4. 宏观交通流模型：LWR模型与CTM模型
各位同学，今天我们来聊聊宏观交通流模型。说实话，微观模型虽然精细，但跑起来太慢了。你想想看，模拟一座城市几万辆车，每辆车都要算跟驰、换道，那计算量简直吓人。所以做大规模路网仿真时，我个人的习惯是先用宏观模型打个底。
宏观模型不关心每一辆车怎么开，它把车流当成一种「流体」来处理。就像水管里的水，我们只关心流量、密度、速度这三个宏观量。今天重点讲两个经典模型：LWR模型和CTM模型。
核心思想：宏观交通流模型将车辆流视为连续介质，用偏微分方程描述流量、密度、速度之间的关系。说白了，就是把车流当成水流来算。
4.1 LWR模型：宏观模型的鼻祖
LWR模型是1950年代由Lighthill、Whitham和Richards三位大佬提出的。我记得第一次看这个模型时，觉得它太简洁了——就一个方程。但后来在项目中才发现，越简单的模型，用起来越考验功力。
4.1.1 基本方程
LWR模型的核心是一个守恒方程：
∂ρ/∂t + ∂q/∂x = 0其中：
- ρ(x,t) 表示位置x、时刻t的交通密度（veh/km）
- q(x,t) 表示流量（veh/h）
- 方程含义：某段路上的车辆数变化 = 流入量 - 流出量
这个方程本身不完整，因为有两个未知数ρ和q。所以还需要一个「本构关系」——也就是流量-密度关系。最常用的是Greenshields模型：
q = ρ * vf * (1 - ρ/ρmax)其中vf是自由流速度，ρmax是阻塞密度。这个关系画出来是个抛物线，峰值就是道路的通行能力。
我的经验：Greenshields模型虽然简单，但在城市道路中误差较大。我曾经在快速路项目里试过，发现拥堵段的拟合效果很差。后来改用三角形基本图（triangular fundamental diagram），效果好了不少。建议你们做项目时，先拿实测数据标定一下基本图参数。
4.1.2 激波与交通波
LWR模型最精彩的地方，是它能描述「交通波」的传播。为什么会这样？因为守恒方程的解会出现间断——也就是激波。
举个例子：前方发生事故，车辆突然减速。这个减速信息会像波浪一样向后传播。传播速度可以用下式计算：
vw = (q2 - q1) / (ρ2 - ρ1)如果vw是负的，说明拥堵波在向上游传播——这就是我们常说的「幽灵堵车」的数学本质。
避坑指南：我曾经在仿真一个隧道入口时，直接用LWR模型算激波速度，结果发现波速比实际观测快了30%。后来排查发现，是基本图的自由流速度参数没标定好。隧道里司机会主动减速，vf不能直接用路段限速值。切记，参数标定一定要结合实测数据。
4.2 CTM模型：把LWR搬到计算机里
LWR模型虽然漂亮，但它是连续方程，计算机没法直接算。CTM（Cell Transmission Model）就是LWR的离散化版本。1994年由Daganzo提出，我愿称之为「交通仿真界的瑞士军刀」。
4.2.1 元胞划分
CTM把道路分成若干等长的元胞（cell）。每个元胞的长度通常取为自由流速度在一个时间步内的行驶距离：
Δx = vf * Δt这样做的好处是，车辆在一个时间步内最多只能从一个元胞进入下一个元胞，不会跳格。
| 参数 | 含义 | 典型值 |
|---|---|---|
| Δx | 元胞长度 | 100~500 m |
| Δt | 时间步长 | 5~15 s |
| ρmax | 阻塞密度 | 180 veh/km/车道 |
| Qmax | 通行能力 | 2000 veh/h/车道 |
4.2.2 流量更新规则
CTM的核心是每个时间步的流量计算。说白了，就是看「上游能送多少」和「下游能收多少」，取最小值：
y_i(t) = min( S_i(t), R_{i+1}(t) )其中：
- S_i(t) 是元胞i的发送能力：S_i = min( Qmax, vf * ρ_i )
- R_{i+1}(t) 是元胞i+1的接收能力：R_{i+1} = min( Qmax, w * (ρmax - ρ_{i+1}) )
- w 是拥堵波的传播速度
更新完流量后，密度更新就很简单了：
ρ_i(t+1) = ρ_i(t) + (y_{i-1}(t) - y_i(t)) * Δt / Δx关键点：CTM的流量计算本质上是「供需平衡」。上游能发多少货（供给），下游能收多少货（需求），取小值。这个思想在交通控制中非常实用。
4.2.3 代码实现示例
下面是一个简单的CTM仿真核心代码。嗯，这里只展示最核心的更新逻辑：
def ctm_step(rho, Qmax, vf, w, rho_max, dt, dx):
# 计算发送能力
S = np.minimum(Qmax, vf * rho)
# 计算接收能力
R = np.minimum(Qmax, w * (rho_max - rho))
# 计算实际流量（边界处特殊处理）
y = np.zeros_like(rho)
y[:-1] = np.minimum(S[:-1], R[1:])
# 更新密度
rho_new = rho + (np.roll(y, 1) - y) * dt / dx
return rho_new我的建议：实际项目中，CTM的边界条件处理很关键。入口边界通常用实测流量或OD数据驱动，出口边界要小心反射波。我曾经在高速路网仿真中，因为出口边界没处理好，导致拥堵波在路网里来回反弹，仿真结果完全失真。后来加了「吸收边界条件」才解决。
4.3 LWR与CTM的对比
这两个模型的关系，说白了就是「连续版」和「离散版」的区别。我整理了一个对比表：
| 特性 | LWR模型 | CTM模型 |
|---|---|---|
| 数学形式 | 偏微分方程 | 差分方程 |
| 计算方式 | 解析解/数值解 | 迭代更新 |
| 精度 | 理论精确 | 离散近似 |
| 计算效率 | 较低 | 极高 |
| 适用场景 | 理论分析 | 工程仿真 |
我个人在项目中几乎只用CTM。LWR更适合做理论推导，比如分析交通波的传播特性。但真要跑仿真、做控制，CTM的效率和灵活性无可替代。
4.4 本章知识体系
下面这张图展示了LWR模型和CTM模型的核心逻辑关系：
从这张图可以看得很清楚：LWR是理论基础，CTM是工程实现。两者一脉相承，但各有侧重。
重要提醒：CTM虽然好用，但它假设所有元胞长度相等、时间步长固定。如果路网中有匝道、交叉口，需要做特殊处理。我曾在城市路网中用CTM，结果在信号灯路口处流量计算总出错。后来加了「节点模型」来处理分流合流，才算搞定。
好了，宏观模型就讲到这里。LWR和CTM是交通仿真的基石，理解透了，后面学动态交通分配、网络流控制都会轻松很多。记住，模型是工具，关键是要知道它的适用边界。
可可精品资料库