交通拥堵是全球性的难题，不仅耗费时间、燃料，增加污染，还给运输网络带来巨大压力。面对堵车，许多驾驶员本能地认为频繁变道能更快抵达目的地。然而，应用数学研究表明，这种直觉往往是错误的。作为一名应用数学家，Randa Herzallah及其团队的研究深入探讨了如何预测和控制复杂系统在不确定性下的行为，而这同样适用于节假日期间的交通状况。
交通堵塞并非总有明显的诱因，例如事故或道路施工。许多令人沮丧的堵车现象，被称为“幽灵堵车”，其特点是走走停停的波浪状拥堵，即使所有车辆都在向前行驶，这种波浪却能向后传播。2008年，日本研究人员进行了一项经典实验：他们让22名驾驶员在一个环形轨道上行驶，并要求他们保持恒定车速和与前车的安全距离。仅仅几分钟内，由于驾驶员制动和反应时间上微小且不可避免的差异，一个走走停停的波浪就形成了，并持续在环形轨道上传播，尽管路上没有任何障碍物。其解释出乎意料地简单：一名驾驶员轻微多踩了刹车，后车驾驶员反应稍慢，制动更猛，如此连锁反应，微小的扰动在向后传播过程中不断放大，最终导致数百米后的车辆被迫完全停下，尽管没有人能指出最初的堵塞原因。
交通背后的数学原理
数学家们不将每个驾驶员单独建模，而是将交通视为一个连续流，借鉴流体力学思想，将车辆运动类比为水在管道中的流动。交通流理论中最简单的关系之一是 q = ρv，其中 q 代表交通流量（每小时通过某点的车辆数），ρ 代表交通密度（道路上的车辆数量），而 v 代表平均车速。这个看似简单的方程解释了一个反直觉现象：最初，增加车辆数量确实会增加整体交通流量。但一旦道路变得过于拥挤，所有车辆都被迫减速。最终，车速的下降会抵消车辆数量的增加，导致整体流量反而减少。
该方程表明，存在一个最优的交通密度，能使每小时通过道路的车辆数量最大化。超过这个临界点，增加车辆只会降低道路效率，并延长所有人的行程时间。同样的数学原理也解释了为什么频繁变道通常不值得。变道会产生微小的扰动，迫使邻近驾驶员做出反应。如果许多驾驶员都采取这种行为，这些扰动就会累积，增加交通波形成的概率。因此，对单个驾驶员而言看似聪明的决定，最终可能会使所有人的交通状况恶化。
数学如何助力缓解交通拥堵？
Randa Herzallah 在其关于概率数学方法的研究中，开发了结合预测、协调决策和反馈的方法，以保持复杂系统在信息不完整或“嘈杂”情况下的稳定性。在交通领域，我们试图阻止的扰动正是导致幽灵堵车的走走停停的波浪。在其他复杂系统中，这些扰动可能是电力故障、通信瓶颈或不稳定的自主系统。
应用数学家不为特定应用设计解决方案，而是开发通用的数学框架。这就是为什么最初为工程系统开发的概念也能帮助我们以不同方式思考交通问题，其中每种数学工具都扮演着不同角色：
信号处理：将来自道路传感器、摄像头和联网车辆的测量数据转化为有用信息。
随机建模：考虑驾驶员行为、天气条件和交通需求变化带来的不确定性。
机器学习：识别所有这些数据中的模式，并预测拥堵可能发生的位置。
控制理论：通过调整交通灯时序、引入自适应限速、推荐替代路线或协调自动驾驶车队来确定交通系统应如何响应，从而形成闭环控制。
目标不再是优化单个驾驶员的行程，而是提升整个交通网络的性能。
2018年，一项引人注目的实验再次验证了这一点。研究人员重复了日本的环形轨道实验，但有一个关键区别：他们用一辆编程为平稳加速和制动的自动驾驶汽车取代了其中一辆人工驾驶车辆。令人惊奇的是，这辆仅占交通流量不到5%的自动驾驶汽车，足以抑制整个环形轨道上的走走停停波浪，显著改善了交通流量，并降低了所有参与驾驶员的燃油消耗。
下一次驾车出行的实用建议
尽管人口增长、出行需求增加以及人类行为的不可预测性将持续给道路带来压力，交通拥堵可能永远不会完全消失。但数学正在帮助我们从被动应对拥堵转向主动预防拥堵。理解大型交互式智能体网络如何在仅利用局部信息的情况下做出协调决策，而无需每个组件了解整个系统的状态，是智能交通系统设计的核心。在这些系统中，联网车辆和基础设施必须协同合作以改善交通流量。
在此期间，如果您即将驾车出行，以下三条有强有力数学证据支持的驾驶建议，如果每个人都能采纳，将有助于减少您在交通拥堵中花费的时间：
保持安全的跟车距离；
平稳加速和制动；
抵制频繁变道以寻求微小优势的诱惑。
应用数学表明，最快到达目的地的方式并非更具侵略性地驾驶，而是帮助保持整个系统的稳定。