Revisiting mesoscopic traffic flow simulation in SUMO: Limitations, analysis, and an alternative

将交通模拟想象成一种预测城市中车辆如何移动的方法，而无需在实际道路上放置真实的车辆。实现这一点主要有三种方式：

1. 微观（Microscopic）： 就像观察蚁群中的每一只蚂蚁。它极其详细，但需要巨大的计算能力。
2. 宏观（Macroscopic）： 就像从直升机上俯瞰河流。你看到的是整体的水流，但看不见每一滴水珠。它很快，但缺乏细节。
3. 中观（Mesoscopic）： 这是“金发姑娘区”（指恰到好处的中间地带）。它追踪单个车辆（像蚂蚁一样），但通过将它们分组来节省时间（像河流一样）。

本文认为，流行开源软件 SUMO 中目前使用的这种“金发姑娘”工具是有问题的。它试图成为一种混合体，但混淆了游戏规则，导致了不切实际的预测。

以下是问题的拆解和提出的解决方案，使用了简单的类比。

问题所在：破碎的“队列”逻辑

目前的 SUMO 中观模型（称为 MESO）试图通过将道路划分为若干路段，并决定车辆何时可以从一个路段移动到下一个路段来管理交通。作者发现该模型在处理交通拥堵方面存在两个主要缺陷：

1. “盲点”类比（向后移动的空间）
想象一群人在排队等待进入音乐会。在现实中，如果队伍最前面的人进去了，就会产生一个“间隙”。这个间隙会瞬间向后传播，允许下一个人向前迈进一步。

• MESO 的失败之处： MESO 就像一个保安，只有在整条队伍完全停止移动后才会注意到间隙。它要等到整条线完全堵死后，才会意识到出现了一个空位。
• 结果： 由于它没能足够快地捕捉到“间隙”向后传播的过程，它认为交通恢复畅通的速度太快了。它低估了拥堵持续的时间以及拥堵向后延伸的距离。

2. 错误的“拥堵原因”类比
在当前的模型中，城市街道上的交通拥堵主要归因于车辆因为道路过于拥挤而减速（即“容量下降”）。

• 现实情况： 在城市中，拥堵通常是由转向引起的。想象一条直路，车辆正试图左转进入一条侧街。如果这条侧街已经满了，正在转向的车辆就会被卡住，从而阻挡了后面直行的车辆。这被称为“队列溢出”（queue spillback）。
• MESO 的失败之处： 该模型无法有效地处理这种“来自侧向的阻塞”。它假设拥堵主要是因为车辆靠得太近，却忽略了拥堵的侧街可能会扼杀主干道这一事实。

后果： 当作者进行测试时，该软件预测交通拥堵会出现得更晚、消失得更快，且规模要小得多。这就像是一个天气预报说“将会下雨 10 分钟”，而实际上却是一场持续三小时的暴雨。

解决方案：新的“链路传输”模型

作者提出了一种名为 LIFT 的新模型（他们将其改编为用于本研究的离散时间版本）。

“电梯”类比
LIFT 不再猜测车辆何时可以移动，而是明确地追踪在交通中向后移动的空位（空缺）。

• 将一个链路（一段路）想象成一部拥有固定座位数的电梯。
• 模型统计：里面有多少人？ + 有多少向后移动的空位？
• 如果总数（人 + 空位）小于电梯的容量，那么新的人就可以进入。
• 这使得模型能够看到“间隙”向后移动的过程，就像现实生活中一样。

为什么它效果更好：
通过明确追踪这些向后移动的间隙，LIFT 能完美捕捉“队列溢出”。如果一条侧街满了，模型会立即知道主干道也被阻塞了。

证明：实测测试

作者运行了两次测试来证明他们的新模型有效：

1. 城市交叉口测试： 他们模拟了一个带有交通灯和侧街汇入的繁忙街道。

   • MESO（旧模型）： 预测拥堵会很快消散，且不会向后延伸太远。
   • LIFT（新模型）： 预测拥堵会缓慢形成，向后延伸很长，并逐渐消散。
   • 结论： 新模型几乎完美地匹配了“微观”（超详细）模拟，而旧模型则偏差很大。

2. 高速公路瓶颈测试： 他们模拟了一个两条车道合并为一条车道的公路场景。

   • MESO（旧模型）： 交通数据看起来非常混乱，甚至违反了物理定律（显示出了本不该存在的交通状态）。
   • LIFT（新模型）： 交通数据遵循交通流理论中平滑且可预测的曲线。

核心结论

论文得出结论，当前 SUMO 中的中观工具存在根本性缺陷，因为它混淆了不同的交通理论，并且忽略了“空位”是如何在拥堵中向后移动的。

他们的新模型 LIFT 通过将交通视为一种流体，让“空位”的向后移动与“车辆”的前进同样真实，从而修复了这个问题。这使得模拟既能快速运行大型网络，又具备足以信任其预测现实交通拥堵的准确性。作者希望最终能将这段新代码直接整合进 SUMO 软件中，供所有人使用。