Della Rossa

POLITECNICO DI MILANO
Facolt di Ingegneria dei Sistemi

Corso di Studi in
INGEGNERIA MATEMATICA
Tesi di Laurea Specialistica
ANALISI DI TRAFFICO
VEICOLARE
Relatore: Prof. Franco Tomarelli

Correlatore: Dott. Carlo DAngelo
Fabio Della Rossa
Matricola 707373
Anno Accademico 2007-2008
Entia non sunt multiplicanda praeter necessitatem.

Pluralitas non est ponenda sine necessitate.
Frustra fit per plura quod fieri potest per pauciora.
Guglielmo di Ockham
Ringraziamenti
Il primo grande grazie va senza dubbio al prof. Franco Tomarelli, per avermi
seguito in questo tempo da un lato non abbandonandomi a me stesso ma
dallaltro lasciandomi la libert di cui avevo bisogno. Questa tesi partita
con lui su un lavoro di modellazione di stormi di uccelli. Ecco dove arrivata.
Il secondo grazie va ai miei genitori, per avermi sempre sostenuto in questi
cinque anni di cammino universitario, un cammino che ha saputo veramente
arricchirmi e cambiarmi.
Un ulteriore grazie va a tutte quelle persone professori, ricercatori, dottorandi e compagni di corso che hanno contribuito pi o meno direttamente
alla stesura di questa tesi. Tra questi in particolare voglio ringraziare Carlo
DAngelo per la sua competenza e solerzia, Andrea Manzoni per la pazienza e
soprattutto lamicizia dimostrata, Caterina Bruschi, Franco Fagnola, Marco
Fuhrman, Luca Bertagna, Valeria Vitelli, Gabriele Martinelli, Bernardo Secchi, Paola Vigan, Lorenzo Fabian, Alessia Cal, Piercesare Secchi e Anna
Maria Paganoni. Un grazie particolare a questultima, poich soprattutto
grazie a lei se mi sono laureato nella sessione in cui dovevo laurearmi.
Concludo ringraziando tutte le persone che ho conosciuto allinterno del Politecnico di Milano colleghi di studio e professori e che hanno saputo
lasciare un segno allinterno del mio cammino di crescita personale.
Lultimo grazie va al prof. Sandro Salsa, al prof. Alfio Quarteroni e agli altri
docenti del Dipartimento di Matematica per aver creato il corso di studi in
Ingegneria Matematica, e per essere stati tanto bravi da farlo cos bene.
Fabio
Indice
Introduzione
15
1 Presentazione del problema

1.1 Il problema del traffico . . . . . . . . . . . . . .
1.2 Breve storia dello sviluppo urbanistico di Parigi
1.3 Il progetto Grand Paris . . . . . . . . . . . . .
1.4 Il modello tubi e spugne . . . . . . . . . . . . .
1.4.1 I tubi . . . . . . . . . . . . . . . . . . .
1.4.2 La spugna . . . . . . . . . . . . . . . . .
1.4.3 I concetti di porosit e permeabilit . . .
Porosit . . . . . . . . . . . . . . . . . .
Permeabilit . . . . . . . . . . . . . . . .
1.5 Proposal . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 Modelli di traffico monodimensionali

2.1 Caratterizzazione del diagramma fondamentale . . . . . . . .
2.1.1 Deduzione del diagramma fondamentale con modelli di
tipo car following . . . . . . . . . . . . . . . . . . . .
2.2 Metodi agli automi cellulari . . . . . . . . . . . . . . . . . .
2.2.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . .
2.2.2 Modelli basati su un approccio euleriano . . . . . . .
2.2.3 Modelli basati su un approccio lagrangiano . . . . . .
Il modello di Nagel . . . . . . . . . . . . . . . . . . .
2.3 Metodi statistici . . . . . . . . . . . . . . . . . . . . . . . . .
2.4 Metodi differenziali . . . . . . . . . . . . . . . . . . . . . . .
2.4.1 Il modello Lighthill-Whitham . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
19
19
22
28
29
29
31
32
32
35
38
39
. 39
.
.
.
.
.
.
.
.
.
42
44
45
46
49
49
53
55
56
3 Modelli di traffico bidimensionali

61
3.1 Modello agli automi cellulari con approccio euleriano . . . . . 62
3.1.1 Approccio alla Wolfram 184 . . . . . . . . . . . . . . . 62
3.1.2 Un approccio alternativo . . . . . . . . . . . . . . . . . 64
7
Indice
Visione su scala macroscopica . . . . . . . . . . . . .

Approccio euleriano agli automi cellulari . . . . . . .
Caratterizzazione del moto tramite elementi di analisi
del traffico classici . . . . . . . . . . . . . .
Caratterizzazione della natura morfologica di diversi
tipi di strade . . . . . . . . . . . . . . . . .
Ingressi nel sistema e condizioni al contorno . . . . .
Il modello nel caso di Manhattan . . . . . . . . . . .
3.2 Modello alla Darcy . . . . . . . . . . . . . . . . . . . . . . .
3.2.1 Lequazione alla base del modello . . . . . . . . . . .
3.2.2 Misura della porosit e della permeabilit . . . . . .
Cella elementare di riferimento . . . . . . . . . . . .
Stima della porosit . . . . . . . . . . . . . . . . . .
Stima della permeabilit . . . . . . . . . . . . . . . .
3.3 Modello agli automi cellulari con approccio lagrangiano . . .
3.3.1 Presentazione del modello . . . . . . . . . . . . . . .
3.3.2 Misura della permeabilit . . . . . . . . . . . . . . .
3.3.3 Validazione del modello . . . . . . . . . . . . . . . .
. 64
. 65
. 66
.
.
.
.
.
.
.
.
.
.
.
.
.
67
67
68
71
72
74
75
77
77
79
79
80
84
.
.
.
.
.
.
.
.
.
.
89
90
91
92
93
93
94
95
95
96
97
5 Simulazioni
5.1 Porosit e permeabilit nellIle-de-France . . . . . . . . . . . .
5.2 Il tensore di permeabilit . . . . . . . . . . . . . . . . . . . . .
5.3 Traffico nella spugna . . . . . . . . . . . . . . . . . . . . . . .
99
100
102
103
Conclusioni
111
4 Lettura delle informazioni da una mappa

4.1 Segmentazione dellimmagine . . . . . . . . . . . .
4.2 Look-Up Table operations . . . . . . . . . . . . . .
4.3 Scheletrizzazione dei tracciati . . . . . . . . . . . .
4.4 Creazione della strutture di interesse . . . . . . . .
4.4.1 La struttura delle strade . . . . . . . . . . .
Lunghezza della strada . . . . . . . . . . . .
Densit di abitato che si affaccia sulla strada
Relazioni con le altre strade della mappa . .
Altre variabili di stato . . . . . . . . . . . .
4.4.2 La struttura degli incroci . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A Codice
115
A.1 Lettura della mappa . . . . . . . . . . . . . . . . . . . . . . . 115
A.1.1 Approccio euleriano . . . . . . . . . . . . . . . . . . . . 115
Indice
A.1.2 Approccio lagrangiano . . . . . . . . . . . . . . . . .

A.1.3 Funzioni chiamate dagli algoritmi . . . . . . . . . . .
Calcolo della lunghezza di un tratto stradale . . . . .
Calcolo del numero di case che si affacciano su un tratto
stradale . . . . . . . . . . . . . . . . . . . .
A.2 Modelli di traffico monodimensionali . . . . . . . . . . . . .
A.2.1 Modello Wolfram184 . . . . . . . . . . . . . . . . . .
A.2.2 Modello di Wolfram con blocking . . . . . . . . . . .
A.2.3 Modello di Nagel . . . . . . . . . . . . . . . . . . . .
A.3 Modelli di traffico bidimensionali . . . . . . . . . . . . . . .
A.3.1 Automi cellulari con approccio euleriano . . . . . . .
A.3.2 Automi cellulari con approccio lagrangiano . . . . . .
A.3.3 Modello alla Darcy . . . . . . . . . . . . . . . . . . .
A.4 Stima della permeabilit . . . . . . . . . . . . . . . . . . . .
. 118
. 122
. 122
.
.
.
.
.
.
.
.
.
.
122
122
122
123
123
124
124
126
128
129
10
Indice
Elenco delle figure

1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
1.10
1.11
1.12
1.13
1.14
1.15
2.1
2.2
2.3
2.4
Pm10 registrato a Milano nei mesi di Gennaio, Febbraio, Luglio

e Ottobre 2008. . . . . . . . . . . . . . . . . . . . . . . . . . .
(a) Insediamento parigino nellera gallica. (b) Evoluzione della
cinta muraria di Parigi nei secoli. . . . . . . . . . . . . . . . .
Andamento demografico del comune di Parigi dal 1150 al 1999.
Evoluzione della regione dellhinterland parigino dal 1850 al
2000. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Confronto tra landamento demografico della regione metropolitana di Parigi e quello della sola citt di Parigi dal 1885 al
1999. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Possibili infrastrutture stradali atte alla creazione di un tubo.
Possibili punti di uscita del tubo. . . . . . . . . . . . . . . . .
Grafo dei tubi della regione centrale del Veneto. . . . . . . . .
Esempi di strade facenti parte di una spugna. . . . . . . . . .
Grafo della spugna della Centuria Patavina. . . . . . . . . . .
Esempio di albero dei tubi e di albero della spugna, completato
con le foglie. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Spugna del Meditarraneo. . . . . . . . . . . . . . . . . . . . .
Esempio di rete di strade da costruire in un complesso immobiliare col fine di ottenere una buona connettivit col tessuto
stradale circostante. . . . . . . . . . . . . . . . . . . . . . . . .
Stime di permeabilit per due diversi tessuti stradali. . . . . .
Esempio di diverse mappe stradali con differenti valori di porosit
e permeabilit. . . . . . . . . . . . . . . . . . . . . . . . . . .
Diagramma fondamentale () del traffico stradale. . . . . .
Diagrammi fondamentali ricavati tramite i modelli di tipo carfollowing. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Simulazioni del modello di Wolfram. . . . . . . . . . . . . .
Phantom traffic jam simulata con il modello di Wolfram con
blocking. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
20
25
26
26
27
30
30
32
33
33
34
34
35
36
37
. 41
. 44
. 47
. 48
12
Elenco delle figure
2.5 Simulazioni del modello di Nagel. . . . . . . . . . . . . . . . .

2.6 Diagramma fondamentale ottenuto tramite il modello di Nagel.
2.7 Caratteristiche di un onda di rarefazione. . . . . . . . . . . . .
2.8 Esempio di condizioni per cui non possibile trovare onde
continue (caso di shock). . . . . . . . . . . . . . . . . . . . . .
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
4.1
4.2
4.3
4.4
4.5
5.1
5.2
5.3
5.4
5.5
Proposta di regola per trattare le intersezioni tra due diverse

strade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Situazione di traffico stradale su pattern di tipo Manhattan. .
Iterazioni del modello agli automi cellulari con approccio euleriano presentato nella Sezione 3.1.2 con traffico intenso in una
zona della mappa (andamento diffusivo dello smaltimento del
traffico). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Iterazioni del modello agli automi cellulari con approccio euleriano presentato nella Sezione 3.1.2 con immissione/assorbimento
stradale dalle abitazioni (stato iniziale di strade libere). . . . .
Possibili transizioni in un modello 2D con relative probabilit
di transizione. . . . . . . . . . . . . . . . . . . . . . . . . . . .
Cella elementare di riferimento. . . . . . . . . . . . . . . . . .
Il modello di reticolo uniforme visto alla scala del pixel. . . . .
Iterazioni dellestensione del modello di Nagel al caso bidimensionale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Direzioni principali della permeabilit sul pattern di tipo Manhattan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Iterazioni del modello di traffico di tipo Darcy. . . . . . . . . .
Segmentazione di una parte di mappa. . . . . . . . . . . . .
Creazione dellarray di un intorno di una cella. . . . . . . . .
Iterazioni dellalgoritmo di scheletrizzazione per un opportuno
caso test . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Esempio di mappa sottoposta allalgoritmo di scheletrizzazione
e di identificazione degli incroci. . . . . . . . . . . . . . . . .
Identificazione di rotonde e incroci lunghi come supernodi. .
Piano di analisi per il progetto Grand Paris . . . . . . . . .
Porosit in diverse zone dellIle De France . . . . . . . . . .
Permeabilit in diverse zone dellIle De France . . . . . . . .
Analisi di permeabilit effettuate nelle diverse zone del piano
di analisi dellIle De France . . . . . . . . . . . . . . . . . .
Analisi di permeabilit della zona 5 evidenziata in Figura 5.1
50
53
58
59
63
64
69
70
72
75
77
81
85
87
. 91
. 92
. 93
. 94
. 97
. 100
. 101
. 101
. 103
. 104
Elenco delle figure
5.6
5.7
13
Simulazioni di traffico nella zona 5 della Figura 5.1 ottenute

utilizzando lalgoritmo basato sugli automi cellulari con approccio euleriano. . . . . . . . . . . . . . . . . . . . . . . . . . 107
Simulazioni di traffico nella zona 5 della Figura 5.1 ottenute
utilizzando lapproccio alla Darcy con matrice di permeabilit
mostrato in Figura 5.5. . . . . . . . . . . . . . . . . . . . . . . 109
14
Elenco delle figure
Introduzione
Il problema del traffico nasce agli inizi del XX secolo a causa della diffusione di
una nuova invenzione che prende piede in quegli anni: lautomobile. Le prime
pubblicazioni di carattere modellistico-matematico in questambito risalgono
alla prima met del secolo [G35] [G59] e danno il via a quella che oggigiorno
diventato un ramo importante della matematica applicata, lanalisi dei
fenomeni legati al traffico veicolare.
Negli ultimi decenni le ricerche svolte in questo ambito hanno condotto ad un
ragguardevole numero di risultati, utilizzando svariati metodi matematici per
lanalisi dei vari problemi legati alle dinamiche del traffico veicolare. Questi
metodi si differenziano essenzialmente in base al tipo di approccio utilizzato;
tra i pi usati troviamo:
metodi classici [G59] [H63], basati su una funzione ingresso/uscita,
detta diagramma fondamentale del traffico, che esplicita la dipendenza
del flusso di veicoli allinterno di un tratto stradale dalla densit di
veicoli ivi presente. I metodi per la creazione di questa funzione si
basano normalmente sullinterpolazione di dati empirici per i vari tratti
di strada;
metodi di tipo differenziale [LW55] [GP06], basati sullanalogia che
possibile stabilire tra il flusso del traffico in un tratto stradale e
quello di un fluido in una tubazione; in questo caso vengono ricavate
equazioni differenziali alle derivate parziali per descrivere la variazione
spaziale e temporale di questo flusso. Metodi di tipo differenziale
possono risultare utili per la creazione di grafici come il diagramma
fondamentale a partire da regole a priori piuttosto che da dati empirici;
metodi particellari [W86] [MP97] [MK99] che seguono ragionamenti
analoghi a quelli della meccanica statistica: si cerca cio unequazione
di evoluzione della probabilit di occupazione delle diverse parti di un
tratto stradale. Passando poi a quantit macroscopiche medie si ottengono informazioni per il tratto stradale, come il tasso di occupazione
15
16
media e la sua variabilit, strettamente legate a flusso e densit di

veicoli;
metodi agli automi cellulari [NS92] [SS93] [RN+95] [HS99] [BDS00] che
sfruttano la capacit tipica di questo tipo di algoritmi di cogliere
dinamiche macroscopiche complesse utilizzando leggi locali semplici. I
metodi basati su automi cellulari riescono quindi a desumere alcune
delle caratteristiche peculiari dei flussi di traffico o levoluzione delloccupazione di una parte di un tratto stradale dalla conoscenza di alcune
ragionevoli leggi della guida di un singolo veicolo;
metodi di tipo Swarm Theory e Ant Optimization [DML06] [OB06]
[R06], utili alla ricerca di soluzioni ottime a partire dalla ricerca di particolari cammini allinterno di un grafo. Metodi di questo tipo non risultano dunque utili alla modellazione del traffico stradale, ma riescono
a rispondere a problemi di ottimizzazione come il posizionamento e la
sincronizzazione di semafori.
Nonostante il gran numero di pubblicazioni che possibile trovare in letteratura, la comunit scientifica non ancora giunta alla formalizzazione di
un modello matematico in grado di cogliere ogni aspetto delle complesse dinamiche del flusso veicolare, ricorrendo piuttosto alla creazione di modelli
ad-hoc in funzione del caso in esame.
Questo lavoro si inserisce allinterno di tale contesto scientifico: a seguito di
una panoramica sui pi importanti modelli gi sviluppati, verranno proposti
tre nuovi modelli per la gestione del traffico veicolare, due agli automi cellulari e uno di tipo differenziale. Verr poi discussa la validit di questi tre
modelli attraverso lanalisi di alcune simulazioni numeriche di un caso reale
di particolare interesse.
Lo scopo ultimo di questa tesi quello di sviluppare metodi numerici utili
per lo studio dellevoluzione del traffico in una generica rete viaria, a partire da dati di tipo GIS (Geographic Information System), come semplici
cartine stradali. Il campo applicativo in cui questo lavoro si inserisce quello del Concorso Internazionale Grand Paris [B08] [S08] indetto nel corso di
questanno dal Governo francese, con lo scopo di analizzare la zona dellhinterland parigino area compresa nellIle-De-France in un intorno di 50 km
della capitale francese da un punto di vista sociologico, urbanistico ed ecologico, in modo da identificare le esigenze a lungo termine della popolazione
e proporre nuove strategie di sviluppo sostenibile per la metropoli del XXI
secolo del dopo Kyoto.
Introduzione
17
Nel Capitolo 1 vengono presentate le motivazioni di questa tesi; nella prima

parte viene riportata una breve analisi del problema della gestione del traffico, sottolineando le conseguenze di tipo ambientale e sociologico ma anche
di tipo idrogeologico. In seguito viene introdotto il concorso Grand Paris,
partendo dalle analisi storiche e sociologiche che sono alla base del lancio del
concorso stesso [P08]. Viene infine presentato il modello urbanistico sviluppato allinterno del quipe Studio 08 per questo concorso [SV08] [F08], allo
scopo di introdurre alcuni concetti alla base della successiva modellazione
matematica: in particolare viene presentata una visione del tessuto stradale
che divide le infrastrutture in tubi e spugne, ovvero in tratti stradali in cui il
traffico ha un unica direzione ed a percorrenza veloce e tratti caratterizzati
da traffico lento e frequenti incroci.
Nel Capitolo 2 viene proposta una panoramica dei modelli matematici per
la trattazione del traffico monodimensionale: vengono proposti i diversi approcci presenti in letteratura (classici, statistici, differenziali e agli automi
cellulari) utili alla modellazione del traffico nei tubi.
Il cuore della tesi il Capitolo 3: in esso sono presentati e validati i tre modelli
di tipo bidimensionale utili alla caratterizzazione del traffico allinterno della
spugna, creati in questo lavoro di tesi. I tre modelli, uno di tipo differenziale
e due agli automi cellulari, si basano su opportune estensioni dei modelli
presentati nel capitolo precedente.
Nel Capitolo 4 vengono proposti alcuni algoritmi utili alla conversione di
carte stradali prodotte da programmi GIS in strutture dati trattabili con il
software Matlab 7 R2007A.
Nel Capitolo 5 sono riportate alcune simulazioni, ottenute con Matlab 7
R2007A o FreeFem++ 2.24, dei modelli presentati nel Capitolo 3 su alcuni
pattern stradali dellIle-de-France.
In Appendice riportato il codice utilizzato per produrre alcune delle simulazioni effettuate.
18
Capitolo 1
Presentazione del problema
In questo capitolo vengono presentate le motivazioni alla base del lavoro di
tesi: verr inizialmente proposta unanalisi del problema del traffico, in cui
sono evidenziati i quesiti a cui questa tesi vuole rispondere. Si considerer
lesempio concreto [B08] della citt di Parigi e la nascita del concorso Grand
Paris, motivazione principale del lavoro svolto. Verr inoltre presentato il
modello urbanistico alla base degli sviluppi matematici presenti nel capitolo
successivo ed infine si caratterizzer in maniera completa lo scopo del lavoro
proposto, descritto nellintroduzione.
1.1
Il problema del traffico
La storia dellautomobile come mezzo di trasporto affermato e funzionante

inizia nel XIX secolo. Il suo funzionamento si basa tuttavia su studi condotti precedentemente, gi in epoca rinascimentale, per cui la data della sua
invenzione non pu essere stabilita con esattezza. Lautomobile prese per
piede solo dopo lo sviluppo della termodinamica, delle tecniche di estrazione
e lavorazione degli idrocarburi e linvenzione del motore a scoppio. Il successo
industriale si deve allidea di Henry Ford di produrre in serie gli autoveicoli,
permettendo una riduzione dei prezzi e quindi una diffusione del prodotto non
solo tra le classi pi ricche della popolazione, ma anche tra quelle benestanti.
Levoluzione di questo mercato, riportato in tabella 1.1, stato inizialmente esplosivo ed ancora in continua crescita. Si stima che nel 2006 sono
state immatricolate nel mondo circa 65.319.000 automobili.
Direttamente collegato al valore dei dati appena presentati, si propone con
violenza il problema della gestione dello spostamento di questi veicoli allinterno del tessuto stradale, il problema del traffico. Ad esso sono correlati
problemi di carattere sociologico, economico, antropologico e ambientale. In
19
20
1.1. Il problema del traffico
Figura 1.1: Quantit di pm10 registrata a Milano in via Vico nei mesi di Gennaio,
Febbraio, Luglio e Ottobre 2008. Le colonne sono in rosso indicano se la quantit registrata
supera il limite stabilito dalla legge.
Capitolo 1. Presentazione del problema
Anno
Prezzo
1909
1911
1913
1915
1921
1923
950
690
550
440
355
295
Ford T
vendute
12.292
40.402
182.809
355.276
933.720
1.917.353
21
Macchine
vendute
130.986
210.000
485.000
970.000
1.683.916
4.034.012
Tabella 1.1: Prezzi e quantit di automobili Ford T vendute negli USA nei primi anni
del secolo scorso.
Figura 1.1, ad esempio, sono riportate le quantit di pm10 1 e registrate

allincrocio tra Via Gianbattista Vico e Via Olivetani a Milano. Il pm10
linsieme di tutte quelle particelle di diametro inferiore a 10 m; gli elementi
che lo compongono (come polveri di zolfo e composti di azoto) sono pericolosi
per la loro capacit di raggiungere le diverse parti dellapparato respiratorio.
Le patologie riconosciute legate allinalazione di queste polveri sono lasma,
le affezioni cardio-polmonari e la diminuzione delle funzionalit polmonari. Il
decreto-legge nr. 60 del 2 aprile 2002 [GITA] fissa il valore di soglia di pm10
presente nellaria a 50 g/m3 . Le colonne di Figura 1.1 colorate in rosso sono
quelle corrispondenti ai giorni in cui questa soglia stata superata. Come
possibile vedere dal grafico, nei mesi di gennaio e febbraio (i primi due
istogrammi) la soglia stata superata frequentemente; questo causato sia
dal traffico, che in quei mesi maggiore a causa del freddo (si preferisce
muoversi in macchina anzich con mezzi alternativi meno inquinanti, quali
biciclette o motorini), ma anche dal riscaldamento delle abitazioni. Nel mese
di luglio (terzo istogramma) la soglia non viene praticamente mai superata,
mentre al rientro dalle vacanze, nel mese di ottobre (ultimo istogramma),
si hanno un numero di infrazioni al decreto paragonabili a quello dei mesi
invernali nonostante i riscaldamenti non siano ancora in funzione. Si stima
che il contributo del traffico veicolare alla quantit di pm10 presente nellaria
sia intorno al 29% [CS+07]. quindi palese che il traffico ai nostri giorni sia
un problema fondamentale e che una sua buona gestione sia un passo avanti
importante per risolvere il numero di patologie che sempre pi di frequente
affliggono i residenti dei centri urbani maggiori.
Dati tratti da http://www.chiamamilano.it/
22
1.2. Breve storia dello sviluppo urbanistico di Parigi
Limportanza dello studio delle dinamiche del traffico veicolare ha catturato, fin dagli inizi del secolo scorso, lattenzione di molti studiosi. Gi
nel 1935 Greenshields [G35] propose i primi studi sul traffico veicolare; nel
1950 si trovavano numerose pubblicazioni al riguardo su riviste scientifiche
e di ingegneria. Nel 1959 Greenberg [G59] scriveva: The volume of vehicular traffic in the past several years has rapidly outstripped the capacities of
the nations highways. It has become increasingly necessary to understand
the dynamics of traffic flow and obtain a mathematical description of the
process.
Per questo e per le molte particolarit che in esso si presentano, lo studio delle dinamiche di traffico ha acceso linteresse della comunit scientifica
che, attraverso lutilizzo di diversi modelli, riuscita a spiegare alcune delle
peculiarit pi sorprendenti. Perch, ad esempio, nonostante tutti vogliano
mantenere un andatura veloce, a volte si formano rallentamenti senza alcuna
causa apparente (phantom traffic jams)? Come si relazionano tra loro i
vari tipi di congestionamento del traffico stradale? Quali sono i meccanismi
che creano le tipiche andature a fisarmonica che spesso incontriamo sulle
nostre strade? O ancora, quali limiti di velocit bisogna imporre su determinati tratti stradali, e sotto quali condizioni? Perch molti degli ingorghi
avvengono prima del raggiungimento della capacit portante effettiva della
strada? Lutilizzo di diversi tipi di modello di traffico particellari, macroscopici (differenziali) e statistici sono stati in grado di dare risposta a tutte
queste domande.
Nonostante tutto questo la comunit scientifica non ha ancora trovato un
unico modello in grado di spiegare con sufficiente precisione i dati sperimentali, perci la modellazione matematica delle dinamiche di traffico risulta
tuttora un problema interessante ed in gran parte aperto, in cui si ricorre a
modelli costruiti ad-hoc per il singolo problema che si intende affrontare.
1.2
Breve storia dello sviluppo urbanistico di

Parigi
La storia dellurbanizzazione parigina risulta pi travagliata della storia di

Parigi stessa. Nel corso degli anni la citt stata pi volte rimodellata e
ricostruita, fino a diventare il grande agglomerato urbano che appare oggi
[R02][F97]. Ci che per ci interessa capire levoluzione dellestensione di
questa metropoli, lungo la sua storia. Riassumiamo nei paragrafi seguenti
alcune delle tappe fondamentali dello sviluppo del tessuto urbano della citt
di Parigi.
23
100 a.C.: Linsediamento parigino viene fondato da una trib celtica.

La sua estensione comprende la sola Ile de la cit. Si stima che gli
abitanti fossero poche centinaia.
52 a.C.: Con larrivo dei romani gli insediamenti presenti vengono
completamente distrutti. Dopo la disfatta di Vercingetorige, i romani
vi allestiscono una guarnigione, sempre con centro su questisola della
Senna. Laccampamento prende il nome romano di Lutetia. Nei tre
secoli successivi i Romani vi portano tutto il loro know-how tecnologico
costruendo mercati, templi, ponti pi solidi e strade diritte, tracciate
seguendo la pianta a scacchiera tipica della loro urbanistica militare.
La citt si sviluppa principalmente sulla riva sinistra della Senna, fino
alla collina di Sainte-Genvieve.
V-VIII sec.: Nel V secolo Lutetia resiste allassalto degli Unni, uscendone quasi illesa. Alla fine del secolo il nome Paris sostituisce il nome
romano. Nel 508 Parigi diventa capitale del regno dei franchi.
IX sec.: I Carolingi permettono ai pirati normanni di saccheggiare e
di bruciare la citt. Solo alla fine del IX secolo, quando Eudes, conte
di Parigi, si fa incoronare re di Francia, Parigi diventa capitale dello
stato francese, una capitale piccolina, ancora tutta racchiusa nella Cit.
Inizia cos lera dei grandi re di Parigi.
X-XI sec.: Lattivit mercantile dei barcaioli della Senna avvia uno
sviluppo esplosivo della citt. Il mercato, allora situato sullisola della
Cit, trasloca a causa di mancanza di spazio in localit les Champeaus, oggi pi conosciuta con il nome di les Halles, dove rester per
ben otto secoli.
XII-XIII sec.: Il nuovo re, Filippo Augusto, decide di rinforzare le
mura della citt. Non si limita per alla Cit: il bastione di pietra
fiancheggiato da torri rotonde ingloba anche la riva sinistra della Senna.
XIV-XVIII sec.: Nel 1370 Carlo V, a causa della continua espansione della citt e per rimpiazzare i bastioni di Filippo Augusto, ormai
in rovina, fa costruire una nuova cinta il cui tracciato corrisponde a
quello degli attuali Grands Boulevards che collegano la Bastille alla Madeleine. Inoltre viene ideato un piano urbanistico che sar poi
utilizzato nei successivi quattro secoli. Enrico IV collega il Louvre al
palazzo delle Tuileries, termina il Pont-Neuf, progetta place Royal e
place Dauphine e ristruttura il Marais.
In seguito al forzato allontanamento di Luigi XIV a causa della Fronda,
24
bisogner attendere Luigi XV per assistere alla prima apparizione delle

grande piazze reali, che divengono il centro di nuovi scenari urbani (le
famose prospective): place des Victories, place Vendme e place de la
Concorde ne sono i pi vividi esempi. Lagglomerato parigino inizia ad
assumere le dimensioni importanti che lo caratterizzano, e viene delimitato dalle murs des Fermiers gnraux, costruite nellultimo decennio
del XVIII secolo.
XIX sec.: La rivoluzione francese ed il periodo napoleonico sono senza
dubbio gli eventi pi importanti della storia francese, ma molto pi
importante dal punto di vista urbanistico il mandato prefettizio del
barone Haussman. Napoleone infatti, per evitare il ripetersi dei moti
insurrezionali che avevano trovato negli stretti vicoli del centro il terreno pi adatto alla guerriglia urbana, diede ordine al suo prefetto di
rimodellare la struttura urbana in modo da permettere alle forze armate
di sedare senza difficolt qualsiasi focolaio di ribellione. Il progetto di
Haussman [H00] tocc tutti gli aspetti dellurbanistica parigina: a partire dal centro fino ai quartieri esterni furono rivisti e cambiati strade
e viali, regolamentazione delle facciate, spazi verdi, arredo urbano, fognature e reti idriche, attrezzature e monumenti pubblici. Lopera di
Haussman, nonostante siano passati quasi due secoli, continua a condizionare luso quotidiano della citt da parte dei suoi abitanti e costituisce il fondamento dellimmagine popolare della capitale francese
nel mondo, sostituendo alla figura della Parigi antica, dalle anguste
stradine pittoresche, quella di una citt moderna fatta di grandi viali e
immense piazze. A met del XIX secolo infatti il centro di Parigi conservava ancora la struttura medievale dellera dei grandi Re; il continuo
afflusso di popolazione avevano esteso progressivamente la citt fino allattuale Boulevard Priphrique, ma non era ancora stato avviato un
serio piano urbanistico: un labirinto di stradine intralciava la circolazione e gli immobili si ammassavano gli uni sugli altri in condizioni
di insalubrit tali da venir denunciate dai primi igienisti. Fu cos che
Haussman, nel 1771, inizi i grandi lavori di rinnovamento della citt,
espropriando suolo privato per pubblica utilit, imponendo ai proprietari di rinnovare le facciate degli edifici, riallineando gli immobili
presenti e livellando le strade. Nel 1830 il prefetto Rambuteau complet
lopera di Haussman, realizzando il primo Grand Boulevard al centro
di Parigi e modellando il centro della citt secondo laspetto visibile
tuttora. Grazie alle condizioni di vita create dalla politica di quegli
anni, Parigi si espanse ancora, fino a raggiungere il terzo anello dei
Boulevard, limite che caratterizza ancora oggi lagglomerato Parigino.
25
XIX-XX sec.: Si avvia una riflessione sulla mobilit della metropoli

parigina. Lingegner Bienvenue nel 1895 inizia la costruzione della
rete metropolitana, che continuer ad ampliarsi fino ai nostri giorni.
Lestensione della citt tuttavia non supera i Boulevard tracciati da
Haussman, come del resto avverr anche nei periodi successivi. Infatti,
a parte le restaurazioni del dopo guerra (e la costruzione del quartiere
delle Defense e delle autostrade che cingono Parigi), il comune di Parigi
restato tendenzialmente invariato.
(a)
(b)
Figura 1.2: La figura (a) rappresenta linsediamento parigino nellera gallica. La figura
(b) mostra levoluzione della cinta muraria della citt di Parigi nel corso dei secoli.
Lovvia causa dellespansione geografica di Parigi la sua crescita demografica2 . In Figura 1.3 mostrato il suo andamento demografico tra il
1150 e il 1999. Dallistogramma possiamo notare come la crescita esplosiva che ha caratterizzato la formazione della metropoli abbia subito un forte
rallentamento a causa delle due guerre mondiali e come, nonostante la fine
delle guerre, essa si sia arrestata nella seconda met del novecento dando
addirittura vita ad una fase di calo della popolazione.
Questo fenomeno dovuto ad un comportamento riscontrato in numerose altre citt negli ultimi decenni: le persone preferiscono risiedere non pi nella
grande metropoli ma in comuni limitrofi, dove risulta possibile godere di condizioni di vita migliori senza dover rinunciare a quelle comodit e quei servizi
2
Tutti i dati presentati sono tratti da:
http://it.wikipedia.org/wiki/Parigi
26
Figura 1.3: Andamento demografico del comune (municipalit) di Parigi dal 1150 al
1999.
messi a disposizione dalla citt. In Figura 1.4 rappresentato lo sviluppo

dellagglomerato parigino dal 1850 al 2000. Si nota come la citt Haussmaniana, racchiusa tra le mura che da allora rappresentano il confine del comune
di Parigi, sia stata inglobata allinterno di una regione pi grande, regione
che sembra essere diventata estensione naturale della citt. In Figura 1.5
rappresentato invece landamento demografico nellarea metropolitana di
Parigi (in rosa) in confronto a quello della sola citt di Parigi (in azzurro)
dal 1885 al 1999. possibile notare come landamento demografico dellarea
metropolitana non subisca larresto e la decrescita evidenziata nellanalisi
Figura 1.4: Evoluzione della regione dellhinterland parigino dal 1850 al 2000.
27
Figura 1.5: Confronto tra landamento demografico della regione metropolitana di Parigi
(in rosa) e quello della sola citt di Parigi (in azzurro) dal 1885 al 1999. In ogni colonna
evidenziata la percentuale della popolazione dellarea metropolitana che vive allinterno
del comune di Parigi.
precedente, ma sia in continua crescita. inoltre importante sottolineare

come varia negli anni la percentuale di popolazione dellarea metropolitana
parigina che risiede allinterno di Parigi: se nel 1885 era intorno al 78%, nel
1999 risulta ridotta al 19%. Questo evidenzia come davvero il modo di pensare e di vivere la grande area metropolitana sia completamente cambiato
nel secolo scorso. Oggi parlare di urbanizzazione a Parigi non significa pi
parlare di piani infrastrutturali per la sola analisi di ci che avviene allinterno del comune, ma significa studiare unarea di pi di 50 km di raggio estesa
tuttattorno a Parigi, detta Ile de France. I problemi sociali che nellepoca di
Haussman si presentavano allinterno del comune, oggi si presentano allinterno dei comuni dellIle de France sotto forme diverse (degrado di determinati
comuni, ghettizzazione, abbandono delle infrastrutture, mancanza di servizi
come i trasporti o altro).
importante notare come la gestione del comune di Parigi sia completamente differente dalla gestione degli altri comuni francesi. Infatti, fino al
1977, il comune di Parigi non aveva un sindaco ma era amministrato dal
prefetto (incarico statale) del Dipartimento della Senna, smantellato poi per
ragioni politiche. Questo fatto ha ancor pi differenziato lurbanizzazione
parigina da quella del suo hinterland, creando un limite infrastrutturale ben
visibile tra il comune e il resto della regione dellIle de France. Un esempio
lampante il servizio dei trasporti pubblici di superficie (pullman e RER
- Rete espressa regionale, Rseau express rgional) o sotterranei (gestiti da
RATP - Ente autonomo dei trasporti parigini, Rgie Autonome des Transports Parisiens), capillari allinterno dellarea metropolitana e molto carenti
nei comuni limitrofi.
28
1.3. Il progetto Grand Paris
1.3
Il progetto Grand Paris
Allinterno di questa panoramica di problemi si inserisce questa tesi. Sulla base dellanalisi sociologica [P08] di cui abbiamo sintetizzato i risultati,
il governo Francese ha lanciato la sfida Grand Paris [S08][B08][D08]. Il 6
Giugno 2008, in occasione dellinaugurazione della Cit de larchitecture et
du patrimoine 3 , il presidente della repubblica Francese ha radunato dieci tra
i pi importanti nomi nel campo architettonico-urbanistico scelti nel panorama internazionale (i francesi Roland Castro, Djamel Klouche, Yves Lion,
Jean Nouvel, Christian De Portzamparc et Antoine Grumbach, il tedesco
Fin Geipel, il gruppo norvegese MVRDV, litaliano Bernardo Secchi e linglese Richard Rogers) e li ha invitati a condurre uno studio sulla capitale
parigina, analizzando le esigenze a lungo termine della popolazione allinterno di una strategia di sviluppo sostenibile. Nasce cos il progetto Grand
Paris, un progetto volto alla riurbanizzazione da parte dello stato non della
singola citt di Parigi cosa gi di sua competenza viste le vigenti norme
francesi ma dellintera area metropolitana. Il progetto vuole tracciare le
linee di come devessere una metropoli del XXI secolo, ovvero non una citt
chiusa nei suoi confini ma una citt che si interfaccia e si prende carico delle
problematiche dei comuni limitrofi che offrono residenza alla gran parte della
popolazione che vive quotidianamente la citt.
Tra i gruppi che stanno lavorando a questo progetto, lItalia presente grazie al professor Bernardo Secchi, responsabile del gruppo STUDIO 08. In
particolare il gruppo si compone di:
- Bernardo Secchi, Paola Vigan, Alessia Cal, Dao Ming Chang, Teresa Cos, Nicolas Fonty e Alvise Pagnacco gruppo di architettura
STUDIO 08
- Lorenzo Fabian, Emanuel Giannotti e Paola Pellegrini collaboratori
delluniversit di architettura di Venezia (IUAV)
- Frdric Reutenauer, Florence Prybyla e Matthias Lenz impiegati
dellazienda privata per la gestione del traffico PTV France
- Gerhard Hausladen, Josef Bauer, Jacobsen Cornelia, Ccile Bonnet e
Robert Frhler dello studio ingegneristico tedesco HAUSLADEN
- Alan Berger, Case Brown professore associato del Dipartimento di
Studi Urbani dellistituto tecnologico del Massachusetts (MIT)
3
Si veda
http://www.citechaillot.fr/
29
- Alfio Quarteroni, Piercesare Secchi, Carlo DAngelo, Fabio Nobile e

Fabio Della Rossa collaboratori del Dipartimento di Matematica del
Politecnico di Milano (MOX)
Nello specifico, la parte del progetto affrontata dal laboratorio MOX la caratterizzazione matematica di un modello architettonico sviluppato dai responsabili del team e dal gruppo IUAV. Questo lavoro di tesi la sintesi di alcuni dei
risultati prodotti. Nella prossima sezione presentato il modello in questione.
1.4
Il modello tubi e spugne
Al fine di affrontare il problema proposto dal presidente della repubblica

francese Sarkozy, loperazione Grand Paris, il gruppo STUDIO 08 ha proposto un modello, in collaborazione con il dipartimento di architettura delluniversit IUAV di Venezia, che permettesse una visione non solo tecnica ma
anche sociologica dellinfrastruttura stradale [F08]. Questo modello, che ha
gi avuto modo di essere applicato al caso della viabilit nelle regioni del
nord Italia, si basa sulla divisione dellinsieme della viabilit non in base a
regole di tipo amministrativo (strade provinciali, strade statali, autostrade),
come comunemente vediamo sulle cartine, ma in base a come ciascun elemento si interfaccia al territorio. Pi precisamente, la visione adottata propone
di dividere le infrastrutture in due grandi classi: quella dei tubi, ovvero la
parte che ha scambi con il territorio solo in pochi punti ben definiti, isolando
il flusso stradale da ci che lo circonda, e quella della spugna, che al contrario permette a ogni conducente di interfacciarsi con il territorio in qualsiasi
momento.
1.4.1
I tubi
La parte di infrastruttura stradale che vogliamo classificare come tubo tutto

quellinsieme di strade che hanno scambi rari con il territorio, ad esempio le
autostrade o le superstrade, dove vi possibilit di entrare e uscire solo in
presenza di svincoli, di solito situati a qualche chilometro gli uni dagli altri.
Queste strade in genere sono caratterizzate da due carreggiate divise tra
loro tramite uno spartitraffico, e composte a loro volta da due o pi corsie
di scorrimento. Il traffico risulta quindi snello e veloce poich il flusso di
traffico viene ordinato in ununica direzione. Gli automobilisti hanno cos la
possibilit di compiere grandi distanze in un breve tempo. Bisogna rimarcare
limpossibilit per chi viaggia di uscire dal tubo, di fermarsi o di cambiare
direzione, se non nei pochi punti prestabiliti (svincoli, aree di sosta).
30
1.4. Il modello tubi e spugne
Figura 1.6: Possibili infrastrutture stradali atte alla creazione di un tubo. Si noti come
non sia possibile viaggiare allinterno del tubo in una direzione a piacere e come esso sia
diviso dal territorio che lo circonda tramite barriere fisiche artificiali (viadotti o barriere)
o naturali (fossi o rialzi).
Figura 1.7: possibile uscire dal tubo e cambiare direzione di marcia solo in determinati
punti, in corrispondenza di strutture adeguate allo scopo (svincoli).
31
Come si pu notare (Figure 1.6, 1.7) questo tipo di infrastruttura risulta

molto invasiva sul territorio. Sono gi stati osservati fenomeni quali deviazione del naturale scorrimento idrologico o disturbo della fauna locale legati alla
costruzione di questo tipo di infrastrutture. Due esempi famosi sono il caso
del passante automobilistico di Mestre, compreso tra le provincie di Padova,
Venezia e Treviso, che porter ad un cambiamento dellintero bacino idrico
della regione immediatamente circostante, con conseguenti problemi di riconsolidamento del terreno [SV08], e lautostrada del Brennero, a causa della
quale, al momento della sua costruzione, la comunit locale di orsi bruni si
trovata divisa in due, portando a un impoverimento di uno dei due gruppi
formatisi, fino al rischio di estinzione.
Riassumendo, le caratteristiche dei tubi sono quelle di avere un flusso
unidirezionale (monodimensionale) e veloce. A causa di ci lautomobilista
che deve arrivare ad un paese (spugna bidimensionale) rischia di dover fare
anche molti chilometri in pi del necessario non potendo cambiare direzione
o uscire a proprio piacimento. A fronte di questo si dice che il tubo sconnette
la spugna bidimensionale in due parti, impermeabilizzandole.
Il grafo dei tubi, di cui un esempio schematicamente rappresentato in
Figura 1.8, caratterizzato da una scala grande, dellordine di una cinquantina di chilometri. I pochi collegamenti sono ben definiti, i tratti di strada
lunghi. Lalbero formato da soli rami, non presenta foglie4 .
1.4.2
La spugna
A differenza del tubo la spugna si caratterizza per la numerosit di interazioni

col territorio. Ogni conducente ha possibilit di fermarsi, cambiare direzione
o senso di marcia pressoch in ogni momento.
La spugna rappresenta la strada che si interfaccia con le industrie, i mercati, le abitazioni e le coltivazioni, cio con lambiente antropico sia urbano
che rurale. Non soltanto, la spugna si relaziona anche in modo molto meno invasivo di quanto faccia il tubo, senza cambiare in modo radicale usi, costumi
e geografia del luogo.
Allinterno della spugna il traffico pi lento, a causa degli innumerevoli
incroci, e non quindi incanalato lungo ununica direttrice ma ha due gradi
di libert (traffico bidimensionale).
Riassumendo, la spugna viene rappresentata tramite un grafo fitto, quasi
4
Strade che non si interfacciano ad altre strade. Ad esempio sono foglie i viali di
ingresso alle case o le strade che portano ad un parcheggio
32
Figura 1.8: Grafo dei tubi (dx) della regione centrale del Veneto (sx). Si noti come ci
siano pochi nodi, e la distanza tra questi sia dellordine del chilometro.
capillare, ricco di foglie (si veda ad esempio la Figura 1.11). La scala del
grafo ridotta, dellordine della decina di metri.
1.4.3
I concetti di porosit e permeabilit
Strettamente legate a questo modello di tessuto stradale vi sono due grandezze

tipiche di un tessuto spugnoso, quelle di porosit e di permeabilit. In
questo paragrafo tenteremo di leggerle allinterno della visione urbanistica
presentata.
Porosit
Il concetto di porosit per un tessuto spugnoso definito come rapporto
tra il volume dei pori, ovvero le parti in cui non vi materiale e in cui di
conseguenza pu scorrere liberamente il fluido, e il volume totale occupato dal
corpo. Se osserviamo una spugna come quella in Figura 1.12, subito chiaro
come parte del volume occupato sia effettivamente spugna e come unaltra
parte sia occupato solamente da aria. Questo concetto pu essere adattato al
modello proposto quasi immediatamente: nella spugna bidimensionale della
carta stradale parte dellarea totale sar occupata dalle strade, che sono i pori
della spugna (dentro ai quali c movimento), mentre il resto sar occupato da
33
Figura 1.9: Esempi di strade facenti parte di una spugna. I veicoli possono cambiare
direzione o fermarsi ogni volta che lo desiderano.
Figura 1.10: Grafo della spugna della Centuria Patavina. I nodi sono numerosi e la loro
distanza ridotta, dellordine di metri.
34
Figura 1.11: Sulla sinistra rappresentato un piccolo albero di tubi. Al centro, allo
stesso albero sovrapposto lalbero della spugna (in rosso), completato da uno zoom in
cui si mostrano le foglie (rami in nero, foglie in rosso).
altre entit (case, giardini, monumenti, fabbriche, ...) che invece compongono
il materiale della spugna impermeabile, in cui non possibile il movimento.
Resta da chiarire un concetto importante: quando parliamo di porosit per
una spugna intendiamo la sua capacit di accogliere fluido, le cui particelle
hanni dimensioni caratteristiche infinitesime rispetto alla dimensione dei pori.
La definizione sarebbe senza dubbio diversa se avessimo voluto valutare la
porosit della spugna per delle biglie, poich si sarebbero potuti considerare come pori solamente degli spazi vuoti di una determinata dimensione
(maggiore della biglia). Allo stesso modo, parlando di porosit del tessuto
stradale, dobbiamo definire qual la particella elementare per cui viene considerato un determinato spazio poro: una stessa carta stradale avr infatti
differenti porosit per i pedoni, le biciclette, le automobili e i mezzi pesanti,
poich solo alcune delle strade presenti sulla carta sono percorribili (ovvero
sono pori) per ciascuna di queste classi.
Figura 1.12: Spugna del Meditarraneo.
35
La porosit dipende solo dalla geometria della mappa e dalla dimensione del
corpo che la deve attraversare e non dal modo di muoversi delle particelle
nella mappa. Come tale non in grado di fornire indicazioni dinamiche,
come la mobilit o la capacit di trasporto di veicoli, fatto vero anche per la
definizione dalla quale siamo partiti. Se pensiamo ad esempio ad una scatola
impermeabile, essa, secondo la definizione, avr un altissima porosit, poich
composta prevalentemente da spazi vuoti, ma avr capacit di trasporto di
fluidi nulla.
In seguito, visto lambito a cui questa tesi si dedica, ci riferiremo al termine
di porosit di una mappa intendendola come porosit di una mappa per
autoveicoli.
Permeabilit
Il concetto di permeabilit un concetto ben noto in urbanistica, e prende il
nome di connettivit. Ad esempio, allinterno del Manual of Street [DFT07],
vengono spiegate alcune attenzioni da mantenere nel caso in cui si voglia
costruire un complesso immobiliare in una zona allinterno di una citt (si
veda ad esempio la Figura 1.13).
Figura 1.13: Al fine di permettere una buona connettivit di un complesso immobiliare

importante integrare nel progetto una fitta rete di strade che permettano il collegamento
con le vie principali.
Questa grandezza associata alla capacit propria di un oggetto spugnoso

di essere attraversato da un determinato fluido. Essa dipender quindi dalle
caratteristiche geofisiche del mezzo poroso, ma anche dal modo con cui il
fluido si muove al suo interno. Per misurare la permeabilit di un particolare
tessuto isomorfo si utilizzano metodi sperimentali basati proprio sul far fluire
un liquido incomprimibile allinterno di un campione di tessuto; la stima si
basa su un modello di tipo lineare: vengono creati dei campi di pressione
e viene valutato il flusso attraverso il corpo nelle varie direzioni. In questo
modo vengono ricavati i vari elementi del tensore di permeabilit, che, per
un corpo tridimensionale, sar una matrice quadrata di dimensione tre.
36
Anche per il caso stradale la stima della permeabilit dovr essere legata
alla dinamica del movimento dei veicoli allinterno di una parte di mappa;
questa grandezza sar tanto pi grande in una direzione quanto il flusso (veicolare o della particella di cui si sta studiando il moto) in quella direzione
sar grande. Applicando lo stesso modello lineare si andr quindi a creare
una matrice (di dimensione due essendo la mappa bidimensionale) i cui autovettori rappresentano le direzioni principali di permeabilit. Al fine di rappresentare graficamente la permeabilit si deciso di utilizzare degli ellissi
in cui lasse maggiore e minore corrispondono alle due direzioni principali di
permeabilit con lunghezze proporzionali alla grandezza del flusso (espressa
dagli autovalori associati), come quelli di Figura 1.14.
Figura 1.14: Stime di permeabilit per due diversi tessuti stradali.
La correlazione tra permeabilit e porosit, a meno di casi patologici,

dipende principalmente dalle caratteristiche di moto delloggetto che stiamo
considerando. Se prendiamo ad esempio un pedone, la cui velocit massima
raggiunta in breve spazio e per cui i cambi di direzione non provocano un
sostanziale decremento della velocit, logico che alta porosit sia correlata
ad alta permeabilit poich la presenza di un maggior numero di strade percorribili rende pi facile approssimare il cammino da compiere con il cammino pi breve. Se per consideriamo il caso di traffico veicolare, unalta
porosit non detto che implichi unalta permeabilit, ne vero il viceversa:
utilizziamo due esempi (si veda la Figura 1.15) per spiegare meglio questo
problema. Il centro storico di una citt normalmente fitto di vie strette e
con molti incroci; la porosit di un tessuto stradale di questo genere certamente alta, poich ci sono molte strade, ma la permeabilit invece bassa,
37
poich in quelle vie non possibile raggiungere velocit elevate e i continui

incroci impongono rallentamenti. Al contrario una regione isolata, in cui
passa unautostrada e poche altre strade avr porosit bassa proprio per la
quasi assenza di strade, ma alta permeabilit (nella direzione dellautostrada
il traffico risulta particolarmente rapido).
Figura 1.15: Esempio di diverse mappe stradali con differenti valori di porosit e permeabilit. I pattern stradali mostrati sono rispettivamente la zona 9 e la zona 13 evidenziate
in Figura 5.1.
38
1.5
1.5. Proposal
Proposal
Dopo quanto detto in questo Capitolo, possibile caratterizzare in maniera

pi dettagliata lo scopo di questo lavoro. Dato che non esistono ancora
modelli matematici riconosciuti universalmente per la gestione del traffico,
al gruppo MOX stato chiesto di creare un modello matematico ad-hoc che
permettesse la caratterizzazione rigorosa del tessuto stradale dellarea denominata Ile de France. Non quindi un lavoro destinato alla gestione del
traffico (per i quali il gruppo STUDIO 08 si serviranno dei colleghi del PTV)
ma allanalisi del territorio e dellinfrastruttura stradale. Lo scopo ultimo
dunque quello di integrare questi risultati che divideranno il territorio in
funzione della sua permeabilit con altri indicatori della qualit della vita
(linquinamento, il consumo energetico, la vivibilit della zona), forniti dai
gruppi MIT e HAUSLADEN, per riuscire a comprendere, allinterno dellanalisi
richiesta, come particolari caratteristiche della rete stradale possano essere
correlate con le esigenze a lungo termine della popolazione, in modo da
riuscire a proporre una strategia di sviluppo sostenibile per una metropoli
del XXI secolo come Parigi e il suo hinterland.
Capitolo 2
Modelli di traffico
monodimensionali
In questo capitolo viene presentato il vocabolario che ormai da parecchi
decenni si consolidato attorno alle problematiche legate alla gestione del
traffico veicolare su strada, introducendo sia da un punto di vista teorico
che applicativo alcuni strumenti classici impiegati per studi di questo tipo.
Vengono inoltre discussi i principali approcci proposti in letteratura per la
modellizzazione di problemi di traffico su una sola strada: modelli agli automi cellulari, metodi di carattere statistico e modelli di natura differenziale.
Di tutti questi metodi verranno illustrati sia gli aspetti analitici che quelli
numerici, sottolineando le potenzialit e le criticit dei differenti approcci.
Oltre che alla caratterizzazione dei modelli monodimensionali, questi strumenti risulteranno utili anche per lo studio di modelli bidimensionali per le
reti stradali, descritti nel capitolo successivo.
2.1
Caratterizzazione del diagramma fondamentale
In questa sezione viene presentata una sintetica descrizione di uno strumento

basilare nellanalisi di problemi di traffico monodimensionali, noto in letteratura come diagramma fondamentale [H63]; esso descrive la dipendenza del
flusso veicolare in una strada a corsia unica (one-lane) dal numero di autoveicoli presenti in essa. Questo diagramma permette di legare quantit spaziali
a quantit temporali, caratterizzando la nota relazione
(spazio)=(velocit) (tempo),
39
40
2.1. Caratterizzazione del diagramma fondamentale
valida per un generico corpo in movimento, al caso di problemi che coinvolgono pi corpi, costituiti nel caso in esame dai veicoli presenti su un tratto
stradale. Supposto che i veicoli allinterno di una strada siano equispaziati
(densit di veicoli costante sullarco), introducendo le seguenti grandezze
: densit di flusso = numero di veicoli che transitano nella sezione
per unIT di tempo
rho : concentrazione = veicoli per unit di distanza
vi : velocit delli-esimo veicolo
m : velocit media dei veicoli
t : tempo
S : spazio
ed esprimendo la legge oraria per un generico insieme di N veicoli, si ottiene:
!
N
X
N
1
N
=
=
= m.
vi
t
N i=1
S
Questequazione lineare diviene in realt pi complicata se si considera che
il flusso di veicoli e la velocit media non sono costanti, ma dipendono dalla
concentrazione di veicoli stessa. Si ha dunque, in definitiva:
() = m().
Occorre a questo punto caratterizzare lespressione del flusso () e della velocit media m() sulla base dellevidenza empirica. Delle tre grandezze appena introdotte, la concentrazione presenta un limite superiore facilmente
determinabile, che verr indicato con e, che rappresenta una situazione di
ingorgo lungo il tratto stradale; in un modello monodimensionale, questo
valore risulta equivalente, da un punto di vista intuitivo, al rapporto tra la
lunghezza della strada e la lunghezza media dei veicoli (o un suo piccolo multiplo). In base allesperienza diretta, occorre sottolineare come anche le altre
due grandezze presentino necessariamente un limite superiore; tuttavia non
risulta utile assegnare questi limiti a priori, ma preferibile ricavarli a posteriori. Assumiamo a questo scopo che la distribuzione delle velocit dei veicoli
sia una variabile aleatoria con supporto [0, vmax ()]: la media di questa distribuzione sar anchessa funzione della concentrazione e risulter crescente
al diminuire di (intuitivamente, una diminuzione del numero di veicoli sulle
strade generalmente accompagnata da un aumento della velocit media di
Capitolo 2. Modelli di traffico monodimensionali
41
percorrenza). Dal momento che in un ingorgo la velocit di tutti i veicoli si

annulla, occorre imporre il vincolo m(e
) = 0 (e conseguentemente (e
) = 0).
In base a queste considerazioni (e al fatto che tutte le quantit introdotte
risultano chiaramente positive), ricordando che la velocit dei veicoli monotona decrescente con , possibile dedurre che landamento qualitativo della
funzione () quello rappresentato in Fig. 2.1 [H63].
Figura 2.1: Diagramma fondamentale () del traffico stradale. Si notano le regioni di

traffico a strada libera (verde), di andamento oscillante (giallo), di traffico a fisarmonica
e di ingorgo (blu e rosso).
Da tale grafico possibile identificare i differenti comportamenti del traffico, corrispondenti a diverse pendenze della curva = (). La regione
verde detta di traffico a strada libera e risulta caratterizzata da automobili
che procedono tutte alla massima velocit possibile. La regione gialla corrisponde alla cosiddetta fase di traffico oscillante, in cui i veicoli sono costretti
a rallentare a causa della presenza di altri veicoli. Nella regione colorata in
blu si assiste alla formazione di locali rallentamenti (traffico a fisarmonica o
phantom traffic jam) che divengono sempre pi importanti, il cui fronte si
muove con velocit di segno opposto a quella del moto dei veicoli. Infine nella
regione rossa il traffico risulta congestionato e contraddistinto dalla presenza
di veicoli per la maggior parte fermi o che procedono occupando gli spazi
liberi, i quali si propagano lentamente nel verso opposto a quello del moto.
Dal diagramma fondamentale inoltre possibile estrarre due importanti grandezze per lo studio del fenomeno: si tratta del valore massimo max della funzione = (), detto capacit della strada, e della pendenza della curva nel
primo tratto (in prima approssimazione lineare) denominata velocit media
a strada libera, il cui valore solitamente correlato con il limite di velocit
presente sulla strada.
Dalla conoscenza del diagramma fondamentale possibile ricavare la maggior parte delle propriet di un tratto stradale, caratterizzando sia il traffico
42
2.1. Caratterizzazione del diagramma fondamentale
presente su di esso che i modi con cui si interfaccia con altre strade. Tuttavia,
limportanza di questo strumento risulta confinata al solo campo teorico, dal
momento che non possibile applicare un particolare diagramma a ogni caso
di studio. Da un punto di vista pratico, un diagramma di questo tipo risulta
influenzato da numerosi fattori esogeni, spesso difficilmente modellizzabili,
come ad esempio le condizioni metereologiche che influenzano la visibilit
(presenza di nebbia o foschia lungo la strada) o limiti di velocit imposti
lungo il tratto stradale.
Il diagramma fondamentale risulta comunque decisamente utile nel condurre una prima analisi di un problema di traffico poich permette di spiegare
il funzionamento a regime di un tratto stradale.
2.1.1
Deduzione del diagramma fondamentale con modelli di tipo car following
Mostriamo ora uno dei metodi classicamente impiegati per la costruzione del
diagramma fondamentale, basato su un modello particellare che prende in
considerazione due veicoli che procedono nella stessa direzione senza altri
veicoli tra loro, per i quali non sia ammessa alcuna possibilit di sorpasso; le
soluzioni trovate con questo modello risultano adatte a casi in cui la concentrazione assuma valori prossimi a e o ci si trovi in corrispondenza di tratti
stradali in cui tipicamente vietato il sorpasso, come nei tunnel o sui ponti.
Questo metodo, che prende il nome di car following, basato su una congettura psicologica [H63] supportata da verifiche empiriche; a partire dallassunzione per cui ogni veicolo segue quello antistante in maniera puramente deterministica, possibile tradurre il suo comportamento con unopportuna legge
differenziale. Nel seguito verranno presentati alcuni tra i pi significativi
modelli proposti.
Una delle regole basilari contenute nel Codice della Strada riguarda il
mantenimento di unopportuna distanza di sicurezza dal veicolo immediatamente precedente, che risulta proporzionale alla propria velocit di crociera.
Al fine di mantenere questa distanza costante quindi necessario regolare
la velocit del veicolo in funzione della velocit del veicolo precedente. Detta xn la posizione del veicolo n e x0 n la sua velocit, al fine di mantenere
costante la distanza tra i due veicoli consecutivi n ed n 1, sar necessario
che le velocit dei due veicoli siano uguali. Tuttavia questo nella realt non
si verifica mai, le due velocit sono sempre lievemente diverse. Supponiamo
allora che la correzione (accelerazione) sia proporzionale alla differenza tra
43
le velocit, ovvero che:

x00n =
d2 xn
= C(x0n1 x0n )
dt2
(2.1)
Integrando questa relazione nel tempo, se consideriamo la sensitivit C

costante che regola quanto il conducente del veicolo sensibile alla differenza
di velocit del veicolo antistante indipendente dal tempo, otteniamo:
x0n = C(xn1 xn ) + k.
A partire da questa relazione, tenendo conto che allequilibrio tutti i veicoli
procedono alla stessa andatura e risultano tra loro equispaziati e che la distanza tra due macchine successive inversamente proporzionale alla densit
, si ricava che la velocit media m data da:
m = C/ + k
Per trovare il valore della costante k di integrazione, occorre sfruttare la
condizione in base alla quale la velocit media m(e
) nulla:
k = C/e
;
m(e
) = 0
Sostituendo nella relazione = m, si ottiene lespressione analitica del

diagramma fondamentale:
= (C/ C/e
) = C(1 /e
).
possibile ricavare due ulteriori modelli a partire da opportune variazioni della relazione appena introdotta. Come gi osservato in precedenza,
nellEquazione (2.1) la costante C ha ruolo di coefficiente di decelerazione o
accelerazione a seconda della differenza di velocit rispetto al veicolo antistante.
Una prima variazione del modello consiste nel considerare questa quantit
dipendente dalla distanza che separa un veicolo da quello che lo precede, dal
momento che la risposta di un conducente a eventuali accelerazioni o frenate
del veicolo antistante dipende anche da questo fattore. Si pu quindi pensare
che il coefficiente C sia inversamente proporzionale alla distanza (xn1 xn );
introducendo un nuovo coefficiente C 0 , dato dal rapporto C 0 = xn1Cxn , si
ottiene il modello seguente:
x00n
=C
(x0n1
x0n )
x0n1 x0n
=C
;
xn1 xn
(2.2)
44
2.2. Metodi agli automi cellulari
In maniera analoga, si pu introdurre anche una dipendenza dalla velocit

di crociera (possiamo pensare che un guidatore stia pi attento se procede
velocemente), ottenendo il modello:
C0 =
x0n
C
xn1 xn xn1 xn
x00n = Cx0n
x0n1 x0n
(xn1 xn )2
(2.3)
Risolvendo le equazioni (2.2) e (2.3) in modo analogo a quanto fatto in precedenza si ricavano i corrispondenti diagrammi fondamentali, dati rispettivamente per il modello (2.2) da
= C log e/
e per il modello (2.3) (sfruttando anche il fatto che m(0) = 0) da
= m0 eC .
Figura 2.2: Diagrammi fondamentali ricavati tramite i modelli di tipo car-following

presentati nel capitolo.
I diagrammi appena ricavati sono rappresentati in Figura 2.2. Si noti

come landamento di queste funzioni, ricavato tramite modelli minimali, sia
quello previsto dalla teoria.
2.2
Metodi agli automi cellulari
Una prima classe di modelli per lanalisi di problemi di traffico basata sullimpiego di metodi agli automi cellulari; la grande diffusione di questi metodi
in numerose applicazioni consiste nella loro capacit di utilizzare leggi semplici a livelli microscopici con lo scopo di ricostruire dinamiche macroscopiche
complesse. Metodi agli automi cellulari risultano particolarmente adatti alla modellizzazione di problemi di traffico per la loro capacit di sintetizzare
45
informazioni di carattere locale legate ad esempio alla guida di un singolo

veicolo (andatura, direzione, ...) al fine di catturare dinamiche che interessano un intero tratto stradale. La possibilit di sfruttare un approccio di
questo tipo risiede proprio nel fatto che la dinamica del traffico dipende intrinsecamente da scelte condotte dai singoli in funzione di ci che accade nelle
immediate vicinanze (andatura dei veicoli prossimi a s, condizioni di traffico
delle strade che si stanno percorrendo e cos via) e non da leggi globali che
coinvolgono caratteristiche di siti lontani.
Limpiego di questo tipo di algoritmi per la modellazione del traffico ha preso
piede negli ultimi due decenni, soprattutto grazie alla sua relativa semplicit
di applicazione e ai bassi oneri computazionali delle loro implementazioni numeriche; tra i lavori pi significativi possibile citare [NS92], [SS93], [VS94],
[RN+95], [BBE96], [NBR96].
2.2.1
Introduzione
Si definisce in generale sistema agli automi cellulari un sistema dinamico

discreto di dimensionalit tipicamente molto elevata, usato per modellizzare
e descrivere fenomeni fisici di vario tipo, in cui levoluzione globale dipenda da
leggi di natura locale. Le entit elementari del sistema sono dette automi,
per la semplicit del loro comportamento individuale e cellulari perch si
autoriproducono come vere e proprie cellule viventi; ogni cella di un automa
pu assumere un numero finito di stati e linsieme degli stati delle varie celle
descrive lo stato del sistema.
Gli automi cellulari sono definiti da cinque propriet fondamentali:
lo spazio cellulare, un reticolo discreto di celle (o siti) di dimensione
d; il reticolo pu assumere ad esempio forma triangolare, quadrata,
esagonale (d = 2), cubica o prismatica (d = 3) o altre forme a seconda
dei casi;
lo stato che una cella assume e che appartiene a un insieme finito di
possibili valori detto spazio degli stati e indicato con la lettera Q;
lintorno di una cella, costituito da un insieme finito di siti limitrofi; in
particolare si indica con N (indice di vicinato) un sottoinsieme finito
di Zd , costituito dagli elementi che influenzano una cella;
le regole di evoluzione (o transizione), che stabiliscono lo stato di ogni
singola cella al tempo t+1, in base alla conoscenza dello stato della cella
e di quello del suo intorno al tempo t. Il valore di ogni sito evolve in
46
accordo alla stessa regola in caso contrario si parla di automi cellulari

non uniformi che viene applicata simultaneamente a tutte le celle. In
termini formali, si ha:
ct+1
= f (cti , cti+n1 , cti+n2 , ..., cti+n|N | ).
i
Gli algoritmi agli automi cellulari possono essere sia deterministici che stocastici, a seconda della natura delle regole di evoluzione. Limpiego di regole
stocastiche permette in particolare di introdurre due importanti aspetti in
questo tipo di algoritmi: da un lato oltrepassa lo svantaggio di avere una completa omogeneit tra i comportamenti dei singoli automi (nel caso del traffico
importante considerare numerose fonti di variabilit, dal momento che non
tutti i conducenti presentano le medesime caratteristiche di guida), dallaltro
consente la stima di caratteristiche del flusso differenti dal comportamento
medio, come i momenti di ordine superiore al primo. Per approfondire la
questione si rimanda a [W86].
In generale vi sono due approcci per modellizzare il flusso di particelle allinterno di un campo spaziale: si pu fissare lattenzione sulle singole particelle, ottenendo il cosiddetto approccio lagrangiano, oppure sulla regione di
spazio di interesse e utilizzare leggi mediate sulle particelle che lo attraversano, ottenendo il cosiddetto approccio euleriano. Nel caso dei problemi di
traffico trattati con automi cellulari, questi due approcci si traducono rispettivamente nellutilizzo di un singolo veicolo come cella dautoma (approccio
lagrangiano), oppure analizzando come variano le caratteristiche di andatura
(che diventano lo spazio di stato Q della cella) di un singolo tratto di strada,
ovvero di un lato del grafo dei tubi, studiando il numero di veicoli presenti
su di esso istante per istante (approccio euleriano).
2.2.2
Modelli basati su un approccio euleriano
Storicamente, uno dei primi modelli monodimensionali agli automi cellulari

per il traffico la nota legge Wolfram 184, che prende il nome dallo studioso
che lha ideata ed illustrata in [W86]. Questa legge prevede di considerare
un tratto di strada e dividerlo in N tratti di lunghezza uguale: ognuno di
questi costituisce una cella dautoma. Lo spazio degli stati delle celle di
tipo binario, dal momento che la singola cella pu essere occupata oppure
libera. Lintorno della cella costituito dalla sola cella precedente, poich
viene considerato un unico senso di marcia sulla strada. La regola di evoluzione molto semplice: ad ogni istante ogni cella assume il valore di quella
47
precedente. Considerando dunque una singola cella i, se la cella precedente

i 1 risulta occupata da un veicolo al tempo t, allistante t + 1 questultimo
si sposter, andando a occupare la cella i (si veda la Figura 2.3). Riscrivendo
formalmente questo sistema dinamico discreto con il formalismo introdotto
in precedenza, si ha:
d=1
Q = {0, 1}
ct+1
= cti1 .
i
(2.4)
Il codice Matlab che implementa questo algoritmo descritto in A.2.1.
Figura 2.3: Simulazioni del modello di Wolfram. Si noti come ogni situazione iniziale
sia, per questo modello, una configurazione di macchine, per questo modello, si mantenga
invariata nel tempo.
Questo modello, descritto ora nella sua versione basilare, pu essere modificato e ulteriormente arricchito con lo scopo di risultare pi aderente alla
realt. A questo livello di semplicit, infatti, esso non riesce a cogliere alcuna
delle questioni interessanti di dinamica del traffico, dal momento che tutte
le automobili percorrono la strada alla medesima velocit. Una prima modifica che possibile operare conduce al cosiddetto modello di Wolfram con
blocking: la legge di transizione viene cambiata in modo da farla dipendere
non solo dallo stato della cella precedente ma anche dagli stati della cella
corrente e di quella successiva. Alla base di questa regola vige lidea per cui
un veicolo occupa la cella successiva solo nel caso in cui questa sia libera.
Li-esima cella riulter quindi occupata al tempo t + 1 se libera al tempo t e la cella precedente occupata, oppure se occupata al tempo t e la
cella successiva occupata (dunque il veicolo che conteneva non ha potuto
spostarsi). In formule:
= cti1 (1 cti ) + cti+1 cti .
ct+1
i
Linserimento di questa modifica comporta tuttavia un pesante allontanamento dal modello originario: se il modello di Wolfram prevede lavanzamento anche di fronti donda compatti (nel caso in cui tutte le celle fossero state
48
piene il modello giunge allequilibrio: tutti i veicoli si muovono alla medesima

velocit), nel caso del modello con blocking non possibile raggiungere una
situazione di equilibrio. Possono infatti verificarsi casi di stop and go, in cui
un veicolo si muove a iterazioni alterne; in questo caso possibile giungere
a situazioni di equilibrio stazionario per la velocit delle macchine solo per
densit inferiori a max = 0.5 (si veda ad esempio la Figura 2.4). Questo
fenomeno risulta per abbastanza realistico poich, considerando la lunghezza di una cella paragonabile a quella di un veicolo, durante lavanzamento
in condizioni di equilibrio i veicoli non procedono quasi mai prossimi luno
allaltro, ma a velocit normale si raggiunge una situazione in cui tra un veicolo e il successivo intercorre un certo spazio (usualmente la lunghezza di un
veicolo se non di pi). Questo modello risulta dunque in grado di catturare
sia il fenomeno dellingorgo (se = 1 tutte le automobili stanno ferme) sia
quello delle phantom traffic jams, rispondendo quindi a una delle domande
poste nel Capitolo 1. Il codice Matlab che implementa questo algoritmo in
A.2.2.
Figura 2.4: Phantom traffic jam simulata con il modello di Wolfram con blocking. Nonostante tutte le vetture vorrebbero muoversi, si creano delle code che si spostano nello
spazio con velocit opposta rispetto al moto libero. Essendo per la densit inferiore a
max = 0.5, si arriva in uno stato di equilibrio per le velocit dei veicoli con tutte le
automobili che viaggiano a distanza una cella luna dallaltra.
Per migliorare ulteriormente il modello Wolfram 184 occorre tuttavia abbandonare un approccio puramente euleriano: invece che concentrarsi solo
sullo stato di una singola cella (libera/occupata) occorre distinguere i differenti veicoli allinterno del modello in base alle loro propriet, arricchendo lo
spazio degli stati (ad esempio con la velocit del veicolo che sta percorrendo
la cella o definendo modalit di accelerazione e frenata). Ci spiega perch
in letteratura i modelli pi usati di dinamica monodimensionale non seguono
lapproccio euleriano ma piuttosto il lagrangiano, presentato nel seguito; abbiamo per descritto questa classe di modelli perch costituiscono la base per
la costruzione di modelli di traffico bidimensionali.
2.2.3
49
Modelli basati su un approccio lagrangiano
A differenza dei modelli precedenti, in cui si focalizza linteresse su interi tratti stradali, nel caso dei modelli basati su un approccio lagrangiano lanalisi
si concentra sui singoli veicoli che percorrono una strada. Ci implica alcune
sostanziali modifiche alla struttura del corrispondente automa cellulare: lo
spazio cellulare diventa linsieme dei veicoli, lo stato di ogni cella risulta
caratterizzato dalle propriet di ciascun veicolo (come la posizione lungo la
strada, la velocit, laccelerazione, ...) e lintorno della cella non pu pi essere identificato in maniera puramente geometrica come nel caso euleriano,
in cui univocamente determinato nota la lunghezza della cella ma viene
caratterizzato dagli autoveicoli che precedono o seguono una singola cella.
Lapproccio lagrangiano senza dubbio quello pi sviluppato in letteratura
[H01],[DML06], soprattutto perch permette di costruire modelli pi aderenti alla realt e ricavare alcuni dei risultati presentati nel Capitolo 2.1,
traducendo direttamente le comuni regole della guida di un veicolo.
Il modello di Nagel
Il pi importante modello di traffico basato su un approccio lagrangiano
quello proposto da Nagel in [N96]. In base a questo modello, un tratto di
strada viene suddiviso in L parti di uguale lunghezza l, allinterno delle quali
si pu trovare al pi un veicolo; sottolineiamo che lo spazio cellulare non
si identifica con il vettore composto dalle L celle appena definito, ma esso
servir a definire la posizione dei veicoli, una delle variabili di stato delle celle
dautoma.
Lo spazio cellulare sar invece definito dagli N veicoli presenti lungo la strada; il loro numero viene stabilito a priori e risulta costante fissando una
condizione al contorno di tipo ciclico, ovvero per cui i veicoli che raggiungono la fine del vettore rientrano dallinizio.
Il valore di tale densit risulta pari a = N/L; ogni veicolo pu spostarsi con
una velocit variabile compresa nellintervallo [0, vmax ]. A ciascun valore di
velocit corrisponde un determinato numero di celle che il veicolo percorre a
ogni iterazione: la velocit di un singolo veicolo (distribuita a priori in modo
continuo) viene dunque convertita in un valore discreto (da 0 celle/iterazione
a bvmax /lc celle/iterazione) e assume perci come richiedono le ipotesi del
modello un numero finito di valori. Le variabili di ogni cella dautoma i
saranno quindi date da:
xi : posizione del veicolo i,
vi : velocit del veicolo i,
50
Figura 2.5: Simulazioni del modello di Nagel. I valori delle costanti di tempo sono
spiegati nella sezione 2.2.3. Sopra ogni autoveicolo indicata la velocit dellautoveicolo
in quellistante.
gi : distanza tra li-esimo veicolo e il successivo, espressa dalla formula

gi = xi+1 xi 1.
Di seguito vengono riportate le regole di evoluzione che caratterizzano questo
sistema:
1. accelerazione libera: se vit < vmax e git > vit allora vit+1 = vi + 1;
2. decelerazione dovuta alla presenza di altri veicoli: se vit > git 1, allora
vit+1 = vgit ;
3. spostamento dei veicoli: xt+1
= xti + vit+1 .
i
Il modello presentato stato implementato in Matlab; il codice creato
presentato in A.2.3. Forniamo ora alcuni valori numerici utili per le simulazioni, in modo da poter vedere quali caratteristiche del traffico possono
essere catturate da questo modello e a quali delle domande presentate nel
primo capitolo sia possibile fornire una risposta. Siccome ogni cella contiene al pi un veicolo, supponiamo che la lunghezza di una cella sia pari
alla lunghezza media di un veicolo, l = 5 m; assumendo inoltre che il passo
temporale sia pari a 1 secondo, possiamo tradurre le velocit del modello in
velocit reali ponendo v = 0 celle/istante 0 km/h, v = 1 celle/istante
51
18 km/h, . . . , vmax = 5 celle/istante 90 km/h. Riportiamo in Figura 2.5

alcune iterazioni significative, assumendo che la distribuzione iniziale degli
autoveicoli allinterno della strada sia casuale.
Come possibile notare dalle simulazioni riportate in Figura 2.5, il modello
di Nagel in grado di catturare alcune delle caratteristiche peculiari legate ai
fenomeni di traffico; in particolare, si pu notare come le differenti andature
dei veicoli generino in misura ancora pi marcata il fenomeno delle phantom
traffic jam.
Procedendo con lanalisi dei quadri di stato della variabile velocit di diversi
veicoli ottenuti al variare della densit di traffico sulla strada, si pu notare
come:
per basse concentrazioni di traffico (bassi valori di ) si converge verso
una situazione di equilibrio, dove ogni automobile raggiunge la velocit
massima:
al crescere di il traffico inizia a presentare andamenti periodici via via

pi complessi; il modello cattura quindi il fenomeno dellandamento a
fisarmonica del traffico, e delle phantom traffic jam:
52
per concentrazioni di traffico elevate il modello cattura perfettamente

il problema dellingorgo, con automobili che passano solo da velocit
nulla a velocit bassa:
Come gi anticipato allinizio della sezione, una peculiarit di questa classe

di metodi la possibilit di tracciare il diagramma fondamentale del traffico.
In particolare, per il tipo di strada finora preso in esame si ottiene il grafico
53
rappresentato in Figura 2.6. Si noti come esso rispetti le propriet teoriche

che il diagramma fondamentale deve possedere:
la pendenza iniziale la velocit del moto libero di un autoveicolo, che,
per questa simulazione, stata fissata a vmax = 5 celle/istante;
il primo cambio di pendenza sancisce linizio di andamento oscillatorio per gli autoveicoli. Nonostante ci, il profilo del diagramma
fondamentale continua a crescere;
il valore massimo viene raggiunto ben dopo linizio dei moti periodici ed
caratteristico del modello descritto; esso dipende quindi dalla velocit
massima e dalle regole di transizione, ma non dalla lunghezza della
strada. Per questo modello la capacit pari a max = 0.82.
Figura 2.6: Diagramma fondamentale ottenuto tramite il modello di Nagel.
Concludiamo questa analisi ricordando che ulteriori miglioramenti di questo

algoritmo possono essere apportati considerando la presenza di pi corsie
nel tratto di strada in esame o introducendo algoritmi cellulari stocastici
(stochastic-CA), per i quali si rimanda a [W86].
2.3
Metodi statistici
Unaltra famiglia di modelli piuttosto utilizzata per lo studio di problemi di

traffico si basa sullanalogia che pu essere instaurata tra un flusso di veicoli
in una strada e quello di un gas rarefatto non assimilabile quindi ad un
54
2.3. Metodi statistici
flusso continuo allinterno di un tubo. Cos facendo possibile ricavare

un sistema di equazioni formalmente simili alle equazioni di Boltzmann, fondamento della meccanica statistica classica [C00]. Questo tipo di approccio
si rivela molto utile in quanto permette di ridurre lo studio dei fenomeni di
traffico ad un punto di vista prettamente analitico, indagine che non pu essere condotta mediante metodi agli automi cellulari, che come si mostrato
nella sezione precedente permettono di studiare questi problemi principalmente da un punto di vista numerico.
Per introdurre una descrizione del problema di tipo stocastico consideriamo
un sistema con L stati j = 1, . . . , L, ognuno dei quali occupato da nj
particelle. Definendo il vettore n = (n1 , . . . , nL ), P (n, t) denota la probabilit
che il sistema ha di trovarsi al tempo t nello stato definito dal vettore n. Nel
caso di un problema di traffico monodimensionale, gli L stati corrispondono
ai tratti in cui viene suddiviso un tratto stradale e il vettore n indica il
numero di veicoli in ciascuno di questi tratti.
La probabilit di transizione dallo stato corrente n ad un altro stato n0 in
un intervallo di tempo t data dalla probabilit
P condizionata, indicata con
P (n0 , t + t|n, t). In virt della relazione n0 P (n0 , t + t|n, t) = 1, dal
bilancio calcolato sullintero insieme degli stati si ricava il seguente sistema
dinamico:
X
P (n, t + t) =
P (n, t + t|n0 , t)P (n0 , t);
n0
si ottiene in questo modo una catena di Markov a tempo discreto, dalla quale,
passando al limite per t 0, si ricava la seguente equazione differenziale
per il nucleo di transizione della catena:
X
X
dP (n, t)
W (n|n0 , t)P (n, t),
W (n|n0 , t)P (n0 , t)
=
dt
n0 6=n
n0 6=n
dove la funzione W (n|n0 , t) detta tasso di transizione e risulta definita come
P (n, t + t|n0 , t)
(con n 6= n0 ).
t0
t
Essendo unequazione di tipo lineare, in maniera del tutto analoga allo studio delle propriet dellequazione di Boltzmann, possibile caratterizzare gli
stati stazionari mediante lapplicazione di uno dei numerosi metodi analitici
sviluppati a questo scopo. A partire da queste configurazioni di equilibrio,
risulta inoltre utile calcolare alcune quantit medie significative, come:
W (n|n0 , t) = lim
- il tasso di occupazione media, usualmente definito come:

X
n
=
nj P (n, t);
n
55
- i momenti di salto per ogni stato, definiti come:

mj (n, t) =
(n0j nj )W (n0 |n, t);
n0
- il tasso di variazione delloccupazione media, dato da:

d
nj X dP (n, t)
=
nj
= mj (n, t).
dt
dt
n
Applicando infine questo tipo di analisi al problema presentato nella sezione

2.2.3 (strada circolare di lunghezza L occupata da N autoveicoli), stato
possibile [H01] fornire una spiegazione esaustiva di alcuni fenomeni, come il
trend da parte di piccoli ingorghi a condensarsi in un unico ingorgo pi grande
[MP97] o la dipendenza del diagramma fondamentale dalla lunghezza del
tratto di strada in esame [MK99], questione che verr ripresa e ampiamente
analizzata nella presentazione dei modelli bidimensionali.
2.4
Metodi differenziali
Contrariamente ai metodi basati su un approccio particellare da analizzare

su microscala (cio quelli che valutano le interazioni microscopiche di ogni
singolo veicolo), i metodi presentati in questa sezione seguono un approccio
di natura macroscopica, ovvero permettono di descrivere la dinamica dei veicoli nel loro insieme considerando questultimi non come oggetti ma come
particelle di un fluido. Le grandezze di interesse (densit e velocit dei veicoli) saranno dunque espresse mediante opportuni campi vettoriali, funzioni
delle coordinate spaziali e temporali, e risulteranno legate tra loro mediante
equazioni differenziali a derivate parziali.
I metodi di tipo macroscopico risultano sicuramente pi efficienti a livello numerico di quelli di tipo car-following presentati nella Sezione 2.1.1, ma non
possono competere con i metodi agli automi cellulari [NS92], [HS99]. Nonostante ci lalta affidabilit dei metodi differenziali, la possibilit di caratterizzare la soluzione da un punto di vista analitico e lanalogia con modelli usati
in fluidodinamica che permette tra laltro di impiegare algoritmi molto efficienti e ampiamente analizzati hanno contribuito a rendere questa classe
di modelli decisamente importante dal punto di vista applicativo.
56
2.4. Metodi differenziali
2.4.1
Il modello Lighthill-Whitham
Il principale modello a derivate parziali applicato allo studio dei problemi

di traffico una legge di conservazione del primo ordine, nota come modello
di Lighthill-Whitam [LW55], che esprime un legame tra la densit di veicoli
presente in un tratto stradale e il corrispondente flusso. Per poter formulare
modelli differenziali per problemi di traffico necessario assumere che le
variabili in gioco abbiano una certa regolarit: lidea su cui si fondano tutti i
modelli di questo tipo si basa sul fatto che, visto da lontano, un intenso flusso
di veicoli su una grande arteria stradale simile ad un fluido continuo; risulta
dunque accettabile ritenere che la loro densit si possa approssimare con una
funzione = (x, t) pi o meno regolare. Per caratterizzare levoluzione di
questa funzione mediante una legge di conservazione, occorre introdurre le
seguenti ipotesi:
1. la velocit v = v(x, t) non costante e dipende solo dalla densit di
automobili sulla strada. Ci significa che ogni conducente viaggia alla
medesima velocit in presenza di una data densit e che, se la densit
cambia, la variazione di velocit istantanea;
2. vi assenza di sorgenti o pozzi, ovvero il numero di auto allinterno
della strada rimane costante. Come nei modelli precedenti, anche in
questo caso si assume che la strada abbia una sola corsia e non sia
ammessa la possibilit di sorpassare.
Da questultimo fatto discende la possibilit di esprimere la seguente legge
di conservazione:
q()
+
= 0,
(2.5)
t
x
dove con q() si indica la portata della strada, che grazie alla prima ipotesi
pu essere espressa in funzione della densit di automobili (q() = v()).
In base ad osservazioni di carattere empirico sviluppate da Greenshields in
[G35], possibile ottenere unopportuna legge costitutiva per v = v(), che
equivale al diagramma fondamentale analizzato allinizio di questo capitolo.
Infatti si pu ritenere che v sia proporzionale alla velocit massima vmax
quando bassa, altrimenti che sia proporzionale allo scarto max , dove
max la densit massima (distanza minima tra le auto). Ci si traduce nella
relazione seguente:

v() = vmax 1
.
(2.6)
max
57
Unendo le relazioni (2.5) e (2.6), possibile giungere al pi semplice modello

differenziale per lanalisi del traffico, costituito dalla seguente equazione:

2
+ vmax 1
= 0.
t
max x
La principale potenzialit di questo modello il fatto che, oltre ad essere
facilmente implementabile con metodi alle differenze finite [Q08], possibile studiare il problema da un punto di vista analitico in maniera molto
dettagliata, sfruttando il cosiddetto metodo delle caratteristiche [S04]. Le
caratteristiche sono le linee (nel piano spazio-tempo) lungo cui il valore della densit resta costante, ovvero il fronte donda con cui un determinato
valore di densit, definito dalle condizioni iniziali del problema, si propaga.
Sviluppando la derivata parziale di q() dellequazione (2.5) si ottiene:
q()
q()
=
x
x
+ q 0 ()
=0
t
x
Se si correda questa equazione differenziale con la condizione iniziale:
(x, 0) = g(x)
e si indica g(x0 ) con g0 , si ricava che le caratteristiche sono rette con pendenza
q 0 (g0 ). Naturalmente valori diversi di x0 danno, in generale, valori diversi
di g0 . Noto questultimo valore, la densit lungo la caratteristica uscente
da x0 risulta conosciuta. Per calcolare (x, t), con t > 0, si considera la
caratteristica che passa per il punto (x, t) e si procede indietro nel tempo
lungo essa, fino a determinare il punto (x0 , 0) nel quale questa interseca
lasse x. Si ha allora (x, t) = g(x0 ), da cui si ricava la formula:
(x, t) = g(x q 0 (g0 )t)
che rappresenta unonda progressiva che si muove con velocit q 0 (g0 ) nella
direzione positiva dellasse x. In generale, la formula precedente determina
in forma implicita:
= g(x q 0 ()t)
In particolare, si pu notare come q 0 (g0 ) sia la velocit locale dellonda.
Occorre sottolineare che anche in presenza di un dato iniziale g regolare la
soluzione pu dare origine a singolarit che rendono inefficace il metodo delle
caratteristiche e inutilizzabile la formula precedente.
58
Nel caso in cui ad esempio si formi una coda a un semaforo che supponiamo
essere nel punto x = 0, e al tempo t = 0 questo diventi verde, il dato iniziale
discontinuo, e sar quindi una funzione g cos definita:
(
max se x < 0
g(x, 0) =
0
se x 0
Appena il traffico inizia a muoversi solo i veicoli pi vicini al semaforo lo
superano, mentre la maggior parte di essi rimane ferma. Si noti che la velocit
locale dellonda progressiva in g0 = g(x0 ) data da q 0 (max ), ma in generale
dipende dalla differenza di densit che la soluzione iniziale ha nel punto di
discontinuit.
Figura 2.7: Caratteristiche di un onda di rarefazione.
Nella regione compresa tra le rette x = vmax t il metodo delle caratteristiche

non funziona, anche se sembra ragionevole supporre che la densit decresca
da max a 0 con continuit. Ci conduce a una soluzione della forma:
(x, t) = r(x/t)
dove r la funzione inversa di q 0 , che prende il nome di onda di rarefazione.
Nel caso in cui il dato iniziale risulta crescente con x, la configurazione delle
caratteristiche (un esempio riportato in Figura 2.8) indica che esse si intersecano in un tempo finito; da questo istante in poi il metodo delle caratteristiche non funziona pi e occorre ammettere una discontinuit a salto della
soluzione. In questo caso occorre rivedere la derivazione dellequazione di
conservazione e introdurre il concetto di soluzione integrale o debole [S04].
In pratica questa configurazione fa presupporre la creazione nella soluzione
di una linea durto, o di shock, che, se il modello corretto, dovr propagarsi allindietro nello spazio. Detti quindi q+ il flusso dopo la linea durto
59
(downstream), q quello prima della linea durto (upstream), + e le densit nelle due diverse regioni, per la conservazione del numero di automobili
avremo che:
q+ q = (+ )s
s(+ , ) =
q+ q
+
equazione nota come condizione di Rankine-Hugoniot. Questa indica che la

velocit di propagazione dello shock determinata dal salto della funzione
di flusso diviso per il salto della densit; quindi univocamente determinata
conoscendo le densit e i flussi da entrambe le parti della linea.
Figura 2.8: Da queste caratteristiche non possibile trovare onde continue.

aspetter quindi uno shock.
Ci si
Per generalizzare ulteriormente il modello, anzich assumere che il profilo del

diagramma fondamentale sia quello individuato da Greenshields, possiamo
presupporre che la velocit sia una generica funzione della densit di autoveicoli v = v(). Dal momento che q() = v(), dallequazione (2.5) segue
direttamente che:
+ q 0 ()
=0
t
x
Indicando con C() la velocit con cui si propaga linformazione (ovvero con
cui le macchine da ferme iniziano a partire) a seconda della densit, ovvero:
C() =
dq()
d(v())
v()
=
= v() +
d
d
d
si ha la seguente equazione:
+ C()
t
x
(2.7)
60
Il risultato cos ottenuto noto come modello di Lighthill-Whitham (presentato nel 1955 nel loro lavoro [LW55]), uno dei modelli differenziali pi usati in
letteratura [H01] [D08] per la trattazione macroscopica di problemi di traffico
monodimensionali.
Capitolo 3
Modelli di traffico
bidimensionali
Nonostante la ricerca focalizzata sui problemi legati alla gestione del traffico
abbia portato in questi ultimi decenni numerosi risultati, le analisi sviluppate
in questambito sono per lo pi incentrate su modelli di tipo monodimensionale per strade a una o pi corsie utili ai nostri scopi esclusivamente
alla caratterizzazione dei tubi e non della parte di spugna. Per dare una
risposta alle questioni presentate nel Capitolo 1, risulta quindi essenziale stabilire come caratterizzare questultima componente; in particolare, verranno
presentati e sviluppati tre differenti modelli ad-hoc:
un primo modello basato su algoritmi cellulari con approccio euleriano,
che verr utilizzato per uneffettiva valutazione dellandamento del traffico sulle strade. In particolare, ne verranno valutate le buone propriet
e la robustezza, in modo da poter essere impiegato per la validazione
dei modelli successivi;
un secondo modello, di natura differenziale, che permetter una caratterizzazione matematica del modello urbanistico a tubi e spugne. A tale
scopo, verr introdotto per la spugna un modello di diffusione (di tipo
Darcy), analogo a quelli usati in fluidodinamica per la descrizione di
fenomeni di percolazione. Verranno successivamente caratterizzate in
maniera rigorosa la porosit e la permeabilit;
un terzo e ultimo modello, basato anchesso su automi cellulari, che
sfrutter invece un approccio di tipo lagrangiano. Esso sar utilizzato per la stima di parametri e grandezze che figurano nel modello
differenziale.
61
62
3.1. Modello agli automi cellulari con approccio euleriano
Questi tre modelli verranno inizialmente studiati utilizzando un pattern stradale

di tipo Manhattan e successivamente impiegati nel Capitolo 5 per studiare
il problema del traffico nellagglomerato parigino.
3.1
Modello agli automi cellulari con approccio euleriano
Come emerge dallanalisi svolta nel capitolo precedente, gli algoritmi agli automi cellulari proposti sono facilmente estendibili a configurazioni pi complesse, come il caso in cui vi sia una strada a doppia corsia; questa estensione
risulta possibile dal momento che sono ben definite le regole per il sorpasso,
ovvero:
si passa da una allaltra corsia quando si giunge in prossimit dellautomobile da sorpassare;
passando nella corsia di sorpasso si aumenta la propria velocit e si
prosegue su questa corsia con un moto analogo al precedente;
alla fine del sorpasso si conclude la manovra rientrando nella corsia di
marcia appena possibile.
Se lestensione al caso di pi corsie risulta immediata ed stata estesamente
studiata [RN+95] [HS99], quella al caso bidimensionale richiede maggiori
sforzi, in quanto le regole di comportamento di un veicolo ad un incrocio non
sono ben definite, sia per quanto riguarda lingresso a seconda della presenza
di semafori, rotatorie o precedenze che luscita, in funzione della direzione
e del modo di guidare del conducente. Volendo creare modelli bidimensionali
unendo pi modelli monodimensionali, occorre specificare queste regole in
modo da stabilire come fare interfacciare i vari modelli tra loro.
3.1.1
Approccio alla Wolfram 184
Il primo modello che prendiamo in considerazione si riconduce alla regola

Wolfram 184 con blocking presentata nella Sezione 2.2.2, descritto in dettaglio in [CQL95]. La regola che viene proposta nellaffrontare gli incroci
assume che al centro dellintersezione vi sia una rotatoria di tipo francese,
ovvero in cui ha la precedenza chi occupa la rotatoria.
Lidea proposta presentata in Figura 3.1, in cui le quattro celle centrali costituiscono lincrocio. Essendo un approccio di tipo euleriano, non possibile
definire le direzioni di moto delle varie automobili allinterno dellincrocio
Capitolo 3. Modelli di traffico bidimensionali
63
Figura 3.1: Proposta di regola per trattare le intersezioni tra due diverse strade.
ma occorre fornire una regola di aggiornamento per queste quattro celle che
permetta il moto in tutte le direzioni. In particolare vi sar una variabile
di stato (deterministica o aleatoria) che indicher se allistante successivo la
cella occupata la successiva dellincrocio in senso antiorario o una delle celle
delle strade adiacenti (in questo caso lautomobile esce dalla rotatoria). Lo
schema di questo algoritmo risulta il seguente:
per gli archi di strada si applica la regola Wolfram 184 con blocking;
gli incroci verranno modellati come strade di lunghezza 4 che seguono
la regola Wolfram 184 sfruttando lulteriore variabile che indica luscita
dallincrocio;
per lingresso e luscita dagli incroci viene applicata sempre la stessa
regola e si opera un controllo delle celle allinterno dellincrocio e della
strada di destinazione.
In Figura 3.2 mostrata una simulazione dellandamento del traffico basata
su questo algoritmo; si possono notare, al variare della densit di traffico,
alcune peculiarit catturate dal modello, come la formazione di code agli incroci. A fronte della sua semplicit, questo approccio presenta tuttavia alcuni
importanti limiti: ad esempio, gli oneri computazionali risultano esplodere
al crescere della mappa, a causa del grande numero di variabili che bisogna
introdurre anche nel caso di poche strade molto lunghe . Unaltra criticit,
tipica degli approcci alla Wolfram, consiste nel fatto che non vengono differenziate le andature dei vari veicoli, i quali risultano dunque costretti a
procedere alla velocit massima o a stare fermi. Infine il modello non tiene
conto della morfologia del territorio e non permette di trattare in maniera
differente le strade interne ai centri abitati o le grandi arterie a scorrimento
veloce. Sulla base di queste considerazioni e dei limiti presentati dal modello
64
Figura 3.2: Situazione di traffico stradale su pattern di tipo Manhattan utilizzando le

regole descritte in questa sezione.
soprattutto in presenza di configurazioni stradali complesse si preferito

non procedere alla sua implementazione.
3.1.2
Un approccio alternativo
Per superare i limiti dellapproccio alla Wolfram 184 sottolineati nella sezione
precedente, in vista della simulazione di un caso complesso come quello della
realt parigina, si dunque resa necessaria la creazione di un nuovo modello
in grado di cogliere le caratteristiche migliori degli approcci proposti e al
tempo stesso di mantenere contenuto lo sforzo computazionale. Di seguito
vengono presentati gli elementi necessari per lo sviluppo di questo modello.
Visione su scala macroscopica
Per diminuire lonere computazionale, si deciso di adottare una visione
macroscopica: invece di analizzare i vari fenomeni da un punto di vista locale (celle di ampiezza confrontabile con la lunghezza di un singolo veicolo)
si preferito seguire un approccio alternativo, basato su unoperazione di
media del numero di macchine presenti lungo un arco stradale. Ci permette
di diminuire notevolmente lo spazio cellulare dal momento che risulta possibile rappresentare una strada, di lunghezza qualsiasi, mediante due sole celle
dautoma (una per ogni verso di percorrenza). In base a questa scelta si passa
da un modello microscopico in grado di cogliere e analizzare anche il moto
di pochissime particelle a un modello di tipo macroscopico significativo
65
solo per flussi pi elevati basato sui moti medi di molte particelle.
Procedendo in questa direzione occorre costruire un modello dinamico a tempo discreto per levoluzione del numero di veicoli in ogni tratto stradale: si
definisce la matrice di transizione P(t) (il cui generico elemento Pij (t) rappresenta la probabilit di passare dalla strada i alla strada j tra listante t
e listante t + 1) e, indicando con xt lo stato della catena allistante t (xti
indica il numero di veicoli presenti sulla strada i allistante t), la dinamica
di traffico rappresentata dal seguente sistema dinamico discreto vettoriale
lineare affine a coefficienti non costanti:

t+1
P11 (t) P12 (t) . . . P1n (t)
x1
xt1
t+1
x2 P21 (t) P22 (t) . . . P2n (t) xt2
= P(t)xt .
xt+1 =
.
..
..
..
... =
.
.
.
..
.
.
.
t+1
t
xn
xn
Pn1 (t) Pn2 (t) . . . Pnn (t)
Per studiare il comportamento di questo modello occorre specificare lespressione degli elementi della matrice P(t) e quella del termine sorgente, che terr
conto dei veicoli in ingresso e in uscita dalla sede stradale.
Approccio euleriano agli automi cellulari
Occorre ora specificare lespressione delle probabilit Pij (t) della matrice di
transizione, seguendo un approccio basato sugli automi cellulari. Bench
la visione macroscopica permetta di ridurre sensibilmente la dimensione del
problema, mediante lassociazione di una cella a ogni singola strada, lo studio del traffico allinterno della spugna tipicamente caratterizzata da molti
tratti stradali conduce a modelli di dimensione ancora molto elevata.
Il calcolo delle probabilit di transizione per il modello pu essere condotto sfruttando numerosi approcci [GP06], basati tipicamente su procedure di
ottimizzazione; la scelta di ricorrere agli automi cellulari permette di semplificare lespressione della matrice di transizione e di conseguenza laggiornamento dello stato del sistema a ogni passo temporale.
Limpiego di un approccio basato su automi cellulari giustificato infatti
da alcune considerazioni empiriche: ad esempio, la scelta di passare da una
strada allaltra dipende quasi esclusivamente da regole locali, come lo stato
delle celle adiacenti (la strada in cui si desidera svoltare potrebbe risultare
intasata oppure libera), e non da regole che coinvolgono tratti pi lontani.
Si noti per che il modello, procedendo in questa maniera, passa da lineare a
non lineare, poich si introduce una dipendenza della matrice di transizione
P dallo stato del sistema x.
Per quanto riguarda gli elementi extradiagonali della matrice P(xt , t), risultano non nulli solo gli elementi Pij (xt , t) tali per cui la strada i e la strada j
66
condividono un incrocio; cos facendo lespressione della probabilit di transizione dipende esclusivamente dallo stato di ciascuno degli archi stradali
che confluiscono nello stesso incrocio. Indicando con Ni linsieme dei tratti
stradali che incrociano il tratto stradale i alla sua estremit finale, risulta:
(
f (t, xtj ) se j Ni
Pij (xt , t) =
0
altrimenti
Lespressione di f (t, xtj ) tiene conto del fatto che un conducente, giunto a un
incrocio, privilegi strade in cui il traffico risulta scorrevole. Indicando con j
la densit di traffico sulla strada j, definita come:
j (t) =
xtj
Lj /Lc
dove si indicano con Lj e Lc rispettivamente la lunghezza della strada j e

la lunghezza caratteristica di un veicolo, la probabilit di passare in una
nuova strada j risulter quindi proporzionale a 1 j , in base alla seguente
relazione:
1 j
f (t, xtj ) P
jNi (1 j )
Caratterizzazione tramite elementi di analisi del traffico classici
Occorre ora definire lespressione del generico elemento diagonale Pii (xt , t),
ovvero la probabilit che una macchina che si trova in un tratto di strada
vi rimanga allistante successivo. Essa dipende ovviamente dalla lunghezza
Li dellarco di strada ma anche dalla velocit media mi (t) con cui viene
percorsa; in particolare, essa sar inversamente proporzionale al tempo medio
di assorbimento Tiabs impiegato da una generica automobile per percorrere
larco stradale, ovvero:
Pii (xt , t) =
1
Tiabs (t)
mi (t)
Li
quindi necessario introdurre nuovamente il diagramma fondamentale per

poter caratterizzare in modo formale la dipendenza della velocit media mi (t)
dalla densit di veicoli i (t). Come descritto nel Capitolo 2, per creare il
diagramma necessario alcune grandezze come la capacit del tratto stradale
o la concentrazione corrispondente allo stato di ingorgo (e
). In questo caso,
non potendo ipotizzare in questo modello una velocit media nulla in caso
di ingorgo (altrimenti una strada congestionata rimarrebbe sempre intasata,
67
essendo in tal caso Tiabs ), si scelto di esprimere la velocit media

mi (t) mediante una combinazione convessa tra due velocit soglia vimin e
vimax dipendenti dalla morfologia della strada:
mi (t) = (1 i (t))vimax + i (t)vimin
Risulta cos possibile determinare lespressione della probabilit di transizione Pij (xt , t):
se i = j
Tiabs (t)

1j
Pij (txt , ) =
se j Ni
1 T abs1 (t) P (1
j)
jNi
0
altrimenti
Da questa relazione rimangono ancora escluse le celle corrispondenti ai tratti
stradali che intersecano il contorno della mappa con verso di percorrenza
uscente da essa; in questo caso risulta Ni = e occorre decidere come trattare
i veicoli uscenti dalla mappa. Torneremo su questo punto in seguito.
Caratterizzazione della natura morfologica di diversi tipi di strade
Restano ancora da caratterizzare le espressioni di vimin e vimax ; esse devono
necessariamente dipendere dalla lunghezza della strada se una strada ha
meno incroci la velocit massima raggiungibile risulta pi elevata e dalla
densit di edifici che vi si affacciano, essendo necessario moderare la velocit
in un centro abitato. In particolare, per le nostre applicazioni, considerando
la velocit minima indipendente da questi due fattori, si posto:
vimin = 3 km/h
vimax =
v0max
(1 exp(Li /Lv0max ));
1 + Hi /Hv0max
dove v0max una velocit massima di riferimento per tutte le strade del modello (nella spugna possiamo assumere la velocit massima a strada libera
pari a 70 km/h), Hi la densit di edifici che si affacciano sull i-esimo arco
stradale e Hv0max e Lv0max rappresentano la densit di edifici e la lunghezza
dellarco stradale di riferimento in cui viene raggiunta la velocit v0max . In
generale espressioni per vimin e vimax vanno scelte in base al caso specifico.
Ingressi nel sistema e condizioni al contorno
Le ultime due questioni rimaste in sospeso per la buona definizione del problema sono gli ingressi e le uscite del sistema e le condizioni al bordo. Per quanto
68
riguarda queste ultime, si deciso di imporre delle condizioni di riflessione: i

veicoli che raggiungono i tratti stradali per i quali Ni = vengono reimmessi
nella cella corrispondente alla stessa strada percorsa nel verso opposto. In
questo caso:
1
se i = j
T abs (t)
i
Pij (xt , t) = (1 T abs1 (t) ) se j larco opposto a i
i
0
altrimenti.
Lultimo problema da affrontare riguarda le modalit di ingresso e uscita dalla
sede stradale in esame; disponendo anche delle informazioni riguardanti la
densit di edifici intorno alle strade, per rappresentare lingresso e luscita
delle persone dagli edifici e il conseguente ingresso di veicoli nella sede
stradale imponiamo un ingresso di natura periodica in ogni tratto di strada
che risulti proporzionale alla densit di abitazioni.
In conclusione il modello sar del tipo:

t+1
P11 (xt , t) . . . P1n (xt , t)
H1
x1
xt1
t
t
t+1
t
P
(x
,
t)
.
.
.
P
(x
,
t)
2n
x2 21
x 2 H2
u(t) =
xt+1 =
=
+
.
.
.
...
..
..
..
. . .
...
xtn
Hn
xt+1
Pn1 (xt , t) . . . Pnn (xt , t)
n
= P(xt , t)xt + Hu(t)
dove Hi rappresenta la densit di edifici lungo la strada i-esima e u(t) la
forzante periodica: valori positivi di questa funzione rappresentano veicoli in
ingresso nella mappa, valori negativi la loro uscita. Il modello cos come
stato descritto finora stato implementato in Matlab e il codice presentato
in A.3.1. Per semplicit si assunta una funzione forzante di tipo scalare;
tuttavia, sarebbe pi rigoroso considerare una funzione u : M R definita
su tutta la mappa M che tenga conto di alcuni importanti elementi, come
i flussi pendolari, la distanza dal centro-citt e la natura degli edifici che si
affacciano sulle strade.
Il modello nel caso di Manhattan
Presentiamo ora alcune simulazioni del modello agli automi cellulari discusso
in questa sezione eseguite su un pattern stradale simile a quello di Manhattan, caratterizzato da strade equispaziate con intersezioni ortogonali. Queste
simulazioni, oltre a consentire una validazione del modello, contribuiscono a
evidenziare alcuni comportamenti notevoli.
69
Figura 3.3: Iterazioni del modello presentato nella Sezione 3.1.2 (xt+1 = P(t)xt ) con
traffico intenso in una zona della mappa. Si noti come il processo di smaltimento del
traffico segua un andamento tipicamente diffusivo. La scala dei colori va dal blu al rosso
e indica il traffico, rispettivamente fluido o intenso, presente sullarco stradale.
70
Figura 3.4: Iterazioni del modello presentato nella sezione 3.1.2 (xt+1 = P(t)xt +
Hu(t))con stato iniziale di strade praticamente libere e immissione/assorbimento stradale
dalle abitazioni. La scala dei colori va dal blu al rosso, e indica il traffico, rispettivamente
fluido o intenso, presente sullarco stradale.
71
Nel caso rappresentato in Figura 3.3 si osservano le successive iterazioni,

corrispondenti a vari istanti temporali, ottenute con il modello euleriano
ad automi cellulari imponendo condizioni iniziali di strade libere in gran
parte della mappa e intasate ( = 1) sul lato sinistro, e termine forzante
identicamente nullo. Si pu notare come, allavanzare del tempo, londa
di traffico si diffonda allinterno della mappa, facendo diminuire il traffico
nelle strade inizialmente intasate e aumentando via via quello nelle strade
inizialmente libere. Si noti come il processo con cui avviene questo fenomeno
segua unandamento tipicamente diffusivo. Dopo un intervallo temporale
sufficientemente ampio, viene raggiunto uno stato di equilibrio caratterizzato
da una densit di veicoli pressoch omogenea su tutti gli archi stradali della
mappa.
Nel caso rappresentato in Figura 3.4 si trovano invece le fasi successive della
simulazione effettuata con lo stesso modello ma con una condizione iniziale
di traffico fluido (densit media sulle strade inferiore al 20%) su tutta la
mappa e termine forzante periodico. Come si poteva facilmente intuire, si
assiste inizialmente a una condizione di maggiore traffico laddove la densit
di abitazioni risulta pi elevata e a una successiva fase di diffusione dei veicoli
nel resto della mappa. Dai grafici riportati possibile vedere come il traffico
aumenti fino a raggiungere una condizione di saturazione, finch non inizia la
fase di rientro. Nella fase di rientro, similmente a quanto successo nella fase
precedente, la parte di mappa che si svuota prima quella densa di edifici,
e, allo stesso modo in cui londa di aumento del traffico si espansa nella
mappa, si diffonde anche londa di diminuzione del traffico, fino a giungere
nuovamente alla situazione di equilibrio con densit di autoveicoli bassa su
ogni tratto stradale.
3.2
Modello alla Darcy
Alla base del modello che presenteremo in questa sezione si pone la volont
di adattarsi completamente alla visione proposta nel Capitolo 1 e di creare
un modello di traffico per la spugna bidimensionale rifacendosi al fenomeno
della percolazione di un fluido allinterno di un materiale poroso. Per costruire un modello di questo tipo sar necessario estendere le definizioni di alcune
grandezze tipiche di un mezzo poroso, quali la porosit e la permeabilit, al
caso di una rete stradale.
Lipotesi di partenza per lo sviluppo di questo modello [D08] la stessa formulata per i modelli monodimensionali di tipo differenziale: visto da lontano,
il flusso discreto di automobili risulta assimilabile ad un flusso continuo ed
quindi possibile definire funzioni di flusso sufficientemente regolari.
72
3.2. Modello alla Darcy
3.2.1
Lequazione alla base del modello
La costruzione di un modello bidimensionale a partire dalla scrittura di opportune leggi di conservazione procedura seguita nel caso del modello LWR
risulterebbe piuttosto complicata; un approccio pi semplice ed immediato
per ricavare le equazioni del modello si ottiene con alcune considerazioni di
carattere microscopico valide per una generica particella, estendendo al caso
bidimensionale il procedimento presentato in [BB92].
Consideriamo dunque una griglia bidimensionale equispaziata (come quella
raffigurata in Figura 3.5) e definiamo le probabilit + e che la particella si sposti verticalmente, rispettivamente verso lalto o verso il basso, e le
probabilit + e di transizione orizzontale (rispettivamente verso destra o
verso sinistra). Indicando con pti,j la probabilit che nellintervallo [t, t + t]
Figura 3.5: Possibili transizioni in un modello 2D con relative probabilit di transizione.
la cella (i, j) sia occupata, sfruttando il teorema delle probabilit totali, la

sua equazione di evoluzione pu essere scritta nel seguente modo:

t
t
t
pt+1
=p
i,j 1 (1 pi+1,j )+ (1 pi1,j )
i,j

(1 pti;j+1 )+ (1 pti;j1 )

(1 pti,j ) pti1,j + + pti+1,j +

pti;j+1 + + pti;j1 ;
portando al primo membro la probabilit pti,j e dividendo ambo i membri per
t otteniamo:
t
pt+1
1 h
i,j pi,j
=
+ (pti,j pti1,j ) + (pti,j pti,j1 )
t
t
(pti,j pti+1,j ) (pti,j pti,j+1 )
+ + pti,j (pti+1,j pti1,j ) + + pti,j (pti,j+1 pti,j1 )

i
+ pti,j (pti1,j pti+1,j ) + pti,j (pti,j1 pti,j+1 ) .
73
Riscrivendo le probabilit di transizione da destra verso sinistra e dallalto

verso il basso in termini dei valor medi e scostamenti
=
e inserendo queste espressioni nellequazione precedente otteniamo:

t
pt+1
h2 +pti+1,j 2pti,j + pti1,j
h2 pti,j+1 2pti,j + pti,j1
i,j pi,j
=
+
t
t
h2
t
h2
t
t
t
t
h pi+1,j pi1,j
h pi,j+1 pi,j1
2
2
t
2h
t
2h
t
t
p
pi1,j
pt
pti,j1
t h i,j+1
t h i+1,j
+ 4 pi,j
.
+ 4 pi,j
t
2h
t
2h
possibile interpretare questa equazione di evoluzione come discretizzazione

alle differenze finite della seguente equazione differenziale alle derivate parziali:
pt + (Dp) + (1 2p)v p = 0.
(3.1)
In particolare il tensore di diffusione D e la velocit di trasporto v sono

definiti rispettivamente in base al modello particellare introdotto come:

h2 0
h
D=
v=2
,
t 0
t
con h e t grandezze caratteristiche del modello considerato.
possibile generalizzare il modello appena ottenuto per le probabilit di
occupazione allevoluzione della densit di veicoli.
Partendo dal modello discreto, il numero totale di macchine presenti al tempo
t per un insieme E quadrato di area unitaria, corrispondente alla situazione
in cui tutti i siti del reticolo sono occupati, dato da:
max =
1=
(i,j)E
1
h2
Per un generico insieme E il numero di veicoli contenuti dato pi in generale

da:
X
N t (E) =
ptij
(i,j)E
ovvero:
N t (E) =
X h2
1 X 2 t
t
p
=
h pij .
h2 ij h2
(i,j)E
(i,j)E
74
Interpretando la sommatoria come formula di quadratura e introducendo

quindi lapprossimazione
Z
X
2 t
p(x, t)dx,
h pij =
E
(i,j)E
si ha
t
N (E) =
(x, t)dx,
E
dove con (x, t) = h12 p(x, t) = max p(x, t).

La funzione (x, t) assume quindi il significato di densit numerica di veicoli
per unit di area.
A questo punto possibile riscrivere lequazione (3.1) in funzione della densit
:
"
#

v = 0.
(3.2)
t + D + 1
max
Si noti come nel caso unidimensionale, ovvero ponendo
1
= = +
2
= = 0,
lequazione si riduce al modello LWR (si veda lequazione (2.7)) presentato

nel Capitolo 2.
Il modello ottenuto valido per una griglia regolare con probabilit di transizione omogenea in ogni sito; una rete stradale ovviamente non assimilabile
a questo modello.
3.2.2
Misura della porosit e della permeabilit
In ambito fluidodinamico, con mezzo poroso si intende un materiale costituito

da una matrice solida in presenza di spazi vuoti tra loro variamente connessi
che consentono il passaggio di un fluido. Il modello derivato nella sezione
precedente su una griglia regolare equispaziata risulta ancora lontano dalla
realt della spugna sulla quale vogliamo applicarlo, a tutti gli effetti considerata un mezzo poroso non omogeneo.
quindi necessario abbandonare il concetto di celle periodiche e passare a
quello di celle elementari di riferimento, su cui poter definire le grandezze
tipiche dei flussi in mezzi porosi, come la porosit e la permeabilit, in modo
da descrivere configurazioni spaziali e fenomeni di traffico pi complessi.
75
Figura 3.6: Allinterno di una cartina stradale possiamo identificare le parti che vogliamo
modellizzare come spugna. Al fine di evidenziare per le differenze allinterno delle varie
parti della spugna (A) dobbiamo introdurre un elemento di scala piccola rispetto a quella
bella spugna, il REV (B), ma di scala pi grande rispetto a quella della singola strada, in
cui calcolare le quantit medie di interesse.
Cella elementare di riferimento

Nel caso in cui si voglia analizzare il traffico su un singolo segmento stradale
corrispondente alla scala dei pori le grandezze fisiche correlate presenterebbero un andamento significativamente irregolare; valutate su una porzione
di materiale che coinvolga un certo numero di pori, esse mostrano invece
variazioni regolari sia rispetto al tempo che rispetto allo spazio. Occorre
quindi definire una qualunque grandezza macroscopica effettuando una media spaziale su un volume elementare sufficientemente grande assumendo che
il risultato sia indipendente dalla dimensione del volume stesso. A questo
scopo, occorre introdurre la teoria delle celle elementari di riferimento (Reference Elementary Volume o REV ). La scala del volume elementare deve
risultare molto pi elevata della scala dei pori ma considerevolmente pi piccola della scala del dominio macroscopico. Questultima attenzione permette
di considerare le quantit necessarie per il modello (3.2) omogenee su ogni
singolo volume di riferimento. In particolare occorre definire i concetti di
porosit e permeabilit per un generico flusso in un mezzo poroso.
76
La porosit di un generico volume di riferimento rappresenta la densit

di pori allinterno del mezzo, ovvero la densit di strade allinterno di un
REV. Detta u una generica grandezza associata al fluido, la misura del
volume di controllo e P la porzione del volume in cui si trovano le strade
occupabili dal flusso veicolare si definisce la media sul volume totale
come
Z
1
u=
u d,
P
mentre in realt la media delle grandezze legate al flusso di traffico calcolata
sul solo volume occupato da questultimo:
1
uP =
P
Z
u d.
P
I due tipi di medie sono legate dalla seguente relazione (detta relazione di
Dupuit-Forcheimer):
u = uP
nella quale la porosita, data dal rapporto tra il volume occupato dal
flusso ed il volume totale:
P
.
=
La seconda grandezza di interesse la permeabilit K del mezzo poroso: essa

un indice della resistenza che il mezzo poroso oppone al flusso. Pi alto
il valore di K e pi facile risulta il passaggio allinterno del mezzo (nel
caso di un fluido, a parit di differenza di pressione un mezzo maggiormente
permeabile interessato da un maggior flusso). Si noti che la permeabilit
una quantit direzionale, che non tiene solo conto della quantit di pori
allinterno del mezzo, ma anche della loro geometria e da come sono connessi
tra di loro (ad esempio, un mezzo molto poroso in cui per i pori sono tutti
sconnessi tra loro avr K = 0).
Tornando allequazione (3.2), se si intende utilizzarla per stimare quantit
come la velocit media sulle strade della mappa (o di un singolo REV),
necessario collocarla sul solo dominio P , intendendo le grandezze mediate
sul solo dominio occupato dal flusso. In questo modo si ha:
P
+ 1
t
"
P
DP + 1
max

P vP
= 0.
(3.3)
77
Stima della porosit

Il metodo di calcolo della porosit di un REV univocamente definito
nellistante in cui abbiamo dato la definizione di porosit, data da = P /;
risulta infatti naturale assegnare per il caso stradale al valore di porosit il
rapporto tra i pixel che compongono le strade del REV sui pixel totali del
REV. Si noti come la stima della porosit, in accordo a quanto stabilito
nel Capitolo 1, dipende solo dalla geometria e dalla quantit delle strade
allinterno del REV.
Stima della permeabilit
Essendo in generale la permeabilit una misura della dinamica di un flusso
sotto lazione di un gradiente di pressione allinterno del REV, necessario costruire un modello per caratterizzare il moto delle particelle allinterno
della microscala stradale. La discesa al piano della microscala risulta quindi la medesima operata nel caso precedente tra lintera mappa e il REV,
ma comporta la necessit di costruire un nuovo modello che sia adatto alla
descrizione della dinamica allinterno di questa scala.
Figura 3.7: Nella microscala dei pixel il modello di reticolo uniforme equispaziato
rispettato. Allinterno della mappa avremo quindi dei pixel con permeabilit massima
(dove c la strada) e dei pixel con permeabilit nulla.
Considerando la Figura 3.7, si evince come il ragionamento fatti per ricavare

il modello di tipo Darcy su una griglia regolare equispaziata risulti ancora
pi sensato nel caso della microscala. Per poterlo utilizzare, occorre a questo
punto definire il campo tensoriale di permeabilit (un valore per ogni pixel)
del REV; la definizione del tensore D risulta a questo punto piuttosto semplice potendo ricorrere alla definizione del tensore di diffusione D introdotta
78
in precedenza. In particolare, le probabilit e assumeranno un valore non

nullo solo per i pixel in cui presente una strada e sia possibile effettuare lo
spostamento.
Applicando il modello di Darcy quindi possibile trovare il tensore di permeabilit D per ogni singolo REV, le cui componenti Dij sono espresse in base
alla legge:
Dij (y) = D (y) (Pei ) ej ,
dove ei ed ej sono i versori della base canonica in R2 .
Lapproccio presentato fino a questo punto risolve tutte le problematiche

poste nel Capitolo 1, ma lascia ancora aperta unimportante questione:
lecita, sul piano della microscala, una modellazione continua del flusso di
autoveicoli? Bisogna anzitutto notare che la dimensione della cella (un pixel)
su cui si applica il modello proposto analoga a quella delloggetto che si
intende modellare il singolo veicolo come parte di un flusso continuo.
Tuttavia, unipotesi alla base del modello continuo proprio il fatto che in
ogni cella considerata siano presenti infinite particelle che appartengono al
flusso, sebbene nel nostro caso un pixel possa essere occupato al pi da un
veicolo.
possibile stabilire un evidente parallelismo con la meccanica statistica:
in questo campo, numerosi studi hanno evidenziato come la modellazione
continua (modelli di tipo Navier-Stokes) fallisca nel caso in cui si vogliano
analizzare problemi con grandezze caratteristiche assimilabili alla lunghezza
del libero cammino medio di una particella. Ad esempio, nel caso di un
flusso di Poiseuille tra due lamine, al diminuire della distanza tra le lamine il
flusso aumenta, come evidente da un modello particellare, e non diminuisce,
come invece prevederebbe un modello continuo. Nel nostro caso, la grandezza
caratteristica del problema addirittura dello stesso ordine di grandezza della
particella modellata: per quanto detto, non possibile sperare che il modello
risulti adatto. Bisogna inoltre considerare come il modello di Darcy ricavato
in questa sezione assuma uniforme la velocit dei veicoli in movimento, pari
al valore h/t; ci costituisce chiaramente un limite, dal momento che la
velocit di un veicolo dipende dalla lunghezza e dal tipo di strada che si
percorre.
Risulta quindi necessario creare un modello particellare che possa andare
bene per la microscala, da utilizzare per un calcolo esatto delle grandezze
macroscopiche.
3.3
79
Modello agli automi cellulari con approccio lagrangiano
Le ricerche concentrate sulla modellazione dei fenomeni di traffico bidimensionali hanno seguito, negli ultimi decenni, il medesimo percorso compiuto in
precedenza dalla modellistica nel caso monodimensionale. In questambito,
se i primi modelli introdotti seguivano un approccio euleriano [G59], [W86],
sviluppi pi recenti hanno condotto ai primi modelli basati su un approccio
lagrangiano [NS92], [N96], che nel corso degli anni hanno preso il sopravvento
sui precedenti in virt della maggior accuratezza e della ricchezza di informazioni che riescono a fornire.
Le maggiori complessit presenti nei problemi di traffico bidimensionali non
hanno tuttavia ancora permesso questo passaggio e ad oggi non semplice
trovare in letteratura modelli ad automi cellulari basati su un approccio lagrangiano. Per rispondere ad alcune delle questioni presentate nel Capitolo 1
stato dunque necessario creare un algoritmo ad hoc che contemplasse questo
tipo di approccio; scopo di questa sezione delinearne le pi importanti caratteristiche, adattando opportunamente il modello di Nagel monodimensionale
al caso bidimensionale.
3.3.1
Presentazione del modello
Analogamente a quanto fatto nel caso euleriano, dal momento che le regole alla base del modello di traffico sono ben definite su un generico tratto
stradale, per passare al modello bidimensionale necessario definire delle regole comportamentali utili a descrivere la guida in prossimit degli incroci e
al loro interno. importante notare che queste regole non sono, come nel
caso euleriano, definite su un tratto stradale ma riguardano le caratteristiche
di guida di ciascun veicolo in prossimit dellincrocio; presentiamo ora queste
regole, che verranno impiegate nella costruzione dellalgoritmo:
allinterno di un tratto stradale, lontano dagli incroci, si applica il
modello di Nagel monodimensionale proposto nella Sezione 2.2.3;
gli incroci vengono modellati come una singola cella comunicante con
tutti gli archi stradali entranti e uscenti da essi;
per quanto riguarda lingresso e luscita dallincrocio si considera il comportamento di ogni conducente in prossimit della conclusione dellarco
stradale. In particolare:
80
3.3. Modello agli automi cellulari con approccio lagrangiano
si suppone che non sia possibile al conducente di un veicolo conoscere

le condizioni stradali oltre lincrocio, ma solo se questo sia libero
o occupato. Questa assunzione ragionevole in quanto il modello riguarda la spugna, che normalmente si sviluppa allinterno di
zone abitate, in cui la presenza di edifici impedisce la visibilit tra
due differenti archi di strada, se non in prossimit di un incrocio;
si impone di moderare la velocit in prossimit di un incrocio;
come variabile di stato, si introduce per ogni veicolo la direzione
che esso sceglie a ciascun incrocio e che quindi regola il suo comportamento in ogni situazione.
In Figura 3.8 sono mostrate alcune iterazioni ottenute con il codice Matlab
implementato seguendo le regole appena presentate e riportato in A.3.2. In
particolare, occorre specificare i seguenti parametri:
la velocit massima raggiungibile in ogni iterazione da un veicolo pari
a 5 pixel/iterazione, in linea con quanto presentato nella Sezione 2.2.3;
dopo il superamento di un incrocio la velocit di ripartenza velocit
nella prima iterazione successiva di 1 pixel/iterazione (eventuali
soste avvengono al pi prima dellincrocio);
per ogni macchina che esce dalla mappa viene reintrodotta una macchina nella stessa posizione con velocit diretta in verso opposto e di
modulo pari a 1 pixel/iterazione.
Mediante queste regole stato possibile simulare un comportamento qualitativamente verosimile di un insieme di veicoli a un incrocio, riuscendo a
concentrare lattenzione su ciascuno dei veicoli presenti. Il modello costruito sulla base delle precedenti regole dunque di tipo microscopico e la sua
complessit risulta di ordine polinomiale nel numero di veicoli considerati ma
non polinomiale al crescere della grandezza dellarea in esame. Per queste
ragioni, sebbene il modello non possa essere utilizzato sulla macroscala, esso
permette unanalisi molto accurata del comportamento di ogni singolo veicolo allinterno della microscala, riuscendo cos a rispondere alle problematiche
sollevate alla fine della sezione precedente.
3.3.2
Misura della permeabilit
Nella Sezione 3.2 stato ricavato un modello bidimensionale di tipo differenziale, espresso dallequazione (3.2), che contiene due parametri dati rispettivamente dalla permeabilit D e dalla velocit di deriva v; nel caso del traffico
81
(a)
(b)
(c)
(d)
(e)
(f)
Figura 3.8: Iterazioni dellestensione del modello di Nagel al caso bidimensionale.
82
veicolare essi dipendono dalla geometria delle strade, da come i veicoli possono muoversi in esse, e dalle direzioni privilegiate di flusso, differenti nei vari
momenti della giornata. Allinizio di questa sezione stato invece proposto
un modello bidimensionale di tipo microscopico in grado di catturare, a livello di microscala, i comportamenti tipici di un insieme veicoli su un generico
pattern stradale.
Intendiamo ora sfruttare questo secondo modello al fine di stimare i parametri
che compaiono nellequazione (3.2); in base a quanto esposto nel Capitolo 1,
ci concentreremo in particolare sullo studio della permeabilit, supponendo nulla la velocit di deriva v. Con questa assunzione, la (3.2) si riduce
allequazione di diffusione
t (D) = 0,
che d luogo al seguente problema di Cauchy
(
t = (D) x , t (0, T )
(x, 0) = f (x) x ,
(3.4)
su cui torneremo in seguito per quanto riguarda le sue condizioni al contorno.

Indicando con x un generico punto della mappa, con Bt un moto browniano
bidimensionale di media nulla e matrice di covarianza D e con Xtx = x + Bt ,
possibile dimostrare che la soluzione del precedente problema pu essere
espressa dal seguente valore atteso:
(x, t) = E[f (Xtx )].
Questo risultato permette di stabilire che il moto di ogni singola particella
in assenza di interazioni con le altre segue il comportamento di un moto
browniano Bt . La distribuzione della posizione della singola particella al
tempo T sar quindi data da XT N (x, DT ). Il tensore di pemeabilit D
assume quindi il ruolo della covarianza del moto browniano Bt : questo fatto
ci permette di utilizzare metodi classici di stima della covarianza di un moto
Browniano [BML94], [BM+05]; questo problema meglio noto con il nome di
stima della volatilit, ricopre un ruolo fondamentale in finanza ed stato per
questo ampiamente studiato [S96], [PZ00], [T05]. In particolare, la strategia
utilizzata per la stima della permeabilit si basa sulla stima della volatilit
da serie storiche, e sfrutta la seguente strategia:
1. viene creata una traiettoria di un moto casuale allinterno di una regione
di una mappa (REV) per un periodo T fissato utilizzando un modello
microscopico. Indichiamo con xti la posizione del veicolo i nella mappa
allistante t;
83
2. poich la traiettoria considerata essere un moto Browniano, lincremento tra due istanti successivi t e t + 1 una variabile aleatoria di
legge N (0, D). La stima della volatilit D si ottiene quindi utilizzando la traiettoria come serie storica di punti di un moto Browniano e
calcolando la covarianza campionaria degli incrementi tra due punti
successivi, in base alla relazione:
Rti = xt+1
xti
i
T 1
i =
R
1 X t
R
T 1 t=1 i
t = 1, . . . , T 1
T 1
1 X t 0 t
Si =
(R Ri ) (Ri Ri );
T 1 t=1 i
3. replicando questo esperimento N volte, con N sufficientemente grande,

possibile stimare la permeabilit D tramite la media campionaria delle
volatilit Si :
N
1 X
D=
Si .
N i=1
Questultima operazione non necessaria ai fini della stima della volatilit tramite metodi classici, ma permette di accrescere la robustezza dellalgoritmo nel caso in cui le ipotesi su cui si basa non fossero
verificate.
Si noti come la traiettoria alla base della stima possa essere sostituita da una
traiettoria reale, ottenuta da dati sperimentali.
Occorre a questo punto sottolineare tre importanti questioni a cui fornire
una risposta.
La prima questione riguarda il fatto che i veicoli del nostro problema non possono effettivamente eseguire, nel modello microscopico, un moto browniano
standard, poich vincolati a muoversi sul pattern stradale e non liberamente
su tutto il dominio della regione di riferimento. Daltro canto possibile
vedere la singola regione di riferimento come un insieme di nodi bidimensionale, come rappresentato in Figura 3.7, in cui la probabilit di transizione
diversa da zero solo laddove il veicolo pu transitare. Questo fatto giustifica lutilizzo del modello presentato per simulare un moto browniano, poich
una passeggiata casuale bidimensionale , al limite, paragonabile a un moto
browniano [BS96]. Lunica differenza che la dimostrazione rigorosa richiede
luniformit delle probabilit di transizione, cosa che in questo caso, non
possibile garantire.
La seconda questione invece riguarda la scelta di x, punto iniziale della traiettoria del moto browniano. Si noti che questa scelta non ha alcuna influenza
84
sul calcolo della matrice di covarianza del problema, ma influenza solo il calcolo della media. Viste le criticit della strategia che si vuole utilizzare, si
ritenuto opportuno ridurre linfluenza delle geometrie del sistema data dalla non uniformit delle probabilit di transizione facendo variare il punto
iniziale della traiettoria tra tutti i punti possibili.
Lultimo e pi importante problema riguarda le condizioni al contorno da
imporre alle traiettorie del moto browniano, dal momento che siamo interessati alla stima della permeabilit in una regione di riferimento limitata. Per
ovviare a questa questione sar utilizzata una nota propriet del moto Browniano, data dal principio di riflessione [HS80]. Esso afferma che il numero
delle traiettorie che raggiungono un determinato valore (ad esempio toccano
il bordo della regione di riferimento) e concludono la loro traiettoria rimanendo al di sopra di quel valore (cio allesterno della regione di riferimento)
sono tante quante quelle che raggiungono quel valore e concludono la loro
traiettoria al di sotto di quel valore: in base a questo fatto, le condizioni al
bordo che verranno utilizzate per le traiettorie del moto browniano saranno
di tipo riflessione. In altri termini, se un veicolo lascia la regione di riferimento da una determinata strada, esso sar reinserito allinterno della stessa
strada con la medesima velocit, ma in direzione opposta. Lalgoritmo cos
presentato stato implementato in Matlab; possibile consultare il codice
in A.4.
3.3.3
Validazione del modello
Concludiamo questa sezione utilizzando questo algoritmo su un pattern di

tipo Manhattan. Dopo aver stimato la matrice di permeabilit D di un
pattern di tipo Manhattan, sar eseguita una simulazione del modello di
tipo Darcy proposto nella Sezione 3.2 utilizzando la stima della permeabilit
ottenuta e verranno confrontati i risultati ottenuti con quelli ricavati tramite
il modello agli automi cellulari basato su un aproccio euleriano.
Vista lisotropia della mappa che stiamo considerando, lecito aspettarsi
che la matrice di permeabilit D abbia una forma diagonale. Applicando
lalgoritmo presentato nella sezione precedente si ottiene infatti la seguente
stima numerica della matrice di permeabilit:

151.1740 0.4336
b
D=
.
0.4336 154.6110
Le dimensioni fisiche degli elementi della matrice D sono [D] = [lunghezza]2
[tempo]1 e nel nostro caso risultano pari a Km2 /h; da un punto di vista dimensionale, essi risultano pertanto equivalenti al coefficiente di diffusione che
85
compare nellequazione 3.1. Nellunit di tempo,

i veicoli si diffondono nella
generica direzione i a una distanza media di Dii . La lunghezza di ogni arco
di strada di 75 metri. Si noti come la stima proposta sia quantitativamente
ragionevole, poich
prevede una velocit media (deviazione standard) dei ve
icoli di circa 151 12km/h, velocit ragionevole considerando la frequenza
degli incroci.
Il fatto che la matrice stimata non risulti esattamente diagonale dipende dal
non completo soddisfacimento delle ipotesi alla base dellalgoritmo di stima;
tuttavia, limpiego di una tecnica di tipo MonteCarlo permette di ottenere
un risultato piuttosto accurato.
In Figura 3.9 rappresentata lellisse che ha come semiassi le componenti principali della matrice di permeabilit D, ovvero le direzioni principali
di spostamento riscalate in base allo spostamento medio lungo quella direzione (date dagli autovettori normalizzati della matrice D moltiplicati per
i rispettivi autovalori).
Figura 3.9: Direzioni principali della permeabilit sul pattern di tipo Manhattan. La
grandezza dellellisse stata riscalata per renderla comparabile alla grandezza della mappa.
Una volta stimata la matrice di permeabilit, possibile simulare il comportamento del traffico sfruttando il modello differenziale di Darcy (3.2) sul
pattern associato. Volendo confrontare questo risultato e quello ottenuto con
il modello euleriano ad automi cellulari necessario assumere le medesime
condizioni al contorno; volendo dunque imporre una condizione di conservazione ovvero di flusso uscente dalla mappa nullo imponiamo la seguente
86
condizione di Neumann:
D n = 0 x , t [0, T ].
Indichiamo con = [0, 1] [0, 1] e assumiamo una condizione iniziale data
da
f (x) = I[0,1/9][0,1] (x),
che rappresenta una condizione di traffico saturo nella parte sinistra della mappa e libera altrove, analogamente a quanto fatto nella prima simulazione ottenuta con lalgoritmo agli automi cellulari. Con queste assunzioni,
si ottiene il seguente problema:
t (D) = 0 x , t (0, T ]
(x, 0) = f (x)
x ,
D n = 0
x , t [0, T ].
Risulta a questo punto possibile calcolare numericamente la soluzione di
questo problema, sfruttando le usuali tecniche di Galerkin impiegate per
lo studio dei problemi di diffusione e trasporto e gli strumenti messi a disposizione dalla libreria FreeFem++ (il corrispondente codice si trova in A.3.3).
In particolare, si sfrutta unapprossimazione a elementi finiti in spazio e una
discretizzazione in tempo con il metodo di Eulero implicito; se da un lato
questa scelta comporta un aumento degli oneri computazionali, dallaltro assicura lincondizionata stabilit del metodo. Si veda [Q08] per i risultati di
buona posizione, lanalisi di stabilit e convergenza del metodo in questione.
In Figura 3.10 sono rappresentate otto iterazioni successive ottenute con il
codice implementato; le analogie che si possono evincere dal confronto tra
questa soluzione e quella riportata in Figura 3.3, ottenuta con il metodo agli
automi cellulari, indicano che da un punto di vista qualitativo i due metodi si
comportano in modo piuttosto simile; in particolare, il processo di diffusione
presenta nei due casi le stesse caratteristiche.
Lapplicazione del modello bidimensionale di Darcy al caso della regione parigina verr ampiamente discusso nel Capitolo 5, dopo aver chiarito come
estrarre dalla mappa le informazioni necessarie per il calcolo del campo di
permeabilit. Notiamo fin da ora come il metodo differenziale sia computazionalmente pi efficiente, a patto di stimare correttamente le propriet del modello e di rinunciare a un dettaglio locale del comportamento del
traffico nei singoli tratti stradali.
87
Figura 3.10: Iterazioni del modello presentato nella sezione 3.2 con traffico intenso in
una zona della mappa. Si noti come il processo di smaltimento del traffico segua un
andamento tipicamente diffusivo. La scala dei colori va dal blu al rosso, e indica il traffico,
rispettivamente fluido o intenso, presente nellarea di mappa.
88
Capitolo 4
Lettura delle informazioni da
una mappa
In questo capitolo viene descritto lanello di congiunzione tra i modelli di
traffico presentati e la loro applicazione ai casi reali, ovvero gli algoritmi
necessari per la lettura dei dati forniti e la loro importazione nel formato
necessario per lutilizzo. Nel caso in esame, occorre implementare alcuni
metodi atti alla lettura di una mappa stradale e alla conseguente creazione
di un grafo, o meglio di un bigrafo orientato. Lo scopo principale consiste
quindi nellestrazione di opportune strutture dati a partire dallimmagine
della carta stradale che si vuole rappresentare con un grafo; le strutture di
interesse sono:
linsieme dei nodi, corrispondente allinsieme degli incroci presenti nella
mappa; per ogni elemento di questo insieme occorre specificare la collocazione allinterno della mappa tramite le sue coordinate spaziali
quali siano gli archi entranti e uscente nel/dal nodo e con quali altri
nodi esso sia direttamente collegato.
linsieme degli archi (o lati), costituito dallinsieme dei tratti stradali
che connettono i vari nodi; per ogni elemento di questo insieme occorre
esplicitare il peso espresso dalla sua lunghezza il nodo di origine
e quello di destinazione, a quali altri archi sia collegato tramite i vari
nodi, le sue coordinate spaziali ed altre propriet di interesse i metodi
presentati nel Capitolo precedente, come la densit di abitazioni che vi
si affacciano.
Prima di riuscire ad implementare in maniera efficace la simulazione di un
caso reale occorre chiarire numerosi aspetti. Una prima questione riguarda
la classificazione degli archi stradali: occorre stabilire in quali casi sia conveniente sfruttare un modello monodimensionale e in quali invece un modello
89
90
4.1. Segmentazione dellimmagine
bidimensionale, ovvero identificare in modo corretto allinterno della carta

le parti corrispondenti ai tubi e quelle associate alla spugna, in accordo con
quanto presentato nel Capitolo 1.
La catalogazione delle strade come tubi e spugne non risulta tuttavia un
compito semplice; la suddivisione di tipo amministrativo, tipica delle pi comuni mappe stradali (autostrade, strade statali, strade provinciali, etc.), non
risulta adeguata ai nostri scopi, poich esistono ad esempio strade comunali
a percorrenza veloce e con pochissimi incroci (classificate quindi come tubi)
come anche strade statali con molti incroci in cui la velocit dei veicoli pu
subire forti limitazioni. risultato dunque necessario stabilire una classificazione ad-hoc per il modello descritto, in base alle caratteristiche effettive
delle strade, come la distanza tra due intersezioni, la larghezza e la densit di
abitazioni lungo esse. Risultando piuttosto variabile al variare delle strade,
nei casi in esame questa classificazione non stata automatizzata, ma stata operata manualmente da alcuni urbanisti del gruppo IUAV: in particolare
sono state fornite tre tipi di immagini, contenenti rispettivamente i tubi, la
spugna e labitato.
Ulteriori questioni di grande interesse riguardano lacquisizione delle immagini, operate mediante opportune tecniche di segmentazione, lidentificazione
degli incroci grazie allimplementazione di metodi di scheletrizzazione e LUT
e lesportazione delle informazioni in apposite strutture dati; tutti questi
aspetti verranno descritti nelle Sezioni che seguono.
4.1
Segmentazione dellimmagine
Il problema della segmentazione delle immagini riguarda numerose applicazioni appartenenti a campi molto differenti tra loro dalla bioingegneria
alla progettazione assistita al calcolatore e ha richiesto, soprattutto negli
ultimi decenni, notevoli sforzi di matematici e informatici. Nel caso in esame
tuttavia la situazione non risulta troppo complicata dal momento che le immagini da trattare sono di due colori (vuoto/pieno): la trasformazione dellimmagine binaria in una tabella booleana (a cui ci riferiremo nel seguito
con lespressione di mappa segmentata) risulta quindi una semplice identificazione del colore presente in ogni pixel; non si quindi rivelata necessaria
la creazione di metodi appositi per affrontare questa fase.
Capitolo 4. Lettura delle informazioni da una mappa
91
Figura 4.1: Segmentazione di una parte di mappa. In questo caso la presenza di strada
stata classificata con 0 e lassenza di strada, di conseguenza, con 1.
4.2
Look-Up Table operations
Per eseguire operazioni sulla matrice della mappa segmentata, risulta necessario introdurre il concetto di Look-Up Table (LUT ), in modo da semplificare le numerose operazioni di confronto con i vicini e ridurre gli oneri
computazionali.
Nelle applicazioni informatiche, con Look-Up Table si intende una struttura
dati generalmente un array usata per sostituire operazioni di calcolo a
runtime con una pi semplice operazione di consultazione di una tabella di
associazione. Una tabella di questo tipo quindi una struttura che permette di associare ad ogni combinazione ammissibile di dati in ingresso una
corrispondente configurazione di dati in uscita. Il termine inglese utilizzato per descriverla, Look-Up Table, sottointende loperazione di consultazione
(dallinglese look up, consultare) utilizzata per mappare le combinazioni di
ingresso in determinati valori di uscita.
Analizziamo ora limpiego delle LUT nel caso della lettura di informazioni
da una mappa stradale: definendo lintorno di una cella della matrice della mappa segmentata come linsieme delle otto celle ad essa adiacenti,
possibile definire per ogni cella della matrice (fatta eccezione per quelle di
bordo che vengono trattate diversamente) un array che ne denota lintorno,
come mostrato in Figura 4.2. Dal momento che ogni cella contiene un valore
booleano (1 se libera o 0 se presente una strada), le possibili combinazioni
di intorni esistenti risultano in tutto 28 = 256. Occorre quindi costruire delle
LUT di 256 elementi, in grado di fornire luscita (0 oppure 1) a seconda della
situazione di vicinato presente. Anzich operare una serie di confronti logici
concatenati, oneroso dal punto di vista computazionale, si procede dunque
ad identificare la situazione di interesse tra tutte quelle possibili, applicando
la LUT a tutte le celle della matrice della mappa segmentata.
92
4.3. Scheletrizzazione dei tracciati
Figura 4.2: Creazione dellarray di un intorno di una cella. Larray costruito a destra
lintorno della cella denotata con 5.
Chiariamo con un esempio il funzionamento di una particolare LUT: nel

caso in cui si vogliano identificare gli incroci presenti in una mappa occorre
analizzare tutte le possibili combinazioni stradali che generano un incrocio
e creare la LUT che identifica quali pixel compaiano in tale configurazione.
Per lutilizzo della LUT si procede a identificare, guardando la configurazione
dellarray di intorno di ogni pixel della mappa segmentata, in quale elemento
della LUT ci si trova, e a creare assegnando luscita della LUT per ogni pixel
la mappa degli incroci, ovvero una matrice che assume valore 1 per tutti i
pixel della mappa segmentata che sono sede di un incrocio e 0 altrimenti.
4.3
Scheletrizzazione dei tracciati
Occorre tuttavia compiere un ulteriore passo prima di poter utilizzare le

Look-Up Tables: risulta infatti necessario identificare sulla mappa i percorsi
degli archi stradali. La larghezza di una strada occupa infatti, allinterno di
una mappa, uno spazio maggiore di 1 pixel; a seguito della segmentazione
compariranno tanti pi zeri quanto pi larga la strada. Per poter sfruttare
le potenzialit messe a disposizione dalle LUT necessario trasformare la
matrice della mappa segmentata in una seconda matrice, in cui la larghezza
di ogni strada sia pari ad un solo pixel (operazione che prende il nome di
scheletrizzazione). Questo problema stato affrontato e risolto da Lam, Lee
e Wuen [LLW92], i quali hanno proposto un algoritmo basato sulla successiva
applicazione di due particolari LUT fino al raggiungimento di un equilibrio.
In Figura 4.3 sono rappresentati alcuni passi dellalgoritmo ottenuti per un
particolare caso test. Applicando lalgoritmo di scheletrizzazione su una map-
93
Figura 4.3: Varie iterazioni dellalgoritmo di scheletrizzazione descritto precedentemente.

Si noti come il risultato dellalgoritmo sia la creazione di una mappa formata da strade di
larghezza un pixel.
pa reale possibile ottenere il risultato rappresentato in Figura 4.4. Risulta ora possibile operare il riconoscimento degli incroci presenti sulla mappa sfruttando le analisi presentate nella sezione precedente e le funzionalit
offerte dalle LUT.
4.4
Creazione della strutture di interesse
Giunti a questo punto, possibile assemblare il grafo corrispondente alla

mappa, costruendo linsieme dei nodi e quello degli archi. Eliminando infatti dallo scheletro della mappa gli incroci (coincidenti ai nodi) si ottiene
un insieme di componenti sconnesse, corrispondenti ai vari tratti di strada
(gli archi). Verranno caratterizzate ora nello specifico queste due differenti
strutture.
4.4.1
La struttura delle strade
Risulta necessario tradurre le caratteristiche relative ad un arco stradale nelle

propriet del corrispondente lato del grafo appena ottenuto. Per ogni arco
stradale vengono quindi estratti dalla mappa alcune propriet fondamentali,
come la lunghezza, la densit di abitato che vi si affaccia e le relazioni con
gli altri elementi della mappa.
94
4.4. Creazione della strutture di interesse
Figura 4.4: Esempio di mappa sottoposta allalgoritmo di scheletrizzazione e di identificazione degli incroci. In blu possibile vedere la mappa originale, in rosso lo scheletro
della mappa e in verde gli incroci che sono stati identificati.
Lunghezza della strada

La lunghezza in pixel dellarco stradale molto semplice da calcolare: a partire dalla mappa contenente un solo arco stradale scheletrizzato, la lunghezza
1
di questultimo si ottiene sommando al numero dei pixel meno 1
, il numero
dei tratti connessi solo in diagonale meno 1 moltiplicato per ( 2 1). In
A.1.3 riportato il codice Matlab che effettua questo calcolo.
La lunghezza espressa in pixel pu essere convertita nelle usuali unit di
misura moltiplicando per un opportuno fattore di scala, dato dal rapporto
tra la lunghezza totale della mappa e il numero di pixel della corrispondente
immagine.
1
Termine correttivo. Se un tratto stradale unisce due pixel, la sua lunghezze vale 1,
non 2, se ne unisce tre vale 2, etc.
95
Densit di abitato che si affaccia sulla strada

Per poter descrivere la densit delle abitazioni che si affacciano su una strada necessario disporre della mappa che descrive la distribuzione spaziale
dellabitato. Dopo aver stabilito la relazione di vicinanza tra un edificio ed
una strada ad esempio si pu associare un edificio ad una strada se questo
risulta distante meno di 5 pixel da questultima si procede ad associare ad
ogni strada la somma dei pixel occupati sulla mappa da tutte le abitazioni
che soddisfano questo criterio. Il codice Matlab che implementa questo calcolo in A.1.3.
Occorre tuttavia notare che questo indice della densit di abitanti tiene conto solo della superficie occupata dagli edifici e non delleffettiva cubatura di
questi; una possibile soluzione consiste nellattribuire differenti pesi ai vari
edifici a seconda della loro altezza. A questo scopo, non potendo disporre
direttamente di questa informazione, il gruppo HAUSLADEN ha provveduto a
stimarla a partire dalle mappe dei consumi energetici.
Relazioni con le altre strade della mappa
La descrizione dei collegamenti tra due o pi archi stradali senza dubbio il
cuore del problema discusso in questo Capitolo: occorre infatti analizzare due
problemi sostanziali, costituiti rispettivamente dallattribuzione del verso di
percorrenza di una strada ogni arco stradale rappresentato nel bigrafo da
una coppia di lati, percorribili ciascuno in un solo senso e dal computo delle
strade entranti o uscenti in ogni incrocio. Queste due operazioni permettono
di associare alle strade della mappa una relazione di percorribilit tra i vari
archi del grafo.
Gli approcci percorribili per risolvere questo problema sono sostanzialmente
due: il primo si basa su un assegnazione a priori del verso di percorrenza dei
singoli tratti stradali, mentre il secondo consiste nellattribuire a posteriori
questa informazione ai vari archi, sulla base della posizione assunta dallarco
stradale rispetto ai vari incroci nella mappa. Nelle applicazioni presentate in
questo lavoro di tesi sono stati sfruttati entrambi questi approcci, a seconda
alle differenti necessit incontrate durante limplementazione degli schemi agli
automi cellulari, basati sia sul paradigma lagrangiano che su quello euleriano
presentati nel Capitolo 3.
Per quanto riguarda gli schemi basati su un approccio lagrangiano, necessario disporre delle coordinate dei punti corrispondenti a un tratto stradale
in modo ordinato allinterno della mappa, dal momento che ciascun veicolo
si muove nel verso indotto dallascissa curvilinea su questo tracciato. Per
questa ragione, necessario attribuire a priori il verso di percorrenza di ogni
96
lato del grafo. Per stabilire quali e quante siano le strade entranti o uscenti in
ogni incrocio sufficiente contrassegnare quelle che hanno inizio (e risultano
uscenti) o fine (entranti) in punti aventi coordinate prossime allincrocio in
questione. Bench risulti piuttosto immediato da comprendere, limplementazione numerica di questo approccio comporta notevoli oneri computazionali dal momento che necessita dellidentificazione delle coordinate dei pixel di
ogni strada e del loro riordinamento. Per compiere questa operazione stato
usato un algoritmo basato su un albero di supporto a costo minimo, avente
complessit computazionale dellordine di O(L2 ), dove L indica il numero dei
pixel del tratto stradale. Il codice Matlab che implementa questo algoritmo
presentato in A.1.2.
Per quanto riguarda invece gli schemi basati su un approccio euleriano, non
necessario conoscere le coordinate del tratto stradale, dal momento che
lunica informazione di interesse risulta la sua interazione con gli archi ad
esso vicini. Lalgoritmo alla base di questo metodo attribuisce a priori ad
ogni strada un nodo di origine ed un nodo di destinazione e analizza in un
secondo momento quali siano le strade entranti ed uscenti in ciascun nodo.
Brevemente, ad ogni passo dellalgoritmo viene assegnata una convenzione a
priori a seconda della posizione rispetto al nodo che si analizza (in particolare
la strada risulta entrante nellincrocio se arriva dalle posizioni di nord ovest,
comprese tra le celle 1 e 4 della matrice di adiacenza riportata in Figura 4.2,
altrimenti si dice uscente) e si procede controllando che questa convenzione
non sia gi stata assegnata a quella strada; in tal caso, si assegna alla strada
laltra convenzione. Il codice Matlab che implementa questo algoritmo
presentato in A.1.1.
Altre variabili di stato
Occorre sottolineare come nei metodi agli automi cellulari basati su un approccio lagrangiano gli archi stradali costituiscono le variabili di stato: risulta quindi necessario associare ad ogni strada anche le altre propriet tipiche
del modello utilizzato, quali il numero di veicoli presenti in un determinato
istante, la velocit massima raggiungibile in base alle caratteristiche della
strada o la velocit massima raggiungibile in un certo istante a causa del
traffico presente sulla strada.
4.4.2
97
La struttura degli incroci
Presentiamo infine lultima struttura necessaria per implementare gli algoritmi presentati, riguardante la trattazione degli incroci, ovvero i nodi del
grafo. Per definire un nodo occorre specificarne le coordinate, gi individuate mediante gli algoritmi di identificazione descritti in precedenza, e le strade
entranti e quelle uscenti, ricavate tramite lalgoritmo di assegnazione delle
convenzioni di verso delle strade.
Sorge tuttavia unultima questione a proposito della ricerca degli incroci: il
trattamento delle rotonde e degli incroci lunghi. Lalgoritmo di scheletrizzazione tende infatti a separare in pi incroci le intersezioni lunghe o le
rotonde, come mostrato ad esempio in Figura 4.5.
Figura 4.5: Zoom della mappa presentata in Figura 4.4. Si noti come un unico incrocio venga rappresentato come due intersezioni collegate da una strada di pochi pixel di
dimensione.
Per ovviare a questo inconveniente si deciso di considerare un incrocio lungo

o una rotonda come un supernodo e di comprendere, tra le varie caratteristiche di un nodo, anche lappartenenza o meno ad uno di questi supernodi. I nodi vicini a un supernodo sono stati quindi associati tra loro e sono
state cancellate le strade di collegamento tra essi, in modo da recuperare la
peculiarit di queste intersezioni.
98
Capitolo 5
Simulazioni
In questo capitolo verranno riportati alcuni risultati riguardanti buona parte
delle simulazioni1 effettuate per il Progetto Grand Paris, presentato nel Capitolo 1. Per rispondere alle richieste del concorso, il gruppo STUDIO 08 ha
deciso di suddividere larea metropolitana dellhinterland parigino in diverse
regioni e verificare come alcune caratteristiche porosit e permeabilit del
tessuto stradale, consumo di energia, frequenza e capillarit dei mezzi pubblici, densit di abitato o di fabbriche, ecc. cambiano a seconda della zona
dellhinterland considerata.
Le simulazioni presentate seguiranno la strategia di analisi proposta dal gruppo STUDIO 08: in particolare, i risultati si riferiranno a una particolare regione, sebbene i metodi implementati siano del tutto generali e possano essere
applicati a qualsiasi caso.
La Figura 5.1 mostra il piano di studio del gruppo per il progetto Grand
Paris: dal momento che lo scopo dellanalisi la caratterizzazione delle diverse zone dellarea parigina, stato deciso, a seguito di unanalisi globale,
di sezionare questarea verticalmente e analizzare le diverse propriet in aree
quadrate di lato pari a 3 chilometri. Per ciascuna di queste aree stata
condotta unanalisi accurata delle propriet di interesse sopra citate.
Dal momento che unanalisi completa esula dallo scopo di questo lavoro di
tesi, verranno riportati in questo capitolo solo alcuni dei casi affrontati, utili
comunque alla comprensione completa di quanto presentato nel resto del lavoro; sar possibile reperire questanalisi nei documenti ufficiali del progetto,
di prossima pubblicazione.
1
Tutte le simulazioni sono state effettuate con un Personal Computer con processore
da 2.2 GHz e 2 GB di RAM.
99
100
5.1. Porosit e permeabilit nellIle-de-France
Figura 5.1: Piano di analisi per il progetto Grand Paris
5.1
Porosit e permeabilit nellIle-de-France
La prima analisi svolta unanalisi di porosit e permeabilit dellintera

regione in esame; per entrambe queste analisi si fatto ricorso ad una suddivisione della carta in elementi di area di riferimento (REV) tramite una
mesh non strutturata creata con FreeFem++. Dopo aver diviso lintera immagine in REV di circa 1 km di lato, per ognuno di questi stata effettuata
loperazione di segmentazione, in modo da trasformare la parte analizzata
in una matrice booleana e poter procedere alla stima delle due grandezze di
interesse.
Il valore della porosit stato semplicemente ottenuto come rapporto tra
la somma dei pixel rappresentativi delle strade e i pixel totali del REV; in
Figura 5.2 ogni REV stato colorato proporzionalmente al valore della sua
porosit: il colore blu indica una porosit bassa (meno del 2%), il giallo una
porosit alta (circa il 30%). Si noti come la ricchezza di strade diminuisca
Capitolo 5. Simulazioni
Figura 5.2: Porosit in diverse zone dellIle De France
Figura 5.3: Permeabilit in diverse zone dellIle De France
101
102
5.2. Il tensore di permeabilit
allontanandosi dal centro dellimmagine in maniera quasi uniforme; i gruppi

di REV ad alta porosit lontani dal centro sono i centri urbani della banlieue,
dislocati nei dintorni di Parigi.
Per il calcolo della permeabilit, sempre sugli stessi REV stato utilizzato
il modello presentato nella Sezione 3.2.2; la simulazione ha occupato complessivamente circa 12 ore. In Figura 5.3 possibile vedere il risultato di
questo calcolo: ogni REV colorato in proporzione al valore dellautovalore
massimo della matrice di permeabilit ivi calcolata; la scala va dal rosso,
che indica una permeabilit bassa (circa di 70km2 /h), al giallo, che indica
invece una permeabilit alta (circa 2500km2 /h). In ogni zona sono inoltre
stampate in verde le due frecce che rappresentano le direzioni principali della
matrice di permeabilit, con lunghezza proporzionale al valore degli autovalori ad esse associati. Si noti come in generale a zone di alta porosit, come il
centro della citt, sono associate zone di alta permeabilit, e come invece ci
siano zone ad alta permeabilit a cui sono associate zone di bassa porosit.
Sovrapponendo una cartina stradale alla mappa di permeabilit possibile
constatare che quelle zone sono attraversate da autostrade ossia da tubi
che notoriamente forniscono altissima permeabilit solo per in una particolare direzione. In realt alle zone autostradali dovrebbe essere associata
una permeabilit ancora maggiore, ma il modello utilizzato non riesce a catturare questa caratteristica poich la velocit delle particelle considerata
uniforme. Nonostante ci, la simulazione globale non stata effettuata con
il modello presentato nella Sezione 3.3.2 per problemi legati alla lettura della
mappa ed alla non sempre corretta identificazione degli incroci dellalgoritmo
proposto.
5.2
Il tensore di permeabilit
Per le zone proposte in Figura 5.1 stato effettuato uno studio di permeabilit pi dettagliato, utilizzando il modello basato sugli automi cellulari con
approccio lagrangiano presentato nella Sezione 3.3.2. Il risultato dellanalisi
presentato in Figura 5.4; per creare questa immagine le 21 zone sono state
caricate manualmente e analizzate una ad una utilizzando il codice presentato in A.4. Per ognuna di queste zone la simulazione ha impiegato circa
5 minuti, con differenze anche sensibili a seconda del pattern stradale della
mappa scelto. Lalgoritmo di lettura della mappa non ha creato problemi
per 18 delle 21 zone proposte.
103
Figura 5.4: Analisi di permeabilit effettuate nelle diverse zone del piano di analisi
dellIle De France
Si noti come, lungo la sezione verticale, il valore e la direzione del tensore di

permeabilit calcolato varino da zona a zona: da una prima analisi possibile
notare che le dimensioni degli ellissoidi (e quindi i valori di permeabilit) si
riducono allontanandosi dal centro della mappa e che la direzione degli ellissi
lungo la sezione sia sostanzialmente verticale al centro (riflesso della presenza
della tangenziale della citt di Parigi), mentre, man mano che ci si allontana
da questo, assumono un aspetto radiale (si veda ad esempio la sezione H della
Figura 5.4), segno dellimpostazione urbanistica radiocentrica dellhinterland
parigino.
5.3
Traffico nella spugna
In questultima sezione viene effettuata una simulazione del traffico nella

spugna, confrontando i risultati ottenuti utilizzando lalgoritmo agli automi cellulari con approccio euleriano presentato in Sezione 3.1.2 con quelli
ottenuti utilizzando lapproccio alla Darcy presentato in Sezione 3.2. Per ef-
104
5.3. Traffico nella spugna
Figura 5.5: Analisi di permeabilit della zona 5 evidenziata in Figura 5.1
fettuare questa simulazione stata considerata la zona 5 delle zone di studio

evidenziate nella Figura 5.1. In Figura 5.5 mostrato il risultato del calcolo
della matrice di permeabilit effettuato con lalgoritmo presentato in Sezione
3.3.2, dividendo la zona di analisi mediante una mesh regolare con lato di
lunghezza 750 metri. Si noti come gli ellissi di permeabilit ricalchino con
precisione le direzioni di trasporto delle strade, e come la presenza di strade
pi corte, anche se fitte, diano luogo a matrici di permeabilit in norma pi
piccole, e quindi a permeabilit minori; ci in accordo con il senso comune,
che suggerisce che strade con pochi incroci permettono un traffico pi fluido
e quindi un trasporto flusso di traffico maggiore (si rimanda alle osservazioni fatte nel Capitolo 1). Unaltra peculiarit di questa mappa catturata
solo in parte dal modello, la presenza di un fiume che la attraversa: le due
zone separate dal fiume infatti non sono comunicanti se non dove vi sono
ponti; la stima della permeabilit fatta con questa suddivisione non riesce
per a catturare limpermeabilit che il fiume crea, nonostante la permeabilit sia considerevolmente ridotta lungo la direzione trasversale al fiume nelle
zone interessate.
Il tempo macchina impiegato per il calcolo della struttura della porosit della
mappa di circa 2 minuti.
105
In Figura 5.6 sono presentate alcune iterazioni di una simulazione di traffico

con situazione iniziale di strade vuote tranne che sulle strade collegate al
lato sinistro della mappa, effettuata con lalgoritmo agli automi cellulari con
approccio euleriano (Sezione 1). Analizziamo una per una le varie fasi del
processo di diffusione, raffigurate nei diversi pannelli della Figura 5.6:
(a) Situazione iniziale: strade praticamente scariche in gran parte della
mappa con unaltissima concentrazione di traffico sul lato sinistro.
(b) Il traffico inizia a defluire verso destra; si noti come questo processo
avvenga esclusivamente tramite il ponte presente nella zona sud-ovest
della mappa. Il tubo nella zona sud porta velocemente il flusso di traffico alla zona destra, mentre la parte centrale viene invasa dal traffico
pi lentamente.
(c) Continua il processo di diffusione. Si noti come il tubo in zona sud
della mappa non si trovi mai in una condizione di ingorgo, nonostante
ai suoi capi si riscontri una situazione di questo tipo.
(d) La parte centrale della mappa inizia ad essere invasa dallonda di traffico, in contemporanea con langolo di sud-est. Inizia a riempirsi, lentamente, anche il lato destro della mappa: il traffico in questo lato sale
dal basso prima che arrivi dal centro.
(e) La parte centrale della mappa invasa dal traffico prima della parte
destra. Inizia la fase di scarico della parte sinistra della mappa: essa
parte ovviamente dalla zona del ponte, nellangolo di sud-ovest, mentre
langolo di nord-ovest ancora completamente invaso dal traffico.
(f) Inizia la fase di scarico del lato nord-ovest della mappa; si noti come
il lato sud-ovest sia sempre in una situazione meno critica (colori delle
strade pi freddi) rispetto a questo. Inizia linvasione dellonda di traffico nellangolo nord-est della mappa, contemporaneamente sia dal basso
che dal centro.
(g) Il traffico sul lato sinistro si praticamente smaltito. Il traffico rimane
ancora particolarmente denso allinterno delle vie pi corte del centro
della mappa.
(h) Al termine il traffico si smaltisce nelle varie strade fino al raggiungimento di un equilibrio in cui allinterno dellintera mappa la densit
di veicoli costante. Le strade piccole sono quelle che impiegano un
tempo maggiore al raggiungimento dellequilibrio poich in queste il
106
(a)
(b)
(c)
(d)
107
(e)
(f)
(g)
(h)
Figura 5.6: Simulazioni di traffico nella zona 5 della Figura 5.1 ottenute utilizzando
lalgoritmo basato sugli automi cellulari con approccio euleriano.
108
traffico pi intenso a causa della scarsa velocit raggiungibile per la

presenza di frequenti incroci.
La simulazione permette di evidenziare alcuni aspetti tipici delle dinamiche di
traffico, mostrando risultati verosimili e ben giustificabili; questo fatto valida
ulteriormente il modello utilizzato. Il tempo di calcolo richiesto per la lettura
dellintera mappa di circa 5 minuti, e altrettanto tempo stato necessario
per la simulazione agli automi cellulari. Il tempo di calcolo complessivo
per questo tipo di approccio quindi di circa 10 minuti per una regione di
ampiezza 3 km x 3 km.
In Figura 5.7 sono infine presentate alcune iterazioni del problema appena
trattato ottenute con il modello di tipo Darcy presentato nella Sezione 3.2,
utilizzando come campo di permeabilit quello mostrato in Figura 5.5 calcolato allinizio di questa sezione. Analizziamo una per volta le immagini
proposte:
(a) Situazione iniziale: strade praticamente scariche in gran parte della
mappa con unaltissima concentrazione di traffico sul lato sinistro.
(b) Il traffico inizia a defluire verso destra; siccome il calcolo del tensore di
permeabilit non tiene conto della presenza del fiume, linvasione del
centro della mappa avviene da sinistra e non dal basso. La presenza
del ponte, che ha per influito sul valore della permeabilit orizzontale
dellangolo di sud-ovest, fa si che linvasione inizi ad assumere un profilo
pi avanzato nella zona sud della mappa.
(c) Continua il processo di diffusione. Si noti come le linee di livello della
densit di traffico assumano ancora di pi un profilo diagonale, sbilanciato in avanti a sud della mappa: questo dovuto, per la parte
centrale, alla presenza del tubo sul lato sud. Sul lato sinistro la densit
di traffico a sud gi ad un livello abbastanza basso, mentre a nord
ancora molto alta.
(d) Anche langolo in alto a destra della mappa viene invaso dal traffico;
si noti come venga invaso contemporaneamente sia dal basso che da
sinistra. Le iterazioni successive porteranno ad uno smorzamento senza oscillazioni della soluzione verso lequilibrio di densit uniforme di
traffico in tutta la mappa.
Si noti come il modello differenziale riesca a catturare molte delle peculiarit
del processo di smaltimento del traffico tipiche del pattern stradale ed evidenziate dalla simulazione effettuata con il metodo agli automi cellulari con
109
(a)
(b)
(c)
(d)
Figura 5.7: Simulazioni di traffico nella zona 5 della Figura 5.1 ottenute utilizzando
lapproccio alla Darcy con matrice di permeabilit mostrato in Figura 5.5.
110
approccio euleriano. In particolare, questo metodo in grado di cogliere la

situazione di equilibrio che viene raggiunta cosa in realt di scarsa rilevanza
per i problemi di traffico rispetto al transitorio, essendo problemi continuamente sottoposti a variazioni (ingressi e uscite dei veicoli dalla sede stradale)
e il comportamento medio dellonda di diffusione. Daltro canto per, come
gi era stato sottolineato nel Capitolo 3, stato necessario rinunciare ad alcune peculiarit che invece la precedente simulazione aveva evidenziato. In
particolare, non si crea una situazione di traffico intenso nella zona centrale
della mappa, a differenza di quanto sia logico aspettarsi, dal momento che
questa area caratterizzata da strade pi corte; in modo analogo, non risulta
attendibile il fatto che la soluzione converga allequilibrio senza oscillazioni;
viene meno infine limpermeabilit causata dalla presenza del fiume tra la
zona di destra e la zona di sinistra (sostituita da una bassa permeabilit).
Da ultimo, necessario notare come i tempi di calcolo vengano drasticamente ridotti con questo approccio: a fronte dei 10 minuti necessari per
lesecuzione delle simulazioni precedenti, in questo caso la simulazione del
modello di Darcy ha impiegato solo pochi secondi ed il calcolo della matrice
di permeabilit, necessario per effettuare la simulazione, 2 minuti. In particolare, importante sottolineare che per lalgoritmo agli automi cellulari
con approccio euleriano i tempi di calcolo e la memoria utilizzata crescono in
maniera non polinomiale al crescere della mappa, mentre per questo secondo
approccio la crescita solo polinomiale (in particolare, non viene trattato un
unico sistema per tutta la mappa, ma vengono trattati tanti sistemi quanti
sono i REV in cui la mappa viene divisa).
Unultima simulazione che per completezza del lavoro dovrebbe essere effettuata quella del traffico con modelli monodimensionali per i tubi, accoppiati a modelli bidimensionali per la spugna. Viste le ultime considerazioni,
come modello per la gestione del traffico bidimensionale si preferir seguire
il secondo approccio presentato. Questo lavoro sar oggetto delle prossime
attivit di ricerca e potr essere trovato allinterno del report ufficiale del
gruppo STUDIO 08 per il Concorso Grand Paris.
Conclusioni
Il punto di partenza di questo lavoro di tesi un modello urbanistico presentato in [F08] che propone la divisione dellintera rete stradale in tubi e
spugna. Fanno parte della prima classe linsieme di quelle strade a percorrenza veloce caratterizzate da barriere che dividono linfrastruttura stradale
dal resto del territorio, permettendo scambi solo in determinati punti, detti
svincoli; in contrapposizione a questa prima parte linsieme delle strade a
scorrimento lento, in cui possibile cambiare pi spesso la propria direzione
di marcia classificata come spugna.
Lapproccio presentato stato proposto allinterno di un concorso internazionale volto allanalisi, da un punto di vista architettonico, urbanistico
e sociologico, della zona dellhinterland parigino. Per dare solidit al modello urbanistico si quindi deciso di fornirne una caratterizzazione rigorosa
sulla base di opportuni modelli matematici.
Per far fronte a questa richiesta, nel lavoro di tesi sono stati analizzati e
sviluppati diversi modelli matematici; alcuni di questi sono stati tratti dalla
letteratura legata ai problemi di traffico e sono stati implementati utilizzando
opportune strategie in vista delle applicazioni, mentre altri sono stati appositamente creati, allo scopo di caratterizzare il flusso di traffico veicolare nelle
due diverse parti. In particolare, sono stati creati tre differenti modelli per
la caratterizzazione del traffico nella parte stradale catalogata come spugna.
Il primo modello sfrutta un approccio agli automi cellulari con un punto di
vista euleriano; esso contiene al suo interno molti strumenti classici dellanalisi del traffico veicolare, ma assume un punto di vista completamente nuovo
rispetto ai risultati esistenti, poich utilizza come spazio cellulare i singoli
tratti stradali presenti nella spugna e non loro parti. Questo modello si dimostrato capace di cogliere molti degli aspetti peculiari legati alle dinamiche
di traffico; esso si tuttavia rilevato molto impegnativo dal punto di vista
computazionale, nonostante la semplicit che lo caratterizza e che lo rende
preferibile ad altri modelli usati per la trattazione dello stesso problema.
111
112
Il secondo modello basato su un approccio di tipo differenziale e sfrutta una

legge per levoluzione del traffico allinterno di una determinata zona di mappa simile a quella di Darcy per un mezzo poroso. Questo approccio aderisce
completamente alla visione urbanistica del pattern stradale come spugna bidimensionale, utilizzando un modello matematico per la descrizione del flusso
di traffico simile a quello impiegato per la caratterizzazione del flusso di un
fluido in un mezzo poroso. Se per il primo modello a ogni passo temporale
viene ricavata la densit di traffico su ogni tratto stradale, la soluzione ottenuta con questo secondo algoritmo invece un campo di densit di traffico
definito per ogni punto della mappa come media spaziale su opportuni volumi di riferimento. Esso pu quindi assumere valori positivi anche laddove il
flusso del traffico non sia consentito, a causa della mancanza di strade. Per
questo motivo, il modello differenziale non riesce a cogliere tutte le peculiarit delle dinamiche di traffico come nel caso del modello precedente, ma in
compenso risulta meno oneroso dal punto di vista computazionale e quindi
preferibile per la caratterizzazione del flusso di traffico veicolare nel caso di
pattern stradali di dimensione elevata.
Il terzo e ultimo modello utilizza una visione agli automi cellulari con approccio lagrangiano. Modelli di questo tipo, che incentrano lattenzione sul moto
delle singole particelle, sono molto diffusi in letteratura per la trattazione
del traffico in ununica strada, ma non vengono normalmente utilizzati per
generici pattern stradali; in questa tesi stata effettuata lestensione al caso bidimensionale di uno dei modelli presenti in letteratura. La creazione
di questo modello stata necessaria per la stima di determinate grandezze
che compaiono allinterno del modello differenziale, come la permeabilit e
la velocit di deriva. Queste grandezze non dipendono infatti esclusivamente
dalla geometria di una particolare rete stradale, ma risentono anche delle
dinamiche di moto delle particelle che la occupano. Per poterle calcolare si
rende quindi necessaria la creazione di un modello che descriva levoluzione
delle singole particelle allinterno del pattern stradale. In particolare, utilizzando metodi tipici dellanalisi dei processi stocastici simili a quelli impiegati in finanza stata implementata una strategia per il calcolo del tensore
di permeabilit, con risultati apprezzabili sia dal punto di vista qualitativo
che numerico.
Una peculiarit di questo lavoro di tesi riguarda lapplicazione di metodi
propri di campi di ricerca completamente differenti allo scopo di affrontare
e risolvere i problemi emersi nel corso dellanalisi. In particolare, sono stati
utilizzati metodi classici per lanalisi dei fenomeni di traffico, come il diagramma fondamentale, ma anche metodi di omogeneizzazione tipici della fluidodinamica, modelli percolativi propri della bioingegneria e algoritmi di stima
Conclusioni
113
stocastica presi dal campo della finanza. Questo fatto dovuto sostanzialmente a due motivi: il primo leterogeneit del gruppo di lavoro con cui
si collaborato per il concorso, che comprende personalit provenienti dai
campi dellarchitettura, dellurbanistica, della modellistica fluidodinamica,
della sociologia, dellingegneria dei trasporti e di quella ambientale. Il secondo risiede nel fatto che la ricerca nel campo della modellistica per problemi
di traffico veicolare nel caso bidimensionale ha compiuto i primi passi solo in
tempi recentissimi: sono infatti scarsi i metodi proposti e i risultati ottenuti
in questo campo.
Soprattutto per questultimo motivo, oltre che per aver avuto lesigenza di
ottenere risultati in tempi utili per la partecipazione al concorso, sono numerose le tematiche ancora aperte da cui prendere spunto per proseguire il
lavoro svolto.
Oltre a un approfondimento dellanalisi dei modelli matematici proposti in
questa tesi, una naturale estensione di questo lavoro prevede la sintesi tra i
modelli bidimensionali per la dinamica del traffico nella spugna e i metodi
usati per lanaloga descrizione nei tubi. A partire dai risultati presentati in
questa tesi, sarebbe interessante effettuare alcune simulazioni del traffico in
reti stradali complesse, accoppiando un modello bidimensionale per la spugna
differenziale o ad automi cellulari con approccio euleriano e un modello
monodimensionale per i tubi.
Ulteriori approfondimenti riguardano ad esempio il calcolo di due grandezze
caratteristiche dei modelli presentati, quali la velocit di drift nel modello
alla Darcy e la densit abitativa nel caso di automi cellulari con approccio
euleriano. Per quanto riguarda il calcolo della velocit di drift sarebbe necessario conoscere le traiettorie di diversi veicoli allinterno della mappa in
vari istanti della giornata; se fino a pochi anni fa era impossibile raccogliere
dati di questo tipo, grazie alle moderne tecnologie di navigazione satellitare
possibile ottenerne in grandi quantit. Quanto alla densit abitativa, nello
sviluppo del modello agli automi cellulari con approccio euleriano viene ipotizzato che lingresso/uscita dei veicoli dalla sede stradale avvenga in ogni
istante in maniera proporzionale alla superficie occupata dagli edifici presenti nelle varie parti della mappa. Non si tratta tuttavia di unassunzione
rigorosa, dal momento che non si tiene conto delleffettiva cubatura delle
abitazioni, ma solo della superficie che essi occupano. Per ovviare a questo
problema sarebbe necessario ricorrere a dati catastali o a un metodo di stima
basato sulla distribuzione spaziale del consumo energetico. In entrambi i casi
non stato possibile entrare in possesso dei dati necessari per inserire queste
modifiche nei modelli implementati.
114
Unulteriore via da percorrere in futuro, molto interessante dal punto di vista

sociologico, riguarda lapplicazione di metodi di inferenza statistica per analizzare il rapporto tra la morfologia del pattern stradale e alcuni indici di vivibilit di una particolare area. Nei modelli trattati vengono infatti assegnate
a una determinata geometria stradale alcune grandezze, di natura scalare
come la porosit o tensoriale nel caso della permeabilit necessarie alla
caratterizzazione stessa della morfologia del pattern. Risulterebbe di grande
interesse, anche dal punto di vista urbanistico, comprendere la dipendenza
tra determinati valori di porosit o permeabilit e la vivibilit della rispettiva
zona.
Da ultimo, risulta fondamentale per il miglioramento di questo lavoro la progettazione di metodi pi efficienti per la creazione delle strutture dati Matlab
degli incroci e delle strade necessarie per gli algoritmi presentati. Questo
obiettivo pu essere raggiunto mediante un miglioramento dellalgoritmo di
lettura delle mappe stradali oppure importando i dati necessari direttamente
dai database GIS senza convertirli in immagini.
Come ribadito pi volte, non ancora stato trovato un modello matematico in grado di cogliere ogni aspetto delle dinamiche di traffico veicolare,
sebbene i problemi legati alla loro gestione stiano assumendo unimportanza
sempre pi rilevante.
Occorre sottolineare, in conclusione, come lo studio delle dinamiche di traffico veicolare risulti ad oggi un campo ancora aperto, ricco di importanti
problematiche e di notevoli criticit: questo fatto insieme alla sua importanza dal punto di vista sociale lo rende un interessante ambito di ricerca
in matematica applicata e in ingegneria.
Appendice A
Codice
A.1
Lettura della mappa
Di seguito vengono proposti i due algoritmi di lettura della mappa presentati

nel Capitolo 4. Come ingresso di entrambi gli algoritmi c luscita di un
applet di Matlab, angioquant, utile alla scheletrizzazione di una mappa e
allidentificazione degli incroci presenti. Nonostante le numerose modifiche
fatte al codice degli algoritmi che conteneva, non stato possibile giungere ad
una versione definitiva perfettamente funzionante. Lapplet nella sua versione
originaria scaricabile dal centro di scambio file di Matlab allindirizzo
http://www.mathworks.com/matlabcentral/fileexchange/7016.
A.1.1
Approccio euleriano
file: LetturamappaNode.m
Lo script crea le variabili Street e Intersection, ovvero le variabili contententi tutte le
informazioni sulle strade e sugli incroci presenti nella mappa. Essendo per lapproccio
euleriano non si preoccupa di dare un verso di lettura alle strade a priori, ma lo assegna
a posteriori, unendo i vari nodi. Le coordinate delle strade non sono quindi ordinate.
Riceve in ingresso:
la mappa scheletrizzata thin
la mappa degli incroci junc
la mappa delle case houses
bigjunc=applylut(junc,makelut(sum(x(:))>0,3));
[map,num_node]=bwlabel(thin .* ~bigjunc,8);
Street=struct(length,num2cell(zeros(2*num_node,1)),houses,0,
neighbor,[],ascissa,[],ordinata,[]);
115
116
A.1. Lettura della mappa
contatore=1; for i=1:num_node

% sistemiamo le caratteristiche dellandata
Street(contatore).length=lunghezza(map==i);
Street(contatore).houses=howmanyhouses(map==i,houses);
Street(contatore).neighbor=[];
% Lo inizializzo a vuoto e vado poi a modificarlo
[Street(contatore).ascissa,Street(contatore).ordinata]=find(map==i);
contatore=contatore+1;
% sistemiamo le caratteristiche del ritorno
Street(contatore).length=Street(contatore-1).length;
Street(contatore).houses=Street(contatore-1).houses;
Street(contatore).ascissa=Street(contatore-1).ascissa;
Street(contatore).ordinata=Street(contatore-1).ordinata;
end clear contatore
[X,Y]=find(junc);
% trovo le coordinate delle intersezioni delle strade
[MX,MY]=size(map);
coordinate=logical((X<MX-2) .* (X>3));
% elimino gli incroci a meno di 2 pixel dal bordo
X=X(coordinate); Y=Y(coordinate); coordinate=logical((Y<MY-2) .*
(Y>3)); X=X(coordinate); Y=Y(coordinate); num_junc=length(X);
Intersection=struct(Supernode,num2cell((1:num_junc)),X,num2cell(X),
Y,num2cell(Y),ingoing,[],outgoing,[]);
% A questo punto bisogna unire i nodi che sono vicini meno di tot pixel,
% poich vengono riconosciuti come nodi differenti, ma in realt sono lo
% stesso nodo.
% Supernode=[];
for i=2:num_junc
Distance_i=X(i-1)*ones(num_junc-i+1,1)-X(i:end);
which_i=find(abs(Distance_i)<tot);
% i nodi i-1 e wich_i+i-1 hanno ordinata vicina.
for j=which_i
if abs(Y(i-1)-Y(j+i-1))<tot
Intersection(j+i-1).Supernode=[Intersection(i-1).Supernode,
Intersection(j+i-1).Supernode];
Intersection(i-1).Supernode=[];
end
end
end
clear X Y coordinate
for i=1:num_junc
% guardo i valori vicino ad ogni nodo e inserisco i dati
Appendice A. Codice
117
if ~isempty(Intersection(i).Supernode)
% se il nodo allinterno di un supernodo non considerarlo
[A,R]=makeneighbor(Intersection(i).X,Intersection(i).Y,map);
for k=Intersection(i).Supernode(1:end-1)
[a,r]=makeneighbor(Intersection(k).X,Intersection(k).Y,map);
if ~isempty(a) && ~isempty(R)
% se c un elemnto di a o di r in A o in R, cancellalo
confRa=(ones(length(a),1)*R);
confaR=(ones(length(R),1)*a);
[elx,ely]=find(confRa==confaR);
a(ely)=[];
end
if ~isempty(r) && ~isempty(A)
confAr=(ones(length(r),1)*A);
confrA=(ones(length(A),1)*r);
[elx,ely]=find(confAr==confrA);
r(ely)=[];
end
% altrimenti mettilo in A o in R a seconda se di A o di R
A=unique([A,a]);
R=unique([R,r]);
end
clear a r
if isempty(A)||isempty(R)
continue
end
% controllo che i nodi in convenzione andata e ritorno non siano gi
% stati assegnati in un qualche altro incrocio, ovvero che non vi sia
% gi una convenzione presente sulla strada
contatore=0;
for conventioned=A
if ~isempty(Street(2*conventioned-1).neighbor)
R=[R,conventioned];
A(contatore)=[];
contatore=contatore-1;
end
end
contatore=0;
for conventioned=R
if ~isempty(Street(2*conventioned).neighbor)
A=[A,conventioned];
R(contatore)=[];
contatore=contatore-1;
end
end
118
clear contatore
% A questo punto assegno i collegamenti
Intersection(i).ingoing=[2*A-1;2*R];
Intersection(i).outgoing=[2*R-1;2*A];
for node=A
for wired=A
if wired~=node
Street(2*node-1).neighbor=[Street(2*node-1).neighbor; 2*wired];
end
end
for wired=R
Street(2*node-1).neighbor=[Street(2*node-1).neighbor;2*wired-1];
end
end
for node=R
for wired=A
Street(2*node).neighbor=[Street(2*node).neighbor;2*wired];
end
for wired=R
if wired~=node
Street(2*node).neighbor=[Street(2*node).neighbor;2*wired-1];
end
end
end
end
end
A.1.2
Approccio lagrangiano
file: Letturamappa.m
Lo script crea le variabili Street e Intersection, ovvero le variabili contententi tutte le
informazioni sulle strade e sugli incroci presenti nella mappa. Essendo per lapproccio lagrangiano le coordinate delle strade saranno ordinate, e ci si baser su questo ordinamento
per creare i collegamenti tra le diverse strade.
Riceve in ingresso:
la mappa scheletrizzata thin
la mappa degli incroci junc
la mappa delle case houses
% Estrazione dei nodi e creazione del grafo
bigjunc=applylut(junc,makelut(sum(x(:))>0,3));
[map,num_node]=bwlabel(thin .* ~bigjunc,8);
% La variabile map una matrice di label diverso per ogni nodo
% La variabile num_node ci dice appunto quanti nodi sono
Appendice A. Codice
119
% elimino le strade troppo corte, che in realt connettono due nodi che
% rappresentano uno stesso incrocio
tot=6; for i=1:num_node
if lunghezza(map==i)<tot
map(map==i)=0;
else
map(map==i)=1;
end
end
% Lalgoritmo si basa su due strutture, la struttura delle strade S e
% quella dei nodi N.
[map,num_node]=bwlabel(map .* ~bigjunc,8);
% Creo il vettore dei miei nodi
Street=struct(length,num2cell(zeros(2*num_node,1)),houses,0,
neighbor,[],ascissa,[],ordinata,[]);
contatore=1; for i=1:num_node
% sistemiamo le caratteristiche del primo senso di marcia
Street(contatore).length=lunghezza(map==i);
Street(contatore).houses=howmanyhouses(map==i,houses);
% Lo inizializzo a vuoto e vado poi a modificarlo
[X,Y]=find(map==i);
LX=length(X);
ordine=(1:LX);
% Ma lordine sar proprio questo? dobbiamo controllare...
[Y2,X2]=find(map==i);
if sum(Y~=Y2(end:-1:1))+sum(Y~=Y2)>LX+1
% Se cambiando il verso in cui si legge la mappa cambia
% lordinamento, allora lordinamento sbagliato: dobbiamo
% ordinarle!
confrX=X*ones(1,LX)-ones(LX,1)*X+10*eye(LX);
confrY=Y*ones(1,LX)-ones(LX,1)*Y+10*eye(LX);
confr1X=(abs(confrX)==1); confr0X=(confrX==0);
confr1Y=(abs(confrY)==1); confr0Y=(confrY==0);
confr=confr1X.*confr0Y+confr1Y.*confr0X+confr1X.*confr1Y;
% A questo punto ho la matrice di tutte le celle adiacenti. In
% particolare confr(i,j)>1 significa che le celle i e j sono
% adiacenti (distanza <sqrt(2))
% In confr saranno presenti un elemento con una riga con tutti zeri
% o una colonna con tutti zeri. Questi saranno il primo e lultimo
% elemento della mia strada
emho=find(sum(confr)==1);
try
ordine(1)=emho(1);
catch % Elimino le strade cicliche!
120
if isempty(emho)
warning(Strada ciclica eliminata)
map(map==i)=0;
continue
else
error(Intersezione di strade non presente in junc)
end
end
for ordinatore=2:LX
dovesono=ordine(ordinatore-1);
emho=find(confr(dovesono,:));
confr(dovesono,emho)=0; confr(emho,dovesono)=0;
ordine(ordinatore)=emho(1);
end
end
Street(contatore).ascissa=X(ordine);
Street(contatore).ordinata=Y(ordine);
% sistemiamo le caratteristiche dellaltro senso di marcia
Street(contatore).length=Street(contatore-1).length;
Street(contatore).houses=Street(contatore-1).houses;
Street(contatore).ascissa=Street(contatore-1).ascissa(end:-1:1);
Street(contatore).ordinata=Street(contatore-1).ordinata(end:-1:1);
end
clear contatore clear X Y X2 Y2 ordine confrX confrY confr LX
[X,Y]=find(junc);
% trovo le coordinate delle intersezioni delle strade
[MX,MY]=size(map);
coordinate=logical((X<MX-2) .* (X>3));
% elimino gli incroci a meno di 2 pixel dal bordo
X=X(coordinate); Y=Y(coordinate); coordinate=logical((Y<MY-2) .*
(Y>3)); X=X(coordinate); Y=Y(coordinate); num_junc=length(X);
Intersection=struct(Supernode,num2cell((1:num_junc)),X,num2cell(X),
Y,num2cell(Y),ingoing,[],outgoing,[]);
% A questo punto bisogna unire i nodi che sono vicini meno di tot pixel,
% poich vengono riconosciuti come nodi differenti, ma in realt sono lo
% stesso nodo.
% Supernode=[];
for i=2:num_junc
Distance_i=X(i-1)*ones(num_junc-i+1,1)-X(i:end);
which_i=find(abs(Distance_i)<(tot+4));
% i nodi i-1 e wich_i+i-1 hanno ordinata vicina.
% erano collegati da una strada di lunghezza minore di tot
Appendice A. Codice
121
for j=which_i
if abs(Y(i-1)-Y(j+i-1))<(tot+4)
Intersection(j+i-1).Supernode=[Intersection(i-1).Supernode,
Intersection(j+i-1).Supernode];
Intersection(i-1).Supernode=[];
end
end
end
clear X Y coordinate
for i=1:num_junc
NEIGHBOR=[];
% guardo i valori vicino ad ogni nodo e inserisco i dati
for k=Intersection(i).Supernode % Guardo solo i supernodi
neighbor=makeneighbor(Intersection(k).X,Intersection(k).Y,map);
NEIGHBOR=[neighbor,NEIGHBOR];
clear neighbor
end
NEIGHBOR=unique(NEIGHBOR);
if isempty(NEIGHBOR) % In questo caso era un supernodo
continue
end
% Controllo delle strade quali sono convenzionate entranti
% e quali uscenti dallincrocio
for node=NEIGHBOR
if sum(abs([Street(2*node-1).ascissa(1),Street(2*node-1).ordinata(1)]
-[Intersection(k).X,Intersection(k).Y]))<2*tot
Intersection(i).outgoing=[Intersection(i).outgoing,2*node-1];
Intersection(i).ingoing=[Intersection(i).ingoing,2*node];
else
Intersection(i).outgoing=[Intersection(i).outgoing,2*node];
Intersection(i).ingoing=[Intersection(i).ingoing,2*node-1];
end
end
% A questo punto assegno i collegamenti
for node=Intersection(i).ingoing
% Tolgo la possibilit di tornare sulla strada da cui provengo
outgoing=Intersection(i).outgoing;
if mod(node,2)
outgoing=outgoing(outgoing~=(node+1));
else
outgoing=outgoing(outgoing~=(node-1));
end
% e metto tutte le altre come strade possibili
Street(node).neighbor=outgoing;
end
end
122
A.1.3
A.2. Modelli di traffico monodimensionali
Funzioni chiamate dagli algoritmi
Calcolo della lunghezza di un tratto stradale

file: lunghezza.m
La funzione calcola la lunghezza y di un tratto stradale scheletrizzato x.
function y=lunghezza(x)
[temp,N] = bwlabel(x,4);
Ndiag = N-1;
y = sum(x(:))+(sqrt(2)-1)*Ndiag-1;
end
Calcolo del numero di case che si affacciano su un tratto stradale

file: howmanyhouses.m
La funzione calcola il numero N di case sulla mappa houses distanti n pixel dalla strada
contenuta nella mappa map.
function N=howmanyhouses(map,houses,varargin)
if nargin==2
n=3;
elseif nargin==3
n=varargin(:);
else
error(Wrong number of input argoument.)
end
growerlut=makelut(sum(x(:))>0,3);
bigstreet=applylut(map,growerlut);
for i=1:n-1
bigstreet=applylut(bigstreet,growerlut);
end
dummy=bigstreet.*houses;
N=sum(dummy(:));
end
A.2
A.2.1
Modelli di traffico monodimensionali

Modello Wolfram184
file: wolfram184.m
Lo script crea le prime nit iterazioni del modello Wolfram184 su una strada ciclica di
lunghezza L occupata da N veicoli.
Appendice A. Codice
123
function X=wolfram184(L,N,nit)
% Inizializzazione delle variabili
X=zeros(nit,L); % spazio di stato in cui memorizziamo tutte le iterazioni
x=zeros(1,L);
% vettore per ogni interazione
init=randperm(L);
x(init(1:N))=1;
% e sua inizializzazione
% Modello di Wolfram
for i=1:nit
X(i,:)=x;
x=[x(L),x(1:L-1)];
end
end
A.2.2
Modello di Wolfram con blocking
file: wolframB.m
Lo script crea le prime nit iterazioni del modello di Wolfram con blocking su una strada
ciclica di lunghezza L occupata da N veicoli.
function X=wolfram184(L,N,nit)
% Inizializzazione delle variabili
X=zeros(nit,L); % spazio di stato in cui memorizziamo tutte le iterazioni
x=zeros(1,L);
% vettore per ogni interazione
init=randperm(L);
x(init(1:N))=1;
% e sua inizializzazione
% Modello di Wolfram con blocking
for i=1:nit
X(i,:)=x;
x=[x(L),x(1:L-1)].*(1-x)+[x(2:L),x(1)].*x;
end
end
A.2.3
Modello di Nagel
file: fnagel.m
La funzione crea le prime nit iterazioni del modello di Nagel su una strada ciclica di
lunghezza L occupata da N veicoli che possono raggiungere la velocit massima vmax pixel
a iterazione.
function [X,V,G]=fnagel(L,N,vmax,nit)
X=zeros(N,nit);
V=zeros(N,nit);
G=zeros(N,nit);
124
A.3. Modelli di traffico bidimensionali
% Inizializzazione dello stato al tempo zero

x=randperm(L);
x=x(1:N)-ones(N,1);
v=floor(6*rand(N,1));
i=1;
while i<nit+1
[sortx,ordinex]=sort(x);
g=mod([sortx(2:N);sortx(1)]-sortx,L)-1;
g(ordinex)=g;
X(:,i)=x;
V(:,i)=v;
G(:,i)=g;
v=v+((v<vmax).*(g>v));
v=v+((g-v).*(v>g));
x=mod(x+v,L);
i=i+1;
end
end
A.3
A.3.1
Modelli di traffico bidimensionali

Automi cellulari con approccio euleriano
file: automata.m
Lo script esegue alcune iterazioni del modello presentato nella Sezione 3.1.2. In uscita crea
un filmato.
%
%
%
%
La matrice M mi dice la probabilit che, essendo allistante t in una

strada i (nel nodo i) io passi, in un passo temporale in unaltra strada j.
Il vettore InputOutput mi dice invece quali sono gli stati che confinano
con il bordo della cartina o i vicoli ciechi.
MATRICE=zeros(2*num_node); InputOutput=[]; for ii=1:2*num_node

numneighbor=length(Street(ii).neighbor);
if numneighbor==0
InputOutput=[InputOutput, ii];
else
for jj=Street(ii).neighbor
MATRICE(ii,jj)=1/numneighbor;
end
end
end
% Ora bisogna decidere cosa far fare alle macchine che arrivato in un nodo
% appartente a InputOutput. Per ora svaniscono nel nulla. Siccome le
% macchine che escono dal sistema sono, a buon ragione, confrontabili
Appendice A. Codice
125
% con quelle che entrano nel sistema, facciamo che tutte le macchine che
% arrivano ad uno di questi nodi fanno inversione a U.
for ii=InputOutput
if ~mod(ii,2)
MATRICE(ii,ii-1)=1;
else
MATRICE(ii,ii+1)=1;
end
end
% A questo punto dobbiamo decidere quanto una macchina, entrata nello stato
% i, vi rimane. Le righe quindi della mia matrice M verranno divise per il
% tempo di assorbimento dello stato i. Il tempo di assorbimento dipende
% dalla lunghezza della strada, e dal numero di macchine contenuto in ogni
% arco. Dobbiamo quindi disegnare i capacity-flow di ogni arco.
Lunghezzearchi=zeros(2*num_node,1); for i=1:2*num_node
Lunghezzearchi(i)=Street(i).length;
end Absorbiment=zeros(2*num_node,1); for i=1:2*num_node
Absorbiment(i)=Street(i).houses;
end
%
% Anzitutto dobbiamo decidere quanto vale un passo temporale del nostro
% algoritmo
passotemporale=20; %secondi
mappacolori=colormap(jet);
% Velocit massima raggiungibile su un arco stradale
vmax0=70/3.6*passotemporale/scale;
% velocit in metri al secondo adimensionalizzata
l_vmax0=200/scale;
% lunghezza di riferimento adimensionalizzata
d_vmax0=(100/scale)/l_vmax0;
% dinsit di riferimento adimensionalizzata
vmax=vmax0./(1+(Absorbiment./Lunghezzearchi)/d_vmax0).*
(1-exp(-.3*Lunghezzearchi/l_vmax0));
% velocit istantanea funzione di vmax e della densit di macchine
% ipotizzo la velocit minima (quella di ingorgo) pari a 5km/h
velocitaistantanea=inline(vmax.*(1-numauto./(Lunghezzearchi/
(6/scale)))+5/3.6*passotemporale/scale,numauto,vmax,
Lunghezzearchi,scale,passotemporale);
%
%
%
%
%
%
Infine dobbiamo modellizzare ingressi e uscite. Questo il parametro

forzante, quindi non sar costante ma varier a seconda delle ore del
giorno. Anche qui abbastanza logico che tante macchine entrano in
casa alle 7 di sera tante ne escono alle 7 di mattina.
Per capirsi, ingresso dipende dalle case (utilizziamo ad esempio
Absorbiment), mentre u potrebbe benissimo essere semplicemente un
126
% seno del tutto casuale, oppure un vettore che da ad alcune parti

% della mappa emissione e ad altre assorbimento
ingresso=ceil(Absorbiment);
%u=inline(5*cos(2*pi/1000*t)/1000,t);
u=inline(0,t);
% Bene, siamo arrivati alla fine, ora lalgoritmo deve fare
% x(t+1)=MaTransizione(x(t))*x(t)+ingresso*u;
% con MaTransizione=M*tassorbimento
% e tassorbimento=lunghezza/velocitaistantanea(x)
T=100000/passotemporale/10; x=zeros(2*num_node,T);
x(:,1)=ceil(10*rand(2*num_node,1)); x(1:50,1)=100; figure(3)
%subplot(4,4,[1,2,3,5,6,7,9,10,11,13,14,15])
spy(thin,5) hold on for spione=1:2*num_node
colore=mappacolori(min(ceil(1+x(spione,1)/Lunghezzearchi(spione)*64),64),:);
plot(Street(spione).ordinata,Street(spione).ascissa,.,Color,colore);
end hold off
%pause(.01)
for ii=1:T
tassorbimento=Lunghezzearchi./velocitaistantanea(x(:,ii),vmax,
Lunghezzearchi,scale,passotemporale);
MaTransizione=MATRICE./(tassorbimento*ones(1,2*num_node));
MaTransizione=MaTransizione+diag(1-1./tassorbimento);
x(:,ii+1)=MaTransizione*x(:,ii)+ingresso*u(ii);
spy(thin,5)
hold on
spy(houses,r)
for iii=1:num_node
if x(2*iii)>x(2*iii-1)
spione=2*iii;
else
spione=2*iii-1;
end
colore=mappacolori(min(ceil(1+x(spione,ii)/
Lunghezzearchi(spione)*64),64),:);
line(Street(spione).ordinata,Street(spione).ascissa,
marker,.,Color,colore);
end
M(ii)=getframe;
hold off
end
A.3.2
Automi cellulari con approccio lagrangiano
file: nagel2D.m
Appendice A. Codice
127
Lo script esegue alcune iterazioni del modello di Nagel bidimensionale. Nel workspace
devono essere gi presenti le variabili Intersection e Street create con gli algoritmi di
lettura della mappa.
% Creazione e inizializzazione dello spazio di stato di una singola cella.
WHERE=zeros(ncar,nit); % In che strada o incrocio ogni veicolo
TOEND=zeros(ncar,nit); % Lascissa curvilinea su ogni strada dei veicoli
%
rispetto alla fine della strada
V=zeros(ncar,nit);
% La velocit di ogni veicolo
GAP=zeros(ncar,nit);
% La distanza di ogni veicolo dal precedente
DIRECTIONS=rand(ncar,nit);
% La direzione che, giunto allincrocio, il veicolo prende
% e lo inizializziamo
where=ceil((2*num_node)*rand(ncar,1));
% Inizializzo lo spazio con nessuno negli incroci
toend=ceil(cell2mat({Street(where).length}).*(rand(ncar,1)));
% Le macchine sono messe a caso
% Qui bisogna mettere un controllo che non ci siano due macchine nella
% stessa cella, se no lalgoritmo fa la cacca!!
v=floor((vmax+1)*rand(ncar,1)); gap=zeros(ncar,1);
% passiamo ora allalgoritmo
iterazioni=1;
while iterazioni<nit+1
% Per il calcolo del gap dobbiamo vedere le distanze in ogni strada. nel
% caso della prima macchina mettiamo come gap 999 perch lei, fino
% allincrocio, ha la strada libera.
for jj=1:2*num_node
ind=find(where==jj);
val=toend(ind);
[sortval,indval]=sort(val);
gapval=sortval(2:end)-sortval(1:end-1)-1;
gap(ind(indval))=[999;gapval];
end
% Mettiamo in memoria literazione
WHERE(:,iterazioni)=where;
TOEND(:,iterazioni)=toend;
V(:,iterazioni)=v;
GAP(:,iterazioni)=gap;
v=v+((v<vmax).*(gap>v)); % Se la strada libera accellero di uno
v=v+((gap-v).*(v>=gap)); % Altrimenti rallento
v=v+((toend-v).*(toend<v));
% Allincrocio rallento
% Sposto quelli che non sono arrivati alla fine della strada
toend=toend-v;
% A questo punto processo quelli che sono arrivati allincrocio
CHIGIRA=find(toend==0);
v(CHIGIRA)=1; % La velocit dopo un incrocio la minima
for chigira=CHIGIRA
doveva=Street(where(chigira)).neighbor;
128
where(chigira)=doveva(ceil(length(doveva)*DIRECTIONS(chigira,iterazioni)));
toend(chigira)=length(Street(where(chigira)).ascissa)-1;
end
iterazioni=iterazioni+1;
end
A.3.3
Modello alla Darcy
file: Darcy.edp
Lo script FreeFem++ permette di risolvere il problema di diffusione (3.4) presentato nella
Sezione 3.2 con un approccio basato su un usuale schema di Galerkin a elementi finiti,
sfruttando le differenze finite per lavanzamento in tempo. Allinterno dello script occorre
definire la matrice di permeabilit D e il vettore corrispondente alla soluzione iniziale
uhold.
mesh Th=square(40,40, [3*x, 3*y]); \\ Definizione della mesh
fespace Vh(Th,P1); \\ Spazio FEM per le incognite
fespace Xh(Th,P0); \\ Spazio FEM per i dati:
\\ i dati sono costanti a tratti
\\ Dichiarazione di variabili e dati
Vh uh, uhold, vh;
Xh Dxx, Dxy, Dyx, Dyy;
\\ Inizializzazione dei dati
Dxx = 0.0 * (x>0)*(x<5)*(y>0)*(y<5) + 1.0;
Dxy = 0;
Dyx = 0;
Dyy = Dxx;
uhold = 2.0 * (x>0)*(x<0.3); \\ Soluzione iniziale
real dt = 0.3;
\\ Passo discretizzazione temporale
real[int] colorhsv=[ // tabella dei colori per la stampa
4/6, 1 , 0.5,
4/6, 1 , 1.0,
3/6, 1 , 1.0,
2/6, 1 , 1.0,
1/6, 1 , 1.0,
0/6, 1 , 1.0,
0/6, 1 , 0.5,
0/6, 1 , 0.2];
\\ Definizione del problema differenziale in forma debole
\\ Solutore di tipo GMRES con tolleranza inferiore a 10^-5
problem laplace(uh,vh,solver=GMRES,tgv=1e5) =
int2d(Th)( uh*vh + dt*Dxx*dx(uh)*dx(vh) + dt*Dxy*dy(uh)*dx(vh)
+ dt*Dyx*dx(uh)*dy(vh) + dt*Dyy*dy(uh)*dy(vh) )
- int2d(Th)( uhold*vh );
Appendice A. Codice
129
real[int] visualizzatore=[0.,1.,2.,3.,4.,5.,6.,7.,8.,9.,10.,12.,14.,16.,
18.,20.,22.,24.,26.,35.];
visualizzatore=0.06*visualizzatore;
\\ Stampa della soluzione iniziale
plot(uhold,value=false,fill=true,wait=false,aspectratio=true,
viso=visualizzatore,hsv=colorhsv,ps="manhattanDarcyInit.eps");
\\ Calcolo del transitorio e stampa delle soluzioni
for (int i=0; i<100; ++i) {
laplace; // solve the problem plot(uh); // to see the result
if(i%5==0){
plot(uh,value=false,fill=true,wait=false,aspectratio=true,
viso=visualizzatore,hsv=colorhsv,ps="manhattanDarcy"+i+".eps");}
uhold = uh;
}
A.4
Stima della permeabilit
file: brownian1.edp
Lo script Matlab effettua una stima della porosit D su una mappa utilizzando il metodo
presentato nella Sezione 3.3.2 Riceve in ingresso la struttura delle strade Street ricavata
con lalgoritmo Letturamappa.m presentato nella Sezione A.1.
% Principio di riflessione
for i=1:num_node
if isempty(Street(2*i-1).neighbor)
Street(2*i-1).neighbor=2*i;
elseif isempty(Street(2*i).neighbor)
Street(2*i).neighbor=2*i-1;
end
end
% Lo script simula il moto casuale di NCAR particelle su un determinato
% pattern
% Consideriamo di avere gi la mappa, ovvero che siano state create le
% variabili map, Intersection e Street
NCAR=200; % numero di moti browniani da simulare
nit=400; % tempo finale a cui interrompere la simulazione
vmax=5;
% velocit massima del modello di Nagel
WHERE=zeros(NCAR,nit); % In che strada o incrocio il veicolo
TOEND=zeros(NCAR,nit); % Lascissa curvilinea su ogni strada dei
%
veicoli rispetto alla fine della strada
V=zeros(NCAR,nit);
% La velocit di ogni veicolo
DIRECTIONS=rand(NCAR,nit);
130
A.4. Stima della permeabilit
% La direzione che, se nellincrocio, la macchina prende

% e lo inizializziamo
lunghezzestrade=cell2mat({Street(:).length});
cumlunghezzestrade=cumsum(lunghezzestrade);
where=cumlunghezzestrade(end)*rand(NCAR,1);
wheretilde=where*ones(1,2*num_node);
cumlunghezzestrade=ones(NCAR,1)*cumlunghezzestrade;
where=sum(wheretilde>cumlunghezzestrade,2)+1;
toend=ceil(cell2mat({Street(where).length}).*(rand(NCAR,1)));
% Le macchine sono messe a caso allinterno della mappa
v=floor((vmax+1)*rand(NCAR,1));
% passiamo ora allalgoritmo
iterazioni=1;
while iterazioni<nit+1
% Mettiamo in memoria literazione
WHERE(:,iterazioni)=where;
TOEND(:,iterazioni)=toend;
V(:,iterazioni)=v;
v=v+((v<vmax)); % Se la strada libera accellero di uno
v=v+((toend-v).*(toend<v));
% Allincrocio rallento
% Sposto quelli che non sono arrivati alla fine della strada
toend=toend-v;
% A questo punto processo quelli che sono arrivati allincrocio
CHIGIRA=find(toend<=0);
v(CHIGIRA)=1; % La velocit dopo un incrocio la minima
for chigira=CHIGIRA
doveva=Street(where(chigira)).neighbor;
where(chigira)=doveva(ceil(length(doveva)*DIRECTIONS(chigira,iterazioni)));
toend(chigira)=length(Street(where(chigira)).ascissa)-1;
end
iterazioni=iterazioni+1;
end
% Andiamo ora a stimare la matrice di correlazione
CarPosition=zeros(nit,2,NCAR); for iterazioni=1:nit
for Veicolo=1:NCAR
lastrada=WHERE(Veicolo,iterazioni);
lunghezzastrada=length(Street(lastrada).ascissa);
dovesono=max(1,lunghezzastrada-TOEND(Veicolo,iterazioni)+1);
CarPosition(iterazioni,1,Veicolo)=Street(lastrada).ascissa(dovesono);
CarPosition(iterazioni,2,Veicolo)=Street(lastrada).ordinata(dovesono);
end
end
variations=CarPosition(2:end,:,:)-CarPosition(1:end-1,:,:);
variances=zeros(2,2,NCAR); for pervar=1:NCAR
variances(:,:,pervar)=cov(variations(:,:,pervar)); end
D=mean(variances,3)
Bibliografia
[BML94] P. J. Basser, J. Mattiello, D. LeBihan: MR Diffusion Tensor
Spectroscopy and Imaging
Biophysical Journal, 66(1994)
[BM+05] P. G. Batchelor, M. Moakher, D. Atkinson, F. Calamante, and A.
Connelly: A Rigorous Framework for Diffusion Tensor Calculus
Magnetic Resonance in Medicine 53 (2005)
[B06] G. Beni: From Swarm Intelligence to Swarm Robotics
Dept. of Electrical Engineering, University of California, USA (2006)
[BDS00] S. Benjaafar, K. Dooley, W. Setyawan: Cellular Automata for
Traffic Flow Modeling
Dept. of Mechanical Engineering, University of Mennesota, Minneapolis
(2000)
[B08] C. Blanc: Lancio del progetto Grand Paris
Discorso pubblico (13-05-2008)
[BBE96] V. Blue, F. Bonetto, M. Embrechts: A Cellular Automata of
Vehicular Self Organization and Nonlinear Speed Transitions
Transportation Research Board Annual Meeting, Washington DC (1996)
[BS96] A.N. Borodin, P. Salminen: Handbook of Brownian Motion Facts and Formulae
Birkhnauser Verlag (1996)
[BB92] L. Brieger and E. Bonomi: A Stochastic Lattice Gas for Burgers Equation: A Practical Study
Journal of Statistical Physics, Vol. 69 (1992)
[CS+07] Centro Studi sui Sistemi di Trasporto
Sistemi di trasporto, N. 97 (2007)
131
132
Bibliografia
[C00] C. Cercignani: Rarified Gas Dynamics

Cambridge Texts in Applied Mathematics (2000)
[CQL95] B. Chopard, P.A. Queloz, P.Luthi: Traffic models of a 2d road
network
Proceedings of 3rd European Connection Machine Users Meeting (1995)
[DML06] L. DAcierno, B. Montella, F. De Lucia : A Sthocastic Traffic
Assignment Algorithm Based on Ant Colony Optimization
Dept. of Transportation Engineering Federico II University, Naples, Italy
(2006)
[D08] P. Dallier: Le Grand Paris, un vrai project pour un enfer capital
Rapporto 262, Observatoire de la decentralization (08-04-2008)
[D08] C. DAngelo: Mathematical models and Urban Design
Rapporto interno (to be submitted) (2008)
[DFT07] Department for Transport, UK: Manual for Streets
Thomas Telford Publishing (2007)
[D06] M. Dorigo, L.M. Gambardella, M. Birattari, A. Martinoli, R. Poli, T.
Sttzle: Ant Colony Optimization and Swarm Intelligence
Springer-Verlag, Berlin Heidelberg (2006)
[F08] L. Fabian: Water and asphalt: the project of isostropy
Rapporto conclusivo allinterno del Programma di ricerca: Infrastrutture
per la mobilit e costruzione del territorio metropolitano: linee guida per
il progetto integrato(2008)
[F97] J. Favier: Paris - Deux mille ans dhistoire
Fayard(1997)
[G59] H. Greenberg: An Analysis of Traffic Flow
Operation Research 7, No. 1, pp. 79-85 (1959)
[G35] B. D. Greenshields: A study of traffic capacity
Proceedings of the Highway Research Board, Washington, D.C., Vol. 14,
pp. 468 e seguenti (1935)
[GP06] M. Garavello, B. Piccoli: Traffic Flow on Networks - Conservation Laws Models
AIMS Series on Applied Mathematics, Vol.1 (2006)
Bibliografia
133
[GITA] Ministero dellambiente e tutela del territorio: Decreto ministeriale 2 aprile 2002, n. 60
Gazzetta Ufficiale N. 87 del 13 Aprile 2002
[H63] F. A. Haight: Mathematical theories of traffic flow
New York; London: Academic press (1963)
[H00] G.E. Haussmann: Mmoires du Baron Haussmann
Seuil, Paris (2000)
[H01] D. Helbing: Traffic and related self-driven many-particle systems
Reviews of modern physics, Vol. 73 (2001)
[HS99] D. Helbing, M. Schreckenberg: Cellular Automata Simulating
Experimental Properties of Traffic FlowPhysic Journal, pp. 793
ss.(1999)
[HS80] T. Hida, T. P. Speed: Brownian motion
New York, Springer (1980)
[JS+06] A. John, A. Schadschneider, D. Chowdhury, K. Nishinari: Traffic
Pattern and Flow Characteristics in an Ant Trail Model
Institut fr Theoretische Physik, Kln, Germany (2006)
[LLW92] L. Lam, S. Lee, C.Y. Wuen: Thinning Methodologies - A
Comprehensive Survey
IRRR TPAMI, vol. 14, no. 9, pp. 869-885 (1992)
[LW55] M.J. Lighthill, G.B. Whitham: On kinematic waves. II. A theory of traffic flow on long crowded roads
Proceedings of the Royal Society of London, A229(1178), 317-345 (1955)
[M07] P. Miller: Swarm Theory
National Geographic Magazine, July 2007
[MD03] N. Moussa, A.K. Daoudia: Numerical study of two classes of
cellular automaton models for traffic flow on two-lane roadway
Eur. Phys. J. B 31, 413-420 (2003)
[MK99] R. Mahnke, J. Kaupus: Stochastic theory of freeway traffic
Physic Review E 59, 117-125 (1999)
134
Bibliografia
[MP97] R. Mahnke, N. Pieret: Stochastic master-equation approach to

aggregation in freeway traffic
Physic Review E 56, 2666-2671 (1997)
[N96] K. Nagel: Particle Hopping Models and Traffic Flow Theory
Physical Review E, Vol. 3 (1996)
[NBR96] K. Nagel, C. Barrett, M. Rickert: Parallel Traffic MicroSimulation by Cellular Automata
Transportation Research C (1996)
[NS92] K. Nagel, M. Schreckenberg: A celuular Automaton Model for
Freeway Traffic
Journal de Physique, Vol. 2 (1992)
[OB06] D. Oliviera, A. Bazzan: Traffic Lights Control with Adaptive
Group Formation Based on Swarm Intelligence
Instituto de Informatica, Univ. Federal do Rio Grande do Sul, Porto
Alegre, Brazil (2006)
[PZ00] M. Pallotta, R. Zenti: Risk Analysis for asset manager: historical simulation, the bootstrap approach and value at risk
calculation. Social Science Research Network (2000)
[P08] Consiglio regionale dellIle-De-France; Scenari di Domani per la
Metropoli di Parigi Ile-De-France
Rapporto della commissione presidiata da Jean-Paul Plauchov (31-032008)
[Q08] A. Quarteroni: Modellistica Numerica per Problemi Differenziali
Springer-Verlag Italia, Milano (2008)
[RN+95] M. Rickert, K. Nagel, M. Schreckenberg, A Latour: Two Lane
Traffic Simulation using Cellular Automata
Physica A (1995)
[R06] M. Roth: A Framework and model for Soft Routing: The
Markovian Termite and Other Curious Creatures
Deutsche Telekom Laboratories, Berlin, Germany (2006)
[R02] Autori vari: Parigi - Guida Routrard
Touring Editore (2002)
Bibliografia
135
[ST05] E. Salinelli, F. Tomarelli: Modelli Dinamici Discreti

Springer Velag (2008)
[S04] S. Salsa Equazioni a Derivate Parziali
Springer Verlaq (2004)
[S08] N. Sarkozy: Lettera a Christian Blanc per la creazione di una segreteria
di stato per lo sviluppo della Regione Capitale (07-05-1008)
[SS93] A. Schadschneider, M. Schreckenberg: Cellular Automaton Models and Traffic Flows
Journal of Physics A (1993)
[SV08] B. Secchi, P. Vigan: PRIN-COFIN 2006.
Rapporto intermedio del del Programma di ricerca: Infrastrutture per
la mobilit e costruzione del territorio metropolitano: linee guida per il
progetto integrato (2008)
[S96] N. Shephard: Statistical aspects of ARCH and stochastic
volatility.
Time Series Models in Econometrics, Finance and Other Fields (1996)
[SW07] T. Sun, J. Wang: A traffic cellular automata model based
on road network grids and its spatial and temporal resolutions
influences on simulation
Simulation Modelling Pratice and Theory 15 pp. 864-878 (2007)
[T05] S.J. Taylor: Asset Price Dynamics, Volatility, and Prediction.
Princeton University Press(2005)
[VS94] L. Villar, A. de Souza: Cellular Automata Models for General
Traffic Conditions on a Line
Physica A, Vol. 211 (1994)
[W86] S. Wolfram: Theory and Applications of Cellular Automata
World Scientific, New York (1986)
[YKT94] S. Yukawa, M. Kikuchi, S. Tadaki: Dynamical Phase Transition in One Dimensional Traffic Flow Model with Blockage
J. Phys. Soc. Jpn. 63, pp. 3609-3618(1994)

Della Rossa

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Della Rossa

Caricato da

Copyright:

Formati disponibili

POLITECNICO DI MILANO

Facolt di Ingegneria dei Sistemi

Tesi di Laurea Specialistica

Relatore: Prof. Franco Tomarelli

Anno Accademico 2007-2008

Entia non sunt multiplicanda praeter necessitatem.

1 Presentazione del problema

2 Modelli di traffico monodimensionali

3 Modelli di traffico bidimensionali

Visione su scala macroscopica . . . . . . . . . . . . .

4 Lettura delle informazioni da una mappa

A.1.2 Approccio lagrangiano . . . . . . . . . . . . . . . . .

Elenco delle figure

Pm10 registrato a Milano nei mesi di Gennaio, Febbraio, Luglio

Elenco delle figure

2.5 Simulazioni del modello di Nagel. . . . . . . . . . . . . . . . .

Proposta di regola per trattare le intersezioni tra due diverse

Elenco delle figure

Simulazioni di traffico nella zona 5 della Figura 5.1 ottenute

Elenco delle figure

media e la sua variabilit, strettamente legate a flusso e densit di

Nel Capitolo 1 vengono presentate le motivazioni di questa tesi; nella prima

Il problema del traffico

La storia dellautomobile come mezzo di trasporto affermato e funzionante

1.1. Il problema del traffico

Capitolo 1. Presentazione del problema

Figura 1.1, ad esempio, sono riportate le quantit di pm10 1 e registrate

Dati tratti da http://www.chiamamilano.it/

1.2. Breve storia dello sviluppo urbanistico di Parigi

Breve storia dello sviluppo urbanistico di

La storia dellurbanizzazione parigina risulta pi travagliata della storia di

Capitolo 1. Presentazione del problema

100 a.C.: Linsediamento parigino viene fondato da una trib celtica.

1.2. Breve storia dello sviluppo urbanistico di Parigi

bisogner attendere Luigi XV per assistere alla prima apparizione delle

Capitolo 1. Presentazione del problema

XIX-XX sec.: Si avvia una riflessione sulla mobilit della metropoli

Tutti i dati presentati sono tratti da:

1.2. Breve storia dello sviluppo urbanistico di Parigi

messi a disposizione dalla citt. In Figura 1.4 rappresentato lo sviluppo

Capitolo 1. Presentazione del problema

precedente, ma sia in continua crescita. inoltre importante sottolineare

1.3. Il progetto Grand Paris

Il progetto Grand Paris

Capitolo 1. Presentazione del problema

- Alfio Quarteroni, Piercesare Secchi, Carlo DAngelo, Fabio Nobile e

Il modello tubi e spugne

Al fine di affrontare il problema proposto dal presidente della repubblica

La parte di infrastruttura stradale che vogliamo classificare come tubo tutto

1.4. Il modello tubi e spugne

Capitolo 1. Presentazione del problema

Come si pu notare (Figure 1.6, 1.7) questo tipo di infrastruttura risulta

A differenza del tubo la spugna si caratterizza per la numerosit di interazioni

1.4. Il modello tubi e spugne

I concetti di porosit e permeabilit

Strettamente legate a questo modello di tessuto stradale vi sono due grandezze

Capitolo 1. Presentazione del problema

1.4. Il modello tubi e spugne

Figura 1.12: Spugna del Meditarraneo.

Capitolo 1. Presentazione del problema

Figura 1.13: Al fine di permettere una buona connettivit di un complesso immobiliare

Questa grandezza associata alla capacit propria di un oggetto spugnoso

1.4. Il modello tubi e spugne

Figura 1.14: Stime di permeabilit per due diversi tessuti stradali.