人人都厌恶交通拥堵。大城市尤其饱受车辆过剩之苦，高峰时段让一次简单的市内短途出行变成一场漫长旅程。问题部分源于交通系统的极端复杂性，系统某部分的微小变化都可能引发连锁反应，改变整个城市的交通模式。城市规划者试图改善本地交通网络时，往往难以预见所有可能产生的连锁效应。

图片来源：美国物理协会

据外媒报道，在期刊《Chaos》中，伊斯坦布尔卡迪尔哈斯大学（Kadir Has University in Istanbul）的两位研究者Toprak Firat和Deniz Eroğlu开发出更高效灵活的交通建模算法。致力于解决这一问题的动机远不止于学术好奇。Toprak Firat表示：“我们生活在世界上最拥堵的城市之一，即伊斯坦布尔。这里的交通问题不仅是学术课题，更是日常生活的一部分，这给了我们强烈的动力。”

现有的交通流算法需要详细的行程信息，并依赖硬编码规则来确定车辆如何通过交叉路口，但这导致算法过于僵化，而研究人员希望避免这种情况。为此，他们开发了一种名为数据驱动宏观出行模型（D3M）的模型，该模型仅依赖城市规划者日常收集的简单观察数据，例如街道拥挤程度。

“我们并非采用固定方程来描述流体动力学，而是直接根据真实交通数据校准模型参数，”Firat解释道，“这使得D3M能够根据各城市的实际观测条件调整行为模式，相比采用硬编码假设的模型更具灵活性和真实感。”

研究人员使用来自伦敦、伊斯坦布尔和纽约市的合成基准和实际交通数据验证了该模型。基准测试显示，D3M模型的准确性优于传统模型，运行速度最高可提升三倍。在真实世界测试中，它能精准呈现这些差异显著城市的多元交通状况。

更快的模拟速度和更简化的数据要求，为城市规划者提供了设计更优质智慧城市的工具。

Deniz Eroğlu表示：“关键突破在于，城市现在无需耗资巨大的数据采集就能运行复杂的交通模拟。城市规划者可测试‘假设’场景，例如事故或维护导致的临时封闭，这样在投入数百万资金施工前，就能预见交通影响。”

但真正的影响可能直接惠及城市居民，即实时交通预测能让通勤更轻松。

Eroğlu说道：“想象一个系统，它不仅能对局部交通状况作出反应，还能模拟拥堵如何以复杂且往往出人意料的方式蔓延至整个城市。网络某处的拥堵可能引发数公里外的瓶颈，这并非源于局部拥挤，而是交通流变化产生的连锁效应。我们的模型捕捉了这种动态机制，提供系统级的前瞻性预测而非零散应对。”

研究团队计划在实时运行环境中测试该模型，目标是尽快将交通预测应用于真实城市。