Makroskopowy model przepływu ruchu w sieci drugiego rzędu - alternatywny opis stanu sieci

Powszechna jest krytyka uproszczonej reprezentacji zjawisk w sieci transportowej za pomocą makroskopowych funkcji oporu, które nie są w stanie opisać powstawania i rozładowywania się kolejek pojazdów, chwilowej utraty płynności, dobowych wahań natężeń ruchu i rozpływania się kolejek. W opinii części ekspertów jedyną alternatywą jest modelowanie sieci w skali mikro, metodami symulacyjnymi. W referacie tym pokazano podejście alternatywne, stosowane w dynamicznych makroskopowych modelach ruchu: tzw. modele przepływu ruchu drugiego rzędu będące rozwinięciem fundamentalnego diagramu ruchu. Są one w stanie odzwierciedlić wymienione wyżej zjawiska, wymagają znacznie mniej danych wejściowych niż modele mikroskopowe i wykonują obliczenia w znacznie krótszym czasie. W opinii autora wyniki takiego modelu są bardziej wartościowe i dają pełniejszą informację o funkcjonowaniu sieci transportowej. Zamiast szczegółowych wyników symulacji, która jest jedynie jedną z możliwych realizacji procesu stochastycznego, otrzymujemy najbardziej prawdopodobny wynik przekazany w zagregowanej formie. Modele takie mogą być wykorzystane w czasie rzeczywistym modelach dużych sieci transportowych dostarczając szczegółowych informacji o stanie sieci, w referacie pokazano wyniki otrzymane w modelu krakowskim.

---

Macroscopic volume-delay functions are widely criticized due to their inability to reproduce fundamental traffic phenomena, i.e. queue formation and dispersion, capacity drop, within-day temporal changes, spillbacks, etc. Microsimulation is widely recognized as the only alternative. In this paper another approach is shown: second order macroscopic traffic flow models. General Link Transmission Model described here can reflect above mentioned phenomena with much shorter computation time and requiring much smaller input database than microsimulation. In author's opinion results of GLTM are more valuable for traffic engineer than results of microsimulation, which are typically stochastic. GLTM can be computed for real-size network in acceptable time.