffic_states, state_probabilities traffic_state_identification( k_test, q_test, semiparam_model ) # 状态识别结果分析 state_df pd.DataFrame({ 密度: k_test, 流量: q_test, 状态: traffic_states, 置信度: state_probabilities }) print(交通状态识别结果摘要) print(state_df.groupby(状态).agg({ 密度: [mean, std], 流量: [mean, std], 置信度: mean }).round(2))7.2 短期交通流预测结合时间序列特征进行短期预测from statsmodels.tsa.arima.model import ARIMA from sklearn.linear_model import LinearRegression class TrafficFlowPredictor: 结合基本图模型和时间序列的交通流预测器 def __init__(self, fd_model, time_window10): self.fd_model fd_model self.time_window time_window self.density_predictor None def fit_density_model(self, k_series): 拟合密度时间序列模型 # 使用ARIMA模型建模密度时间序列 self.density_model ARIMA(k_series, order(1, 0, 1)) self.density_fitted self.density_model.fit() def predict_flow(self, k_history, steps5): 预测未来交通流量 # 预测未来密度 density_forecast self.density_fitted.forecast(stepssteps) # 使用基本图模型预测流量 flow_forecast, flow_std self.fd_model.predict( density_forecast.values, return_stdTrue) forecast_df pd.DataFrame({ 预测密度: density_forecast, 预测流量: flow_forecast, 流量标准差: flow_std, 95%下限: flow_forecast - 1.96 * flow_std, 95%上限: flow_forecast 1.96 * flow_std }) return forecast_df # 模拟时间序列数据应用 k_time_series np.concatenate([k_train, k_test])[:500] # 取前500个点作为时间序列 q_time_series np.concatenate([q_train, q_test])[:500] # 创建预测器实例 predictor TrafficFlowPredictor(semiparam_model) predictor.fit_density_model(k_time_series) # 进行短期预测 short_term_forecast predictor.predict_flow(k_time_series, steps10) print(短期交通流预测结果) print(short_term_forecast)8. 常见问题与解决方案8.1 模型拟合问题排查在实际应用中可能遇到的典型问题及解决方案问题1模型收敛困难症状参数估计不稳定预测方差过大原因数据质量差、参数初始化不当、模型复杂度不匹配解决方案def robust_model_fitting(k, q, max_iterations3): 鲁棒的模型拟合流程 best_model None best_mse float(inf) for iteration in range(max_iterations): try: # 尝试不同的参数初始化 if iteration 0: model SemiparametricFDModel() elif iteration 1: # 使用分位数初始化参数 k_jam_init np.quantile(k, 0.95) * 1.1 q_max_init np.quantile(q, 0.9) # 传递初始化参数需要扩展模型类支持 model SemiparametricFDModel() else: # 数据子采样方法 sample_idx np.random.choice(len(k), sizelen(k)//2, replaceFalse) model SemiparametricFDModel() model.fit(k[sample_idx], q[sample_idx]) # 评估模型 q_pred model.predict(k) current_mse mean_squared_error(q, q_pred) if current_mse best_mse: best_mse current_mse best_model model except Exception as e: print(f迭代 {iteration1} 失败: {e}) continue return best_model问题2异方差性处理不足症状残差方差随自变量系统性变化解决方案使用加权最小二乘法或变方差模型def weighted_semiparametric_fit(k, q, weight_functionvariance): 考虑异方差性的加权拟合 # 第一阶段初步拟合获取残差模式 initial_model SemiparametricFDModel() initial_model.fit(k, q) residuals q - initial_model.predict(k) # 估计方差函数 if weight_function variance: # 使用核回归估计方差函数 from statsmodels.nonparametric import kernel_regression # 计算局部方差 local_variance [] for i, k_val in enumerate(k): weights stats.norm.pdf(k, lock_val, scalenp.std(k)/3) weights weights / np.sum(weights) local_var np.average((residuals - np.average(residuals, weightsweights))**2, weightsweights) local_variance.append(local_var) weights 1 / np.array(local_variance) # 使用加权数据重新拟合 # 需要扩展模型类支持加权拟合 return weighted_model8.2 数据质量问题处理真实交通数据常见的质量问题及处理方法缺失值处理策略def handle_missing_data(k, q, max_gap5): 交通流数据缺失值处理 # 识别连续缺失段 missing_mask np.isnan(q) if not np.any(missing_mask): return k, q # 无缺失值 # 小间隔缺失使用线性插值 if np.sum(missing_mask) / len(q) 0.1: # 缺失率小于10% q_interpolated pd.Series(q).interpolate(methodlinear).values return k, q_interpolated else: # 大量缺失考虑使用时间序列方法或排除该时段 print(警告数据缺失严重建议检查数据质量) return k[~missing_mask], q[~missing_mask]异常值检测与处理def detect_traffic_outliers(k, q, model, threshold3): 基于模型残差的异常值检测 q_pred model.predict(k) residuals q - q_pred residual_std np.std(residuals) # 标准化残差 standardized_residuals np.abs(residuals) / residual_std # 识别异常值 outlier_mask standardized_residuals threshold print(f检测到 {np.sum(outlier_mask)} 个异常值) # 提供处理建议 if np.sum(outlier_mask) / len(q) 0.05: print(异常值比例超过5%建议检查数据采集系统) return outlier_mask, standardized_residuals9. 最佳实践与工程建议9.1 模型选择指南根据实际应用场景选择合适的建模方法场景1实时交通监控系统需求快速计算、稳定性优先推荐简化版的半参数模型固定参数部分动态更新非参数部分更新策略滑动窗口方法每小时更新一次残差模型场景2交通规划设计需求高精度、全面分析推荐完整的半参数随机模型考虑季节、天气等协变量数据要求长期历史数据包含多种交通条件场景3学术研究需求方法创新、理论深度推荐扩展的半参数框架测试不同的参数化和非参数化组合评估重点统计性质、理论贡献9.2 生产环境部署考虑将半参数随机基本图模型部署到生产环境的关键考虑性能优化class OptimizedSemiParametricFDModel(SemiparametricFDModel): 优化版本的生产环境模型 def __init__(self, resolution100): super().__init__() self.resolution resolution # 预测网格分辨率 self.prediction_grid None self.grid_predictions None def precompute_predictions(self, k_min0, k_max150): 预计算网格点预测加速实时预测 self.prediction_grid np.linspace(k_min, k_max, self.resolution) self.grid_predictions, self.grid_std self.predict( self.prediction_grid, return_stdTrue) def fast_predict(self, k): 基于预计算的快速预测 if self.prediction_grid is None: self.precompute_predictions() # 使用最近邻插值 indices np.abs(self.prediction_grid - k[:, None]).argmin(axis1) return self.grid_predictions[indices], self.grid_std[indices]监控与维护建立模型性能监控体系预测准确度定期评估数据分布漂移检测模型衰减预警机制自动化重训练流程9.3 可扩展性设计支持模型扩展和定制化class ExtensibleFDModel: 可扩展的基本图模型框架 def __init__(self): self.parametric_components [] self.nonparametric_components [] self.covariate_handlers [] def add_parametric_component(self, component_func, component_name): 添加参数化组件 self.parametric_components.append({ name: component_name, function: component_func, parameters: None }) def add_covariate_handler(self, covariate_name, handler_func): 添加协变量处理器 self.covariate_handlers.append({ name: covariate_name, handler: handler_func }) def fit_with_covariates(self, k, q, **covariates): 考虑协变量的模型拟合 # 处理协变量 covariate_effects [] for handler in self.covariate_handlers: covariate_name handler[name] if covariate_name in covariates: effect handler[handler](covariates[covariate_name]) covariate_effects.append(effect) # 调整目标变量 q_adjusted q - np.sum(covariate_effects, axis0) if covariate_effects else q # 拟合基本模型 super().fit(k, q_adjusted) return self半参数随机基本图建模框架为交通流分析提供了强大的工具组合既保持了传统模型的物理可解释性又能够灵活捕捉实际数据中的随机特征。在实际应用中需要根据具体场景需求调整模型复杂度和实现方式平衡计算效率与预测精度之间的关系。通过本文介绍的方法体系研究人员和工程师可以构建更加准确、鲁棒的交通流模型为智能交通系统、交通管理和城市规划提供可靠的数据分析基础。建议读者从简单案例开始实践逐步扩展到复杂应用场景并在实际项目中验证模型的有效性。