“Modèles mathématiques et réalité"
Comment les mathématiques contribuent-elles
à la gestion du trafic routier?
Paola Goatin
INRIA Sophia Antipolis - Méditerranée paola.goatin@inria.fr
Plan de l’exposé
1 Modèles de trafic routier
2 Modèles macroscopiques
3 Lois de conservation
4 Exemples d’application
5 Dynamique des foules
Modèles de trafic routier
Trois échelles possibles : Microscopique
˙xi= vi, ˙vi= C
vi+1−vi
xi+1−xi
(“follow-the-leader”)
simulations numériques (http://www.traffic-simulation.de/) beaucoup de paramètres
Modèles de trafic routier
Trois échelles possibles :
Microscopique(et automates cellulaires) ˙xi= vi, ˙vi= C
vi+1−vi
xi+1−xi
(“follow-the-leader”)
simulations numériques (http://www.traffic-simulation.de/) beaucoup de paramètres
Modèles de trafic routier
Trois échelles possibles :
Microscopique(et automates cellulaires) ˙xi= vi, ˙vi= C
vi+1−vi
xi+1−xi
(“follow-the-leader”)
simulations numériques (http://www.traffic-simulation.de/) beaucoup de paramètres
Macroscopique: équations aux dérivée partielles dérivée de la dynamique des fluides
théorie analytique peu de paramètres
Modèles de trafic routier
Trois échelles possibles :
Microscopique(et automates cellulaires) ˙xi= vi, ˙vi= C
vi+1−vi
xi+1−xi
(“follow-the-leader”)
simulations numériques (http://www.traffic-simulation.de/) beaucoup de paramètres
Cinétique: équations type Boltzmann
Macroscopique: équations aux dérivée partielles dérivée de la dynamique des fluides
théorie analytique peu de paramètres
Plan de l’exposé
1 Modèles de trafic routier
2 Modèles macroscopiques
3 Lois de conservation
4 Exemples d’application
5 Dynamique des foules
Modèles macroscopiques
h
nombre de voitures dans [a, b] au temps ti= Z b
a
ρ(t, x) dx
doit être conservé !
Zb aρ(t2−, x)dx = Zb aρ(t1 +, x)dx + Zt2 t1 f(t, a+)dt − Zt2 t1 f(t, b−)dt ⇓
théorème de la divergence pour (ρ, f ) ⇓ Z t2Z b ∂tρ + ∂xf dx dt = 0 x t t1 t2 0 a b
Conditions requises
Aucune information doit se propager plus vite que les véhicules (anisotropie)
Relation flux-densité : f (t, x) = ρ(t, x)v(t, x).
La densité et la vitesse moyenne doivent toujours être non-négatives et bornées : 0 ≤ ρ(t, x), v(t, x) < +∞, ∀x, t > 0.
Ce n’est pas vraiment de la dynamique des fluides :
direction privilégiée
pas de conservation de la quantité de mouvement / energie pas de viscosité
Modèles macroscopiques
Modèles du premier ordre
Lighthill-Whitham ’55, Richards ’56, Greenshields ’35 :
Equation de transport non-linéaire: lois de conservation scalaire ∂tρ + ∂xf (ρ) = 0, f (ρ) = ρv(ρ)
Fonction flux émpirique :diagramme fondamental
avec R densité maximale (emboutillage) et ρcdensité critique : flux croissant pour ρ ≤ ρc :phase d’écoulement fluide
flux décroissant pour ρ ≥ ρc:phase de congestion
Ωf Ωc R ρ f 0 ρc Newell-Daganzo Ωf Ωc R ρ f 0 ρc Greenshields
Modèles d’ordre superieur
Motivation : les données experimentales montrent un diagramme fondamental plus complexe
0 100 225 0 2000 3600 ρ(veh/mile) ρv (veh/hr)
Modèles d’ordre superieur
Motivation : les données experimentales montrent un diagramme fondamental plus complexe
0 100 225 0 2000 3600 ρ(veh/mile) ρv (veh/hr) v = v(ρ, ?)
Plan de l’exposé
1 Modèles de trafic routier
2 Modèles macroscopiques
3 Lois de conservation
4 Exemples d’application
5 Dynamique des foules
Systèmes hyperboliques de lois de conservation
On retrouve un système d’EDPs de la forme ∂tu+ ∂xf (u) = 0,
u(0, x) = u0(x), où t ∈ [0, +∞[, x ∈ IR1,
u= u(t, x) ∈ IRnquantités conservées, f : IRn→IRnflux.
Systèmes hyperboliques de lois de conservation
On retrouve un système d’EDPs de la forme ∂tu+ ∂xf (u) = 0,
u(0, x) = u0(x), où t ∈ [0, +∞[, x ∈ IR1,
u= u(t, x) ∈ IRnquantités conservées, f : IRn→IRnflux.
On va essayer de répondre aux questions suivantes : Ce problème admet-il toujours une solution ? Est-elle unique ?
Cas linéaire : f (u) = Au, avec A ∈ R
n×nmatrice
Le système est (strictement) hyperbolique si A admet n valeurs propres réels distincts λ1< . . . < λn ∂tvi+λi∂xvi= 0 v(0, x) = ¯v(x) où vi= li· u, u = n X i=1 viri
Cas linéaire : f (u) = Au, avec A ∈ R
n×nmatrice
Le système est (strictement) hyperbolique si A admet n valeurs propres réels distincts λ1< . . . < λn ∂tvi+λi∂xvi= 0 v(0, x) = ¯v(x) où vi= li· u, u = n X i=1 viri
Méthode des caractéristiques: ˙yi(t) = λi ⇒
d
dtvi(t, yi(t)) = ∂tvi+ λi∂xvi= 0 ⇒ vi(t, yi(t)) = ¯vi(y0)
Cas linéaire : f (u) = Au, avec A ∈ R
n×nmatrice
Superposition des ondes :
u(t, x) = n X i=1 ¯ vi(x − λit)ri x v2 x v1 x t ⇒existence et unicité
Cas linéaire : f (u) = Au, avec A ∈ R
n×nmatrice
Superposition des ondes :
u(t, x) = n X i=1 ¯ vi(x − λit)ri x v2 λ2 x v1 λ1 x t
Cas NON-linéaire
Strictement hyperbolique :la Jacobienne Df (u) a n valeurs propres réels distincts
λ1(u) < λ2(u) < . . . < λn(u) vecteurs propres r1(u), . . . , rn(u)
Vraiment non-linéaire :∇λi· ri> 0 (∼ flux convexe) Linéarment dégénéré :∇λi· ri≡0 (∼ flux linéaire)
Flux non-linéaire ⇒
apparition de chocs !
Exemple : ∂tρ + ∂x[ρ(1 − ρ)]= 0 ρ0 t.q. ( 0 si x < 0 1 si x > 1Courbes caractéristiques : ρ(t, y(t)) = ρ0(y0) pour y(t) solution de ˙y(t) = f′(ρ(t, y(t)))= 1 − 2ρ(t, y(t)) = 1 − 2ρ0(y0)
⇒ y(t) = (1 − 2ρ0(y0)) t= ( 1 si y0 < 0 −1 si y0 > 1 ρ t
Flux non-linéaire ⇒
apparition de chocs !
Exemple : ∂tρ + ∂x[ρ(1 − ρ)]= 0 ρ0 t.q. ( 0 si x < 0 1 si x > 1Courbes caractéristiques : ρ(t, y(t)) = ρ0(y0) pour y(t) solution de ˙y(t) = f′(ρ(t, y(t)))= 1 − 2ρ(t, y(t)) = 1 − 2ρ0(y0)
⇒ y(t) = (1 − 2ρ0(y0)) t= ( 1 si y0 < 0 −1 si y0 > 1 x ρ t
Flux non-linéaire ⇒
apparition de chocs !
Exemple : ∂tρ + ∂x[ρ(1 − ρ)]= 0 ρ0 t.q. ( 0 si x < 0 1 si x > 1Courbes caractéristiques : ρ(t, y(t)) = ρ0(y0) pour y(t) solution de ˙y(t) = f′(ρ(t, y(t)))= 1 − 2ρ(t, y(t)) = 1 − 2ρ0(y0)
⇒ y(t) = (1 − 2ρ0(y0)) t= ( 1 si y0 < 0 −1 si y0 > 1 ρ t
Solutions faibles
Au sens des distributions : Z Z
u∂tφ + f (u) ∂xφ dx dt = 0 ∀φ ∈ C1 c(R
+ × R) Sur une courbe de discontinuité (choc) x = ξ(t) :
x t ξ ω− ω+ n+ n−
Condition de Rankine-Hugoniot
A l’aide de la formule de Green : 0 = Z Z ω u∂tφ + f (u) ∂xφ dx dt = Z Z ω− + Z Z ω+ u∂tφ + f (u) ∂xφ dx dt = Z ∂ω− (u−n− t + f (u−)n−x)φ ds − Z Z ω− (∂tu+ ∂xf (u))dt dx + Z ∂ω+ (u+n+t + f (u+)n+x)φ ds − Z Z ω+ (∂tu+ ∂xf (u))dt dx = Z x=ξ(t) (u−n−t + f (u−)n−x)φ ds + Z x=ξ(t) (u+n+t + f (u+)n + x)φ ds = Z x=ξ(t)
(u+− u−)nt+ (f (u+) − f (u−))nxφ ds
Condition de Rankine-Hugoniot
Dans l’exemple précedent :
∂tρ + ∂x[ρ(1 − ρ)]= 0 ρ0 s.t. ( 0 si x < 0 1 si x > 1 donc ρ−= 0, ρ+= 1 ⇒ ˙ξ=f (ρ+) − f (ρ−) ρ+−ρ− =1 − ρ+−ρ−= 0
Non-unicité des solutions faibles
Exemple :
∂tρ + ∂x[ρ(1 − ρ)] = 0 ρ0(x) ≡ 1/2
On peut construire une infinité de solutions satisfaisantes RH ∀α > 0 :
ρ(t, x) = 1/2 x < −αt 1/2 +α −αt < x < 0 1/2 −α 0 < x <αt 1/2 x >αt x t= α x t = −α ρ= 12+ α ρ= 12 −α t
Condition d’entropie
uεsolution de ∂tuε+ ∂xf (uε) = ε∂xxuε converge vers u solution de ∂tu+ ∂xf (u) = 0
Condition d’entropie
uεsolution de ∂tuε+ ∂xf (uε) = ε∂xxuε converge vers u solution de ∂tu+ ∂xf (u) = 0 Entropie : E = E(u)entropie convexe : D2E(u) > 0
Condition d’entropie
uεsolution de ∂tuε+ ∂xf (uε) = ε∂xxuε converge vers u solution de ∂tu+ ∂xf (u) = 0 Entropie : E = E(u)entropie convexe : D2E(u) > 0
F = F (u)t.q. ∇F (u) = ∇E(u)Df (u) flux d’entropie alors uε satisfait
∂tE(uε) + ∂xF (uε) =∇E(uε) ∂tuε+ ∂xf (uε) = ε∇E(uε)∂xxuε =ε∂xxE(uε) − εD2E(uε)(∂xuε⊗∂xuε) ≤ ε∂xxE(uε)
Condition d’entropie
uεsolution de ∂tuε+ ∂xf (uε) = ε∂xxuε converge vers u solution de ∂tu+ ∂xf (u) = 0 Entropie : E = E(u)entropie convexe : D2E(u) > 0
F = F (u)t.q. ∇F (u) = ∇E(u)Df (u) flux d’entropie alors uε satisfait
∂tE(uε) + ∂xF (uε) =∇E(uε) ∂tuε+ ∂xf (uε) = ε∇E(uε)∂xxuε =ε∂xxE(uε) − εD2E(uε)(∂xuε⊗∂xuε) ≤ ε∂xxE(uε) et à la limite ε → 0, u doit satisfaire
∂tE(u) + ∂xF (u) ≤ 0 ou
Z Z
Condition de Lax (cas scalaire)
Pour un flux f strictement convexe (f′′(u) ≥ c > 0) ou concave (f′′(u) ≤ −c < 0), la condition d’entropie est équivalente à
f′(u
−) > ˙ξ > f′(u+)
les caractéristiques “entrent” dans le choc
x
f ′(u− ) f ′(u+)
˙ ξ
Condition de Lax (cas scalaire)
Exemple :flux concave
∂tρ + ∂x[ρ(1 − ρ)]= 0 La condition de Lax s’écrit :
1 − 2ρ−> 1 − ρ−−ρ+> 1 − 2ρ+
ρ f
ρ+ ρ−
Problème de Riemann
Le problème de Cauchy plus simple : ∂tu+ ∂xf (u) = 0 u(0, x) =
(
ug si x < 0 ud si x > 0 La solution doit être auto-similaire
u(t, x) ≡ u(at, ax) ∀a > 0 ⇒on cherche u de la formeu(t, x) = v(x/t)
x t
Solveur de Riemann (n = 1)
si f′(ug) > f′(ud) ⇒ choc de vitesse λ = f(ud)−f (ug)
ud−ug
si f′(ug) < f′(ud) ⇒ onde de détente : u(t, x) = v(x/t), x/t = λ ⇒ d dλf (v) = λ d dλv f′(v) − λ d dλv d dλv 6= 0 ⇒ f ′(v) = λ
Plan de l’exposé
1 Modèles de trafic routier
2 Modèles macroscopiques
3 Lois de conservation
4 Exemples d’application
5 Dynamique des foules
Exemple : feu rouge
Peut s’écrire comme un problème de Riemann : ∂tρ + ∂x[ρ(1 − ρ)] = 0 ρ0(x) = ( ¯ ρ si x < 0 1 si x > 0 0 < ¯ρ < 1 ¯ ρ < 1 ⇒chocde vitesse λ = 1 − ¯ρ − 1 < 0
Exemple : feu vert
Peut s’écrire comme un problème de Riemann : ∂tρ + ∂x[ρ(1 − ρ)] = 0 ρ0(x) = ( 1 si x < 0 0 si x > 0 0 < ¯ρ < 1 1 > 0 ⇒détentede profilρ(t, x) = 1 2− x 2t, −t ≤ x ≤ t
Exemple : péage
Peut s’écrire comme un problème de Riemann avec contrainte : ∂tρ + ∂x(ρ(1 − ρ)) = 0 ρ(0, x) = 0.3χ[0.2,1](x) f (ρ(t, 1)) ≤ 0.1 0.0 0.5 1.0 1.5 2.0 0.0 0.5 1.0 rho at time t=0 x rho
Exemple : jonctions
1) coefficients de distribution du trafic 2) maximisation du flux
Exemple : reseaux
Un grand rond-point à Rome :
ou une ville entière, une agglomération (voir http://traffic.berkeley.edu/) ...
Plan de l’exposé
1 Modèles de trafic routier
2 Modèles macroscopiques
3 Lois de conservation
4 Exemples d’application
5 Dynamique des foules
Dynamique des foules
Système2Dmodélisant une foule dans un espace confiné :
∂tρ(t, x, y) + divx,yf(t, x, y) = 0 (cons. masse)
+conditions au bord
+ équation de fermeture pour définir le flux f pour simuler le comportement des piétons :
viser le chemin plus rapide
éviter les endroits bondés et les parois
comportement irrationnel en situation de panique formation de files dans flux opposés
auto-organisation collective aux intersections etc ...
Le chemin plus rapide ...
Le paradoxe de Braess
Un obstacle devant la sortie peut réduire la pression et le temps d’évacuation
Plan de l’exposé
1 Modèles de trafic routier
2 Modèles macroscopiques
3 Lois de conservation
4 Exemples d’application
5 Dynamique des foules
Conclusion
Modélisation macroscopique du trafic :
∂
tu(t, x) + div
xf
(u(t, x)) = 0
t > 0, x ∈ IRD, u ∈ IRnAVANTAGES :
modélisation de type milieu continu
description globale de l’évolution spatio-temporelle comparaison satisfaisante avec les données réelles
adaptés à la formulation de problèmes de contrôle ou d’optimisation MAIS :pas de théorie analytique générale pour
systèmes hyperboliques multi-D (n > 1) contrôle des lois de conservation
Perspectives
Modèles macroscopiques pour le gestion du trafic :
Trafic routier (D = 1) Dynamique des foules (D = 2)
Contrôler pour :
Mais il y aura toujours des phénomènes qui ne sont pas prévu par la modélisation... !