See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/328637594

TIPE : modélisation mathématique du trafic routier

Method · October 2018

CITATIONS READS
0 17,518

1 author:

Guillaume Costeseque
Centre d’études et d’expertise sur les risques, l’environnement, la mobilité et l’aménagement
47 PUBLICATIONS   154 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Modified Lax-Hopf formula for Hamilton-Jacobi equations on a junction View project

TramOpt: A Traffic Management Optimization platform for enhanced road network efficiency View project

All content following this page was uploaded by Guillaume Costeseque on 14 January 2019.

The user has requested enhancement of the downloaded file.

 TIPE : modélisation mathématique du trafic routier
Guillaume Costeseque∗
October 2018

Abstract
Depuis ma sortie de thèse en 2014, je suis régulièrement sollicité en début d’année scolaire par des
étudiants en classes préparatoires aux grandes écoles scientifiques concernant la modélisation mathématique
du trafic routier. Il est vrai que le sujet se prête facilement à des projets d’étudiants, notamment dans le
cadre des travaux d’initiative personnelle encadrés (TIPE). Afin de fournir un document de base pour
la réflexion des étudiants, j’ai souhaité réunir ici toutes (ou presque...) les informations qui me semblent
être utiles pour aborder ce sujet-là. Car je n’oublie pas qu’il y a quelques années de cela, j’ai moi aussi
été élève en classes prépas...
Pour commencer, permettez-moi de dire quelques mots sur mon parcours. Durant ma thèse à l’Ecole
des Ponts ParisTech (2011-2014) puis pendant mes années passées chez Inria (2014-2018) en tant que
chercheur post-doctoral, j’ai essentiellement travaillé sur la modélisation macroscopique du trafic, c’est-
à-dire des équations aux dérivées partielles (EDP) en particulier les lois de conservation scalaires, les
systèmes hyperboliques de lois de conservation et les équations d’Hamilton-Jacobi. Depuis 2018, je suis
chargé d’études pour le Cerema (Centre d’Etudes et d’Expertise sur les Risques, l’Environnement, la
Mobilité et l’Aménagement) où je travaille sur des projets d’optimisation du trafic routier et sur les
Systèmes de Transports Intelligents.

Sommaire
1 Modéliser le trafic routier 2
1.1 Classification rapide des modèles d’écoulement du trafic . . . . . . . . . . . . . . . . . . . . . 2
1.2 La modélisation au service des décideurs et gestionnaires routiers . . . . . . . . . . . . . . . . 3
1.3 Les données en trafic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Proposition de méthodologie de travail 6

3 Exemple d’analyse d’un modèle microscopique 7

3.1 Présentation du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2 Lien entre modèles microscopiques et macroscopiques . . . . . . . . . . . . . . . . . . . . . . . 8
3.3 Résolution numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.4 Application numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

4 Remarques conclusives 10

Annexes 12

A Lien entre modèles microscopiques et macroscopiques grâce aux équations d’Hamilton-

Jacobi 12

B Modèles mésoscopiques 13
∗ Cerema Ouest, 9 rue René Viviani 44262 Nantes - France. Email: [email protected]

1
1 Modéliser le trafic routier
Je ne parle ici que des modèles dynamiques d’écoulement du trafic routier. J’exclue donc volontaire-
ment les modèles statiques utilisés pour la prévision de la demande de transport (modèle à quatre étapes
par exemple), les modèles de répartition modale, les modèles d’affectation etc. Voir la Figure 1 pour une
illustration du processus de modélisation complet1 .

Figure 1: Représentation schématique du fonctionnement du modèle à quatre étapes. Source : Wikipédia.

Pour davantage de pointeurs sur les grandes familles de modèles utilisés en trafic (et pas seulement les
modèles d’écoulement), vous pouvez lire l’annexe A contenue dans ma thèse [4] et qui reprend un article de
vulgarisation [3]. La section 4 en particulier vous donnera un aperçu sur les modèles d’écoulement.

1.1 Classification rapide des modèles d’écoulement du trafic

J’ai déjà mentionné la modélisation macroscopique du trafic. Celle-ci s’appuie sur une analogie entre
l’écoulement des véhicules et la dynamique d’un fluide. Les variables utilisées sont des variables agrégées
comme la densité, le débit et la vitesse moyenne des véhicules. Les modèles macroscopiques du trafic font
principalement intervenir des équations aux dérivées partielles (EDP) comme les (systèmes hyperboliques de)
lois de conservation scalaires ou les équations d’Hamilton-Jacobi. En excluant les modèles cinétiques (analogie
avec la dynamique des gaz), les modèles macroscopiques sont généralement des modèles déterministes.
Le modèle le plus prégnant dans ce domaine est le modèle LWR du nom de ses auteurs : Lighthill, Whitham
en 1955 [7] et Richards indépendamment en 1956 [9]. Il s’écrit sous la forme d’une loi de conservation scalaire
(en une dimension en espace) que vous avez peut-être déjà vue en classe prépa sous le terme d’équation de
continuité
∂ ∂
ρ(t, x) + Q(ρ(t, x)) = 0, ∀(t, x) ∈ D ⊂ [0, +∞) × R, (1)
∂t ∂x
où t > 0 est la variable temporelle, x ∈ R est la variable d’espace, ρ(t, x) désigne la densité de véhicules au
point x et au temps t avec ρ : [0, +∞) × R → [0, ρmax ] ⊂ R. La relation débit-densité (appelée classiquement
le diagramme fondamental en ingénierie du trafic) Q : ρ 7→ Q(ρ) est une application surjective. Il y a deux
façons d’obtenir ce diagramme :
1 Par Fibo — Travail personnel, CC BY-SA 3.0, https://commons.wikimedia.org/w/index.php?curid=11543915.

2
 • la plus naturelle est de partir d’un ensemble de mesures (classiquement des mesures de débit-densité
obtenues avec des boucles électromagnétiques -voir Section 1.3 ci-après) et de construire une relation
univoque qui satisfasse la tendance des points, au sens où on minimise l’écart moyen entre les mesures
observées et la valeur théorique donnée par la courbe.
• il est sinon possible de construire une courbe théorique sachant que dans la partie croissante du dia-
gramme, la tangente est de l’ordre de la vitesse maximale autorisée, que la tangente s’annule pour une
densité critique qui est généralement de l’ordre d’une trentaine de véhicules par kilomètre (et par voie)
et que la courbe s’annule pour une densité nulle et pour une densité maximale ρmax comprise entre
180 et 200 véhicules par kilomètre (et par voie).
De nombreuses variantes ont été proposées dans la littérature pour couvrir un large spectre de phénomènes
physiques observables du trafic qui ne sont pas reproduits par le modèle LWR (1). Les modèles macro-
scopiques ont globalement l’avantage d’avoir peu de paramètres et de permettre le calcul de solutions ap-
prochées de manière efficace (faible temps de calcul informatique) sur des réseaux de l’ordre du kilomètre et
sur des périodes temporelles de plusieurs minutes. En revanche, ils perdent de leur intérêt sur des réseaux
urbains où les échelles spatialles sont plutôt de l’ordre du mètre.
Je ne rentrerai pas plus dans le détail de ces équations car je ne pense pas que ce soit particulièrement
pertinent pour un TIPE de classe préparatoire : leur analyse détaillée se fait habituellement au niveau
master !

Je vous conseillerai davantage de regarder les modèles microscopiques du trafic qui s’écrivent sous le forme
de systèmes (finis ou infinis) d’équations différentielles ordinaires (EDO) couplées. Dans ces modèles, on
s’intéresse à la représentation individuelle du comportement de chaque véhicule. Les modèles microscopiques
s’attachent donc à reproduire le comportement en poursuite longitudinale, les changements de voies et les
processus d’insertion.
Les premiers modèles historiques des années 50 sont des modèles déterministes qui ne prennaient pas en
compte la variabilité de comportements entre les conducteurs. Des raffinements de ces modèles ont été
réalisés depuis et certains incorporent des perturbations stochastiques.
Les modèles microscopiques permettent de rendre compte facilement d’instabilités du trafic2 . Pour créer des
instabilités, les paramètres essentiels sont généralement le temps de retard et le coefficient de sensibilité du
modèle (ou constante de Lipschitz de la fonction de vitesse). Vous trouverez dans [5] une caractérisation du
domaine d’instabilité en fonction de cette constante de Lipschitz. Ce papier est très technique (trop pour
un TIPE) mais il peut vous donner quelques idées pour la suite de votre travail.
Volontairement, je choisis de ne pas me lancer ici dans un recensement (périlleux) de toutes les formes possi-
bles de modèles microscopiques. Je renvois à la référence donnée au tout début de la Section 1 (référence qui
est elle-même imparfaite). Un exemple de modèle microscopique est donné en Section 3. En comparaison des
modèles macroscopiques, les modèles microscopiques permettent une représentation très fine des trajectoires
des véhicules. Cependant, il y a un coût en termes du nombre de paramètres (qui peuvent être propres à
chaque véhicule/conducteur), de complexité et de temps de calcul pour la résolution de tels modèles. Cela
en limite l’utilisation à des échelles spatio-temporelles de l’ordre du mètre et de la seconde.

1.2 La modélisation au service des décideurs et gestionnaires routiers

Je m’éloigne ici des pures considérations mathématiques pour mettre en perspective l’intérêt pratique de la
modélisation dynamique du trafic routier et faire le lien avec mon poste d’ingénieur actuel.
En dehors du simple objectif académique d’étudier les propriétés des solutions des équations de type EDO
ou EDP, les modèles de trafic ont attiré l’attention des scientifiques car ils permettent de :
2 Voir la fameuse vidéo de l’apparition d’ondes de stop and go : https://www.youtube.com/watch?v=Suugn-p5C1M. Pour

davantage d’informations sur cette expérience réalisée à Nagoya au Japon en 2008, visitez le site http://traffic.phys.cs.is.
nagoya-u.ac.jp/ du Professeur Y. Sugiyama (Mathematical Society of Traffic Flow).

3
 • comprendre plus facilement certains mécanismes physiques qui sont classiquement observés en circu-
lation comme l’apparition et la propagation des ondes de congestion ;
• reproduire les effets de ces phénomènes et éventuellement prévoir l’évolution du trafic à court terme ;
• tester différents scénarios de gestion du trafic pour remédier à certains des problèmes précités et
permettre d’agir concrètement sur les réseaux routiers soit en réalisant des aménagements de voirie,
soit en mettant en oeuvre des stratégies de gestion dynamique du trafic.
Pour donner un aperçu schématique de la gestion des routes publiques en France métropolitaine3 , une part im-
portante (en termes de kilomètres de voiries) du linéaire routier français relève aujourd’hui de la compétence
des collectivités locales, c’est-à-dire les communes, les métropoles et les conseils départementaux. Cepen-
dant, un part majoritaire du trafic (en termes de volumes de trafic) se concentre sur le réseau routier public
national. Ce résau routier national de 21100 km se divise entre 9700 km de routes nationales (RN) et 11400
km d’autoroutes dont une majeure partie (8500 km environ) est concédée à des Sociétés Concessionnaires
d’Autoroutes (SCA) privées qui en assurent la construction, l’entretien et la gestion pour le compte de l’Etat
et perçoivent en retour une rémunération directe par les usagers sous la forme de péages. Le réseau routier
national non concédé est géré par les Directions Interdépartementales des Routes (DIR) qui sont au nombre
de 11.
Actuellement, certaines DIR sont mobilisées pour la rédaction de Schémas Directeurs d’Agglomération pour
la Gestion du Trafic (SDAGT), documents qui visent à établir un diagnostic d’un réseau (généralement,
des voies structurantes d’agglomération comme les périphériques) et à proposer des solutions de gestion
dynamique du trafic comme :

• la régulation d’accès : les convergents routiers (lorsque deux voies se connectent) sont généralement
sources de perturbation à cause des phénomènes d’insertion et de changements de voie des véhicules.
L’idée de la régulation d’accès est de réguler temporairement le flux des usagers qui souhaitent s’insérer
au moyen d’un feu de trafic implanté sur la bretelle d’entrée. Cela permet de réduire l’impact que le
flux additionnel de la bretelle génère sur l’axe principal ;

• la régulation dynamique des vitesses : il s’agit d’abaisser temporairement la vitesse maximale autorisée
de circulation sur des sections multi-voies déterminées. Cette mesure a pour effet de rendre la voie de
droite (souvent sous-utilisée lorsque le taux de poids-lourds est non négligeable) plus attractive et de
permettre une meilleure utilisation de la capacité de l’infrastructure ;
• les voies auxiliaires d’entrecroisement dynamiques : comme évoqué ci-dessus, les changements de voie
sont source de perturbations. Cela s’observe notamment sur les voies structurantes d’agglomération
lorsque d’une bretelle d’entrée et une bretelle de sortie sont relativement proches et que le flux de
véhicules de l’une vers l’autre est important. L’idée de la voie auxiliaire d’entrecroisement est de
permettre l’utilisation de la bande d’arrêt d’urgence par exemple aux heures de pointe, pour permettre
aux usagers d’aller d’une bretelle à la suivante sans insérer (et sans perturber) le flux principal.

• la gestion dynamique des voies : l’objectif est de créer des voies réservées pour les transports en
commun ou pour les covoitureurs en empruntant une voie de circulation sur une section multi-voies.
Cela a pour effet de permettre aux usagers ainsi privilégiés de s’affranchir de la congestion et d’arriver
prioritairement en tête de bouchon.
A noter que les études de faisabilité technique de ces mesures de régulation sont généralement réalisées par
le Cerema ou plus classiquement par des bureaux d’études privés. Les études de trafic reposent sur des
simulations faites à partir de logiciels commerciaux dont le cœur est composé de modèles (le plus souvent
microscopiques) de trafic routier.
3 Sources des données : site internet du Ministère en charge des transports https://www.ecologique-solidaire.gouv.fr/

acteurs-route-en-france et site internet de Bison Fûté http://www.bison-fute.gouv.fr/reseau-routier-public.html.

4
1.3 Les données en trafic
La questions des données est prépondérante en trafic routier : sans donnée, le gestionnaire se trouve en
aveugle pour connaitre les états de trafic sur son réseau et pouvoir réagir à toute situation complexe. Sans
donnée, les outils de contrôle du trafic comme par exemple les feux tricolores utilisant un asservissement
local (je vous réfère ici à vos connaissances en Sciences de l’Ingénieur), ne sont plus autant pertinents. Sans
donnée, l’ingénieur ne peut pas lancer de simulations fidèles et fiables.
Aujourd’hui, les données trafic sont généralement issues4 :
• de capteurs intrusifs qui nécessitent d’être directement implantés dans la chaussée de circulation.
L’exemple le plus répandu est le capteur à boucle à inductance magnétique. On parle plus classique-
ment de boucle électromagnétique. Il s’agit de fils électriques disposés dans l’enrobé de la chaussée
et parcourus par un courant. Le principe de fonctionnement de ces boucles est que le passage d’une
masse métallique (comme la carrosserie d’un véhicule) au-dessus de la boucle parcourue par un courant
électrique entraı̂ne un champ magnétique et donc une modification de l’inductance (comme vous avez
dû le voir dans votre cours d’électromagnétique) qui indique le présence d’un véhicule. Les boucles
électromagnétiques permettent de calculer des débits, des taux d’occupation (à partir desquels il est
possible d’estimer une densité [1]) et des vitesses dans le cas de dispositif de 2 boucles couplées.
• de capteurs non-intrusifs positionnés en bord de route comme les caméras vidéos, les capteurs à ultra-
sons ou les capteurs utilisant des ondes électromagnétiques à (très) haute fréquence comme les radars
(ondes radio dont la fréquence est de plusieurs gigahertz) ou encore les capteurs laser également ap-
pelés lidars (utilisant les ondes de rayonnement infrarouge dont la fréquence est de plusieurs terahertz)
et qui permettent de mesurer entre autres les vitesses, les temps inter-véhiculaires et les débits.
• de capteurs embarqués à bord des véhicules comme par exemple les téléphones portables dotés d’un
récepteur de positionnement satellitaire, le système le plus répandu étant le Global Positionning System
(GPS) américain. Ce type de capteurs permet de suivre les trajectoires individuelles et de calculer la
vitesse instantanée du véhicule équipé. On parle de données flottantes ou Floating Car Data (FCD)
en anglais. Ils tendent à se généraliser grâce à la démocratisation de téléphones de type smartphones
mais les données sont généralement des données propriétaires qui sont ensuite commercialisées par les
fournisseurs d’applications mobiles ou par les gestionnaires des réseaux de télécommunication. Les
gestionnaires n’en sont pas directement propriétaires.
Il faut bien avoir à l’esprit qu’aucune de ces sources de données n’est parfaite. La qualité des données s’en
ressent et il est nécessaire de traiter ces données avant de les injecter dans les modèles. Les capteurs ont des
limites, notamment pour l’estimation de grandeurs en basse vitesse, et peuvent être sujets à des pannes. La
plupart des capteurs a le désavantage d’avoir un coût élevé d’installation et d’entretien.
A noter qu’il est possible d’obtenir des données de boucles de comptage électromagnétiques auprès des
gestionnaires publics (il faut parfois s’armer de patience car les gestionnaires ont d’autres priorités). En
revanche, les opérateurs privés ne communiquent peu ou pas leurs données pour des enjeux économiques.

4 Pour les systèmes de mesure, un excellent site d’informations est le suivant : http://www.equipementsdelaroute.
developpement-durable.gouv.fr/systemes-de-recueil-de-donnees-r101.html.

5
2 Proposition de méthodologie de travail
Comme déjà mentionné précédement, mon principal conseil est de s’intéresser aux modèles microscopiques
du trafic pour les raisons suivantes :
• ce sont des modèles basées sur des EDO dont l’analyse est normalement au programme de classes
prépas ;
• ils permettent de faire des analogies avec des principes de physique (notamment en mécanique) comme
par exemple les modèles basés sur un phénomène d’attraction-répulsion à la Newton ;
• il est relativement facile de produire des illustrations graphiques, notamment les trajectoires des
véhicules, ce qui n’est pas négligeable pour la présentation finale de votre travail.
Plus précisément, je vous suggère de procéder comme suit :

1. faire un tour des modèles de poursuite (car-following ou follow-the-leader en anglais) qui existent :
modèles en vitesse ẋi (t) = V (...) ou en accélération ẍi (t) = A(...), avec ou sans temps de retard, etc.
Nota bene : ne cherchez pas à être exhaustif, il y a vraiment une foultitude de modèles. Il est davantage
intéressant de comprendre la structure de ces modèles et d’identifier les variables clés (interdistance au
véhicule précédent, différentiel de vitesse, etc.).

2. choisir le modèle le plus simple dans un premier temps ( ẋi (t) = α (xi+1 (t) − xi (t)) avec α un réel fixé5 )
et écrire les solutions analytiques à partir de conditions initiales (xi (t = 0) pour tout i) et conditions
aux limites (trajectoire du premier véhicule (xi=0 (t) pour tout t > 0) simples [véhicules équi-espacés,
véhicules très concentrés localement, trajectoire leader linéaire, parabolique (accélération constante)...]
3. écrire un modèle simple pour un cas que vous souhaiteriez étudier (pensez par exemple à comment un
véhicule autonome pourrait ”casser” des ondes de stop-and-go : https://www.youtube.com/watch?
v=2mBjYZTeaTc&feature=youtu.be)
4. S’il n’existe pas de solution exacte analytique (au sens classique du terme) à votre modèle micro-
scopique, écrire un schéma numérique de résolution qui vous permettra ultérieurement de réaliser des
simulations (par exemple sur Python). Le principal exemple de schéma numérique pour les EDO reste
le schéma d’Euler explicite en temps mais d’autres méthodes existent (schémas implicites en temps,
méthodes de Runge-Kutta, etc).
5. faire des analyses de stabilité (en simulation) de ce modèle, en imposant par exemple une trajectoire
du leader avec une perturbation sinusoidale sur la vitesse / accélération. Pour des analyses théoriques
de la stabilité (linéaire), vous pouvez voir le papier suivant [8].

Libre à vous de vous lancer également dans les modèles macrocopiques mais il vous faudra vous familiariser
avec les notions de solutions faibles, de schémas numériques de type volumes finis etc.

5 On me demande souvent le sens physique de ce coefficient α. Remarquez tout d’abord qu’il est homogène à l’inverse d’un

temps. Il s’agit généralement de l’inverse du temps inter véhiculaire minimal à vitesse fluide (et donc égal au débit maximal
i.e. le nombre maximal de véhicules par unité de temps). On considère que le débit maximal est donné par le produit de la
vitesse maximale par la densité critique (environ 30 véhicules par km et par voie).

6
3 Exemple d’analyse d’un modèle microscopique
3.1 Présentation du modèle
Choisissons le modèle microscopique de second ordre (qui s’écrit comme un système fini d’équations aux
dérivées ordinaires de second ordre) décrit par Chandler et al. [2]. Ce modèle s’écrit comme suit6

d
M ui (t) = λ [ui−1 (t − τ ) − ui (t − τ )] , ∀ t ≥ τ, i = 2, . . . , N, (2)
dt
où (ui )i est l’ensemble des vitesses des N véhicules considérés, M est la masse supposée être identique entre
tous ces véhicules, λ est un coefficient réel donné (homogène à une masse par l’inverse d’un temps) et τ ≥ 0
est un temps de retard (identique entre tous les conducteurs).
Supposons que les véhicules sont ordonnés de sorte que le véhicule (i − 1) précède le véhicule (i).
Considérons maintenant (xi )i l’ensemble des positions des véhicules définies telles que
Z t
xi (t) := ui (s)ds, ∀ i = 1, . . . , N, t > 0,
0

λ
(on remarque donc que ẋi (t) = ui (t)) et définissons α := .
M
L’équation (2) s’écrit alors

ẍi (t) = α [ẋi−1 (t − τ ) − ẋi (t − τ )] , ∀ t ≥ τ, i = 2, . . . , N. (3)

Remarquons que ce modèle peut s’écrire de façon plus générique sous la forme

ẍi (t) = Λ (ẋi+1 (t − τ ) − ẋi (t − τ )) , ∀ t ≥ τ, i = 2, . . . , N,

où Λ : v 7→ Λ(v) est une fonction continue, monotone (strictement croissante)7 .

Rappelons que nous avons xi−1 (t) ≥ xi (t) à t = 0 et pour tout i = 2, . . . , N . A vous de vérifier que cela
reste vrai pour tout temps t > 0 et si oui, sous quelles conditions?
Pour que le problème soit bien posé mathématiquement, nous considérons une condition initiale, c’est-à-dire
à t = 0, qui donne les positions initiales des véhicules. Nous obtenons un problème de Cauchy. Lorsque
τ > 0, il est aussi nécessaire de se donner une condition sur les vitesses (ou de manière équivalente sur
les trajectoires) des véhicules sur l’intervalle [0, τ ]. Lorsque N < +∞, nous avons un système fini et il est
nécessaire de se donner une condition au bord qui donne la trajectoire du premier véhicule.
Ces conditions suffisent pour montrer l’existence et l’unicité de la solution de (3) lorsque τ = 0. Il faut plus
d’hypothèses lorsque τ > 0 (portant notamment sur les conditions sur [0, τ ]) pour satisfaire un principe de
comparaison (les véhicules restent ordonnés).
Il est intéressant de noter que l’équation (3) peut être intégrée en temps de telle sorte que l’on obtienne un
modèle de premier ordre équivalent (à une constante d’intégration près)

ẋi (t) = α [xi−1 (t − τ ) − xi (t − τ )] , ∀ t ≥ τ, i = 2, . . . , N. (4)

Il est possible de réécrire (4) sous une forme plus générale

ẋi (t) = V (xi−1 (t − τ ) − xi (t − τ )) , ∀ t ≥ τ, i = 2, . . . , N, (5)

où V : d 7→ V (d) est une fonction continue, monotone (strictement croissante) et Lipschitzienne.
6 Voir équation (14) dans le papier originel [2].
7 Dans le modèle de Chandler et al. (2), nous avons Λ : v 7→ αv qui est bien continue et strictement croissante si α > 0.

7
3.2 Lien entre modèles microscopiques et macroscopiques
L’idée de relier les modéles microscopiques et ceux macroscopiques est assez générique lorsque l’on modélise
un phénomène physique : il est possible de voir le phénomène soit comme un processus continu auquel cas,
on s’intéresse au mouvement général du milieu considéré à l’échelle macro ; soit comme un processus discret
où on s’attache à représenter le comportement de chaque élément composant le milieu : échelle micro. On
parle également d’approximation des milieux continus.
Les exemples d’application sont nombreux : vous avez peut-être vu en classe prépa, la propagation d’ondes
qui peut être soit modélisée au niveau micro par une chaı̂ne discrète d’oscillateurs couplés de type masse-
ressort, soit au niveau macroscopique par l’équation d’onde de d’Alembert.

En modélisation du trafic routier, l’idée est similaire bien que les techniques diffèrent. Il a été montré dans
[5] que, sous de bonnes hypothèses sur τ et sur les conditions initiales, la solution (xi )i du système infini
d’équations (5)
ẋi (t) = V (xi−1 (t − τ ) − xi (t − τ )) , ∀ t ≥ τ, i ∈ Z,
converge par passage à la limite vers la solution de l’équation aux dérivées partielles (appelée équation
d’Hamilton-Jacobi ) suivante

∂t X 0 (t, n) = V (−∂n X 0 (t, n)), ∀ (t, n) ∈ [0, +∞) × R. (6)

Tout se passe par un changement d’échelle, c’est-à-dire que l’on part d’une observation “à la loupe” de l’échelle
microscopique et que l’on prend de plus en plus de hauteur jusqu’à observer le trafic macroscopiquement
depuis un hélicoptère. Formellement, il suffit de définir la variable intermédiaire suivante
 
t
X ε (t, n) := εxb nε c , ∀ (t, n) ∈ [0, +∞) × R
ε

où b·c désigne la partie entière, ε > 0 est un facteur d’échelle que l’on va faire tendre vers 0, t désigne
toujours le temps et n est l’indice continu des véhicules (alors que i était l’indice discret). En remplaçant
dans l’EDO (5) les (xi )i par

1 ε
xi (t) = X (εt, εi), ∀ t ∈ [0, +∞), i ∈ Z,
ε
il est possible de montrer que X ε satisfait alors l’équation suivante
 ε
X (t − ετ, n − ε) − X ε (t − ετ, n)

ε
∂t X (t, n) = V , ∀ (t, n) ∈ [0, +∞) × R.
ε

En passant à la limite ε → 0, nous obtenons le résultat.

L’équation (6) est l’expression du modèle LWR (1) en coordonnées Lagrangiennes. Voir l’annexe A.
Rappelons que le modèle LWR s’écrit

∂t ρ + ∂x Q(ρ) = 0, ∀ (t, x) ∈ [0, +∞) × R

  et Q : ρ 7→ Q(ρ) est la fonction de débit. Les lois d’hydrodynamique nous

où ρ est la densité de véhicules
enseignent que Q(ρ) = ρV ρ1 . Dans le cas du modèle de Chandler et al., V (r) = αr d’où nous déduisons
que
Q(ρ) = α, ∀ρ ∈ [0, ρmax ].
Ce choix n’est donc pas particulièrement pertinent au regard des considérations sur la forme du Diagramme
Fondamental évoquées en Section 1.1.

8
3.3 Résolution numérique
Nous introduisons une discrétisation régulière du temps, avec un pas numérique fixe noté ∆t tel que 0 <
∆t < τ . Afin de simplifier les calculs, nous choisissons ce pas de telle façon que

∃k∈N : τ = k∆t.

Premier choix : schéma numérique sur les vitesses

Un schéma numérique simple pour résoudre le système d’EDO (2) est le schéma explicite d’Euler.
Nous définissons par Uin une solution numérique approchée de la solution exacte de l’EDO, c’est-à-dire

Uin ≈ ui (n∆t).

d Uin+1 − Uin
La méthode d’Euler consiste à approximer la dérivée temporelle dt ui par .
∆t
Le schéma numérique se lit donc ainsi

Uin+1 = Uin + α∆t Ui−1

 n−k
− Uin−k .

(7)

Second choix : schéma numérique sur les positions

Soit ∆t et ∆x les pas de discrétisation en temps et en espace respectivement.
Notons Xin l’approximation numérique de xi (n∆t), soit Xin ≈ xi (n∆t), Ani ≈ ẍi (n∆t) l’approximation
numérique de l’accélération et Uin ≈ ẋi (n∆t) l’approximation numérique de la vitesse.
Le schéma numérique choisi pour le modèle (3) s’écrit alors
 n−k
Ani = α Ui−1 − Uin−k

(8)

Dans un premier temps, nous choisissons d’écrire les approximations numériques de l’accélération et la vitesse
en termes de (Xin )i,n comme suit :

X n − 2Xin−1 + Xin−2
Ani := i

 (schéma décentré d’ordre 2)

 ∆t2
(9)
X n − Xin−1


Uin := i

 (schéma décentré rétrograde d’ordre 1)
∆t
En injectant (9) dans (8), on obtient
" #
n−k n−k−1
Xin − 2Xin−1 + Xin−2 Xi−1 − Xi−1 Xin−k − Xin−k−1
=α − .
∆t2 ∆t ∆t

D’où on déduit que

Xin+1 = α∆t Xi−1

 n−k+1
− Xin−k+1 + Xin−k − Xi−1
n−k
+ 2Xin − Xin−1 .


Si au lieu de (9), on choisit


X n+1 − 2Xin + Xin−1
Ani := i


 (schéma centré d’ordre 2)

 ∆t2
(10)
X n+1 − Xin


Uin := i

 (schéma décentré avancé d’ordre 1)
∆t

9
alors (8) devient
" #
n−k+1 n−k
Xin+1 − 2Xin + Xin−1 Xi−1 − Xi−1 Xin−k+1 − Xin−k
=α − .
∆t2 ∆t ∆t

Soit
Xin+1 = α∆t Xi−1
 n−k+1
− Xin−k+1 + Xin−k − Xi−1
n−k
+ 2Xin − Xin−1 .


On retrouve donc exactement la même chose que ce soit en combinant

• schéma décentré d’ordre 2 pour l’accélération et schéma décentré rétrograde d’ordre 1 pour la vitesse
ou
• schéma centré d’ordre 2 pour l’accélération et schéma décentré avancé d’ordre 1 pour la vitesse.
A vous de creuser ce qu’il se passerait si dans (9) comme dans (10), on prenait un schéma décentré avancé

Vin+1 − Vin
Uin = ?
∆t

3.4 Application numérique

Il existe tout une littérature sur la stabilité des modèles microscopiques avec temps de retard. Le papier
de Chandler propose à ce propos, une analyse de la réponse du modèle dans le cas d’une condition initiale
sinusoı̈dale.
Vous pourriez essayer d’appliquer une telle donnée d’entrée à votre schéma numérique (plutôt qu’une simple
décélération du véhicule leader) et voir les conséquences sur les autres véhicules.
Dans un premier essai numérique, vous pouvez adopter des conditions aux frontières libres car la route est
infinie. Dans un second temps, vous pourriez considérer un segment avec condition de périodicité au bord.
En clair, ce qui sort d’un côté, rentre de l’autre.

4 Remarques conclusives
J’espère que ce court document permettra d’aiguiller en amont un grand nombre d’étudiants qui s’intéresseraient
au sujet. Je reste toutefois joignable pour tout complément d’information et toute question.
Pour pouvoir être le plus efficace, merci de m’indiquer lorsque vous me contactez, s’il-vous-plaı̂t :
• En quoi consiste le thème général de cette année?
• Quel est précisément votre sujet d’étude (ou quelles sont les questions qui vous intéressent)? S’agit-il
d’étudier des trajectoires de véhicules via des modèles microscopiques (systèmes couplés d’équations
différentielles ordinaires) ou étudier le trafic de façon macroscopique (équation aux dérivées partielles)?
• [Si vous êtes en première année] Pensez-vous faire de ce sujet votre sujet de TIPE pour les concours ?
• Quel est le niveau de technicité demandé? De mon souvenir, on n’étudiait pas les EDP en maths sup
/ spé mais en revanche, les EDO étaient au programme.
• Vous faut-il mettre en place un dispositif expérimental? C’est assez complexe à faire en trafic comme
vous pouvez l’imaginer mais certains phénomènes (comme ce que nous appelons ”bottleneck” ou goulot
d’étranglement en français, par exemple réduction de 2 voies à 1 voie plus schématiquement) et les
stratégies de régulation associées (effet ”faster-is-slower”) peuvent être simulés assez simplement avec
un matériau granulaire (sable ou lentilles corail8 ).
8 Je remercie Christine Buisson (LICIT-IFSTTAR/ENTPE) pour l’inspiration ! Voir la vidéo ici : https://www.youtube.

com/watch?v=PWo-9Wtxd4Y&index=5&list=PLsRNoUx8w3rP6_TLHgM8cTKsJJu2dLzcM

10
 • Rédigez-vous un rapport pour votre TIPE? Si ce n’est pas le cas, mon plus vif conseil est d’en réaliser
un (si possible en LATEX), où vous pourrez écrire à la fois des résumés de vos lectures, votre plan de
travail, les équations que vous regardez, les valeurs numériques que vous choisissez et pourquoi, les
résultats numériques de vos simulations, vos conclusions etc. Par ailleurs, vous pourrez aller piocher
les éléments les plus intéressants pour ensuite fabriquer vos supports de présentation, pour le jour de
l’oral. Et je ne vous cache pas que de mon côté, je serais intéressé par lire ce compte-rendu.
• Quelle serait la fréquence (régulière ou point à point) et la forme (mail, téléphone) que vous privilégierez
pour nos échanges?

Pour finir, deux derniers conseils (que je donnerais volontiers au ”moi” plus jeune) :

1. soyez curieux (et pas purement scolaire) ;

2. conservez précieusement une archive numérique de vos travaux !

Remerciements
Je remercie chaleureusement Jérémy Firozaly pour sa relecture, ses conseils et son amitié.

References
[1] C. Buisson and J. Lesort, Comprendre le trafic routier. Méthodes et calculs, Certu, 2010. 5
[2] R. E. Chandler, R. Herman, and E. W. Montroll, Traffic dynamics: studies in car following,
Operations research, 6 (1958), pp. 165–184. 7

[3] G. Costeseque, Modélisation et simulation dans le contexte du trafic routier, 2013. 2

[4] , Contribution à l’étude du trafic routier sur réseaux à l’aide des équations d’Hamilton-Jacobi, PhD
thesis, Paris Est, 2014. 2
[5] J. Firozaly, Homogenization of a 1d pursuit law with delay and a counter-example, arXiv preprint
arXiv:1601.02507, (2016). 3, 8

[6] J. A. Laval and L. Leclercq, The hamilton–jacobi partial differential equation and the three repre-
sentations of traffic flow, Transportation Research Part B: Methodological, 52 (2013), pp. 17–30. 13
[7] M. J. Lighthill and G. B. Whitham, On kinematic waves ii. a theory of traffic flow on long crowded
roads, Proc. R. Soc. Lond. A, 229 (1955), pp. 317–345. 2

[8] J. Monteil, R. Billot, and N. E. El Faouzi, Véhicules coopératifs pour une gestion dynamique du
trafic: approche théorique et simulation., Recherche Transports Sécurité, (2013), pp. pp–47. 6
[9] P. I. Richards, Shock waves on the highway, Operations research, 4 (1956), pp. 42–51. 2

11
Annexes
A Lien entre modèles microscopiques et macroscopiques grâce
aux équations d’Hamilton-Jacobi
Il existe une multitude de modèles microscopiques différents qui s’écrivent généralement sous la forme d’un
système d’équations différentielles ordinaires (EDO) qui peuvent être de la forme (la plus simple) suivante

ẋi (t) = F (xi+1 (t) − xi (t)) , ∀i ∈ Z, (11)

où xi (t) dénote la position du véhicule (i) au temps t > 0 et F : s 7→ F (s) est une fonction de vitesse qui est
monotone croissante.
Ici, on regarde les véhicules de façon individuelle.
Le système (11) peut être résolu avec un schéma numérique du type Euler explicite,

xi ((j + 1)∆t) = xi (j∆t) + ∆tF (xi+1 (j∆t) − xi (j∆t)) ,

(12)
for any (i, j) ∈ Z × N,

où ∆t > 0 est le pas numérique en temps.

Au niveau macroscopique, le modèle le plus simple est donné par Lighthill et Whitham en 1955 et séparément
par Richards en 1956 (d’où son nom : LWR), sous la forme d’une équation aux dérivées partielles (EDP) de
type équation de conservation scalaire
∂ ∂
ρ(t, x) + Q (ρ(t, x)) = 0, for any (t, x) ∈ (0, +∞) × R, (13)
∂t ∂x
où ρ(t, x) désigne la densité des véhicules au point d’espace x et au temps t > 0. Q : ρ 7→ Q(ρ) est la fonction
de flux, également appelée diagramme fondamental.
Le modèle LWR (13) est exprimé dans les coordonnées Euleriennes t − x. Il est possible de réécrire ce modèle
par un changement de coordonnées, dans un référentiel mobile : on parle alors de coordonnées Lagrangiennes
(introduites notamment dans le livre de Courant et Friedrichs en 1948) qui sont définies comme suit

T := t,
Z +∞
N := ρ(t, ξ)dξ.
x

Pour plus de facilité de lecture, on notera simplement t et n plutôt que T et N . Le modèle devient alors
∂ ∂
s(t, n) + F (s(t, n)) = 0, for any (t, n) ∈ (0, +∞) × R, (14)
∂t ∂n
où s(t, n) désigne l’interdistance au temps t > 0 entre le véhicule n et ses prédécesseurs. Il est intéressant
de noter que
1
s≡ .
ρ
La fonction F : s 7→ F (s) est quant à elle une fonction de vitesse (qui peut être identique à la fonction vitesse
apparaissant dans le modèle microscopique (11)).
Si on définit X(t, n) la position du véhicule n au temps t > 0 telle que
Z +∞
X(t, n) = s(t, ξ)dξ
n

12
 et donc s(t, n) = −∂n X(t, n) et v(t, n) := F (s(t, n)) = ∂t X(t, n), et si nous remplaçons dans (14), alors nous
obtenons  
∂ ∂
X(t, n) = F X(t, n) , for any (t, n) ∈ (0, +∞) × R. (15)
∂t ∂n
Cette équation, dite d’Hamilton-Jacobi, ressemble fortement à l’équation microscopique (11).
En appliquant un schéma aux différences finies, comme proposé par Crandall et Lions en 1984, alors il est
possible de simuler des pelotons de véhicules. En effet, introduisons (∆t, ∆n) les pas de discrétisation qui
satisfont une condition CFL pour assurer la stabilité du schéma numérique9

∆n ≥ ∆t sup |F 0 |.
R

Notons Xij
l’approximation numérique de la solution X à l’EDP (15) évaluée aux points (j∆t, i∆n) pour
toutes valeurs (i, j) ∈ Z × N.
Le schéma numérique se lit alors
j j
!
X − X
Xij+1 = Xij + ∆tF i+1 i
, for any (i, j) ∈ Z × N. (16)
∆n

On voit donc que le schéma (16) pour le modèle macroscopique (après transformation en coordonnées La-
grangiennes et sous forme d’équation d’Hamilton-Jacobi) est très similaire au schéma (12) pour le modèle
microscopique. En effet, il suffit de prendre ∆n = 1.
Le pas ∆n décrit le nombre de véhicules contenus dans chaque “particule” considérée. Ainsi, si ∆n = 1, on
considère chaque véhicule individuellement. Pour ∆n > 1, on considère des pelotons de véhicules.

B Modèles mésoscopiques
La terminologie “mésoscopique” est encore sujette à beaucoup d’interprétations. Pour beaucoup, il s’agit
d’un niveau intermédiaire entre microscopique et macroscopique. Cependant, pour moi, la frontière entre
toutes ces échelles est très facilement franchissable comme nous venons de le voir : en effet, en discrétisant
un modèle macroscopique formulé en coordonnées Lagrangiennes, on obtient la discrétisation d’un modèle
microscopique.
Rappelons que nous avons le système de coordonnées Eulériennes t−x et celui des coordonnées Lagrangiennes
t − n.
A ma connaissance, le terme mésoscopique est utilisé pour décrire le modèle LWR dans le troisième système
de coordonnées, à savoir x − n. Dans ce système, le modèle (13) se lit
∂ ∂
p(x, n) − H(p(x, n)) = 0, for any (x, n) ∈ R × R, (17)
∂n ∂x
où p désigne le “rythme” du véhicule n au point d’espace x, c’est-à-dire l’inverse de la vitesse. La fonction
H : p 7→ H(p) est la fonction donnant le temps inter-véhiculaire (écart temporel entre véhicules successifs).
De la même façon que précédemment, il est possible d’introduire une nouvelle variable T (x, n) définissant le
temps de passage du véhicule n au point d’espace x, de telle sorte que le modèle (17) s’écrive comme une
équation d’Hamilton-Jacobi
 
∂ ∂
T (x, n) − H T (x, n) , for any (x, n) ∈ R × R.
∂n ∂x
Toute cette approche a été présentée par Laval et Leclercq [6]. Leur papier contient de nombreuses références
bibliographiques sur l’utilisation de chacun des modèles dans les différents systèmes de coordonnées.
9 Cette condition vient de la condition de convergence de Lax : le schéma doit être monotone en chacune de ces variables.

Soit S : (p, q) 7→ S(p, q) le schéma numérique. Il vient que ce schéma a toutes les bonnes propriétés pour la convergence de la
solution numérique vers la solution exacte, notamment si ∂S/∂p ≥ 0 et si ∂S/∂q ≥ 0.

13

View publication stats