1. 交通流基础：交通流三参数的定义与关系
大家好，我是你们这堂课的老朋友。今天咱们聊聊交通流最核心的东西——三参数。说白了，就是流量、密度、速度这三个家伙。我做了十几年交通仿真，跟它们打了无数交道，今天就把我的经验掰开揉碎了讲给你听。
1.1 流量：单位时间能过多少车？
流量，英文叫 Flow，符号是 q。它的定义很简单：单位时间内通过某个断面的车辆数。单位通常是 veh/h（辆/小时）。
举个例子：你在高速收费站数车，1小时内过了 1200 辆车，那流量就是 1200 veh/h。
注意：流量不是速度，也不是密度。它只关心「过了多少」，不关心「车跑多快」或「车挨得多近」。
我个人的习惯：做仿真时，流量是最容易从检测器拿到的数据。但别高兴太早——流量高不一定代表路况好。我曾经遇到一个项目，流量显示 2000 veh/h，结果一看视频，车都堵成停车场了。为什么？因为流量在拥堵时反而会下降。这个坑我后面会细说。
1.2 密度：路上车挤不挤？
密度，符号 k，单位是 veh/km（辆/公里）。它描述的是某段路上单位长度内有多少辆车。
你想想看：一条 1 公里长的路，如果上面有 50 辆车，那密度就是 50 veh/km。密度越大，说明车越挤，越容易堵车。
关键点：密度是空间上的概念，流量是时间上的概念。两者不能混为一谈。
避坑指南：我曾经在仿真里把密度设得过高，结果模型直接崩溃。后来发现，密度超过某个阈值（比如 150 veh/km），车辆根本动不了。这个阈值叫「阻塞密度」，后面会讲。
1.3 速度：车跑得快不快？
速度，符号 v，单位 km/h。这里要区分两种速度：
- 时间平均速度：固定点测速，取所有车的平均。比如雷达测速。
- 空间平均速度：某段路上所有车的平均速度。这个更接近「路况感觉」。
我个人做仿真时，几乎只用空间平均速度。为什么？因为时间平均速度会被快车带偏。举个例子：路上 9 辆车跑 60 km/h，1 辆车跑 120 km/h，时间平均是 66 km/h，但实际路况就是堵的。空间平均能更真实反映拥堵程度。
1.4 三参数的关系：基本图理论
好了，三个参数讲完了。它们之间有个铁打的关系：
流量 = 密度 × 速度
即：q = k × v
这个公式简单到令人发指，但背后藏着整个交通流理论的精髓。你想想看：如果密度很大但速度很慢，流量不一定高；如果速度很快但密度很小，流量也不一定高。只有两者搭配得当，流量才能达到最大值。
这就是「基本图」的核心思想。基本图是啥？就是流量-密度关系曲线。我画个图给你看：
这张图我手绘过无数次。横轴是密度，纵轴是流量。曲线先上升后下降，像个倒扣的碗。为什么？
- 左半段（自由流）：密度小，车少，速度高。流量随密度增加而增加。
- 顶点（临界点）：密度达到某个值 k_c，流量达到最大值 q_max。这是路能承受的最大通行能力。
- 右半段（拥堵流）：密度继续增加，车挤车，速度下降，流量反而降低。
嗯，这里要注意：基本图不是一条固定的曲线。它受道路条件、驾驶员行为、天气等因素影响。我在项目中遇到过，同样的路，晴天和雨天的基本图完全不一样。所以做仿真时，千万别拿一条曲线套所有场景。
1.5 速度-密度关系：另一个视角
除了流量-密度图，速度-密度关系也很常用。公式是：
v = v_free × (1 - k / k_jam)
其中 v_free 是自由流速度（路上没车时的速度），k_jam 是阻塞密度（车完全动不了时的密度）。
这个公式是线性关系，简单好用。但实际数据往往不是直线，而是曲线。我建议初学者先用这个线性模型，等熟悉了再上更复杂的模型（比如 Greenshields 模型、Underwood 模型等）。
| 参数 | 符号 | 单位 | 典型范围 |
|---|---|---|---|
| 流量 | q | veh/h | 0 ~ 2400（单车道） |
| 密度 | k | veh/km | 0 ~ 150（单车道） |
| 速度 | v | km/h | 0 ~ 120 |
| 自由流速度 | v_free | km/h | 60 ~ 120 |
| 阻塞密度 | k_jam | veh/km | 100 ~ 200 |
警告：基本图是宏观模型，不能直接用于微观仿真中的跟车行为。我曾经犯过这个错——把基本图公式直接塞进跟车模型里，结果仿真出来的车流像鬼畜一样抖动。微观仿真要用跟车模型（比如 IDM、Gipps 模型），基本图只用于宏观层面的验证和校准。
1.6 实战：用 Python 画基本图
光说不练假把式。我写段代码，让你亲手画出基本图：
import numpy as np
import matplotlib.pyplot as plt
# 参数设置
v_free = 100 # 自由流速度 km/h
k_jam = 150 # 阻塞密度 veh/km
# 生成密度数据
k = np.linspace(0, k_jam, 100)
# 速度-密度关系（线性模型）
v = v_free * (1 - k / k_jam)
# 流量 = 密度 × 速度
q = k * v
# 绘图
plt.figure(figsize=(10, 6))
plt.plot(k, q, 'b-', linewidth=2, label='基本图')
plt.axvline(x=k_jam/2, color='r', linestyle='--', label='临界密度 k_c')
plt.axhline(y=np.max(q), color='g', linestyle='--', label='最大流量 q_max')
plt.xlabel('密度 k (veh/km)')
plt.ylabel('流量 q (veh/h)')
plt.title('交通流基本图（Greenshields 模型）')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()
print(f"最大流量: {np.max(q):.0f} veh/h")
print(f"临界密度: {k_jam/2:.0f} veh/km")
print(f"临界速度: {v_free/2:.0f} km/h")运行这段代码，你会看到一条漂亮的抛物线。最大流量出现在密度为 k_jam/2 的位置，此时速度是 v_free/2。这个结论在很多教材里都有，但亲手画出来感觉完全不一样。
我的小技巧：做仿真时，先用这个线性模型跑一遍，看看流量峰值是否合理。如果峰值超过 2400 veh/h（单车道），说明参数设得太激进了。我曾经调参数调到凌晨三点，最后发现是 k_jam 设小了。记住：k_jam 一般在 150-200 之间，别乱改。
1.7 总结：三参数是交通仿真的基石
流量、密度、速度，这三个参数贯穿整个交通流理论。基本图则是它们关系的可视化表达。我个人觉得，理解基本图比背公式更重要。因为公式可以查，但直觉需要练。
最后说一句：别把基本图当真理。它是理想化的模型，实际数据往往有噪声、有滞后、有各种异常。做仿真时，多用真实数据校准，别偷懒。
好了，这一章就到这儿。记住三参数的关系，下一章咱们聊怎么用它们生成交通流。