Flujo Vehicular PDF

Modelacin de problemas de flujo vehicular
Taller de Modelacin Matemtica II

J. Delgado1 , P. Saavedra 1 y R. M. Velasco2
Universidad Autnoma Metropolitana
09340, Iztapalapa, Mxico
7 de diciembre de 2011
1 Departamento de Matemticas
2 Departamento de Fsica
2
ndice general
1. Introduccin 9
1.1. Revisin histrica . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2. Modelacin preliminar . . . . . . . . . . . . . . . . . . . . . . 14
2. Datos experimentales 17
2.1. Dispositivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.1. Correlaciones velocidad-densidad . . . . . . . . . . . . 24
2.3. Diagrama fundamental . . . . . . . . . . . . . . . . . . . . . . 25
2.3.1. Separacin temporal . . . . . . . . . . . . . . . . . . . 27
2.4. Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3. Modelacin 33
3.1. Enfoques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2. Enfoque macroscpico . . . . . . . . . . . . . . . . . . . . . . 35
3.3. Modelos de primer orden . . . . . . . . . . . . . . . . . . . . . 38
3.3.1. Modelo LWR . . . . . . . . . . . . . . . . . . . . . . . 39
3.3.2. Modelo LWD . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.3. Modelo de Nelson . . . . . . . . . . . . . . . . . . . . . 41
3.3.4. Modelo de Jordan . . . . . . . . . . . . . . . . . . . . . 42
3.4. Modelos de segundo orden . . . . . . . . . . . . . . . . . . . . 43
3.4.1. Modelo K . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4.2. Otros modelos de segundo orden . . . . . . . . . . . . . 44
3.5. Modelo de Helbing . . . . . . . . . . . . . . . . . . . . . . . . 45
4. Solucin de EDP de primer orden 47

4.1. Problema lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.2. Problema cuasi-lineal . . . . . . . . . . . . . . . . . . . . . . . 51
3
4 NDICE GENERAL
4.3. Ondas de choque . . . . . . . . . . . . . . . . . . . . . . . . . 55

4.4. Aplicacin a trfico vehicular . . . . . . . . . . . . . . . . . . 61
4.5. Ecuacin de Burgers con viscosidad . . . . . . . . . . . . . . . 65
5. Aproximacin numrica 67
5.1. Adveccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.2. Mtodos explcitos . . . . . . . . . . . . . . . . . . . . . . . . 70
5.3. Condicin CFL . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.4. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.5. Disipacin y dispersin . . . . . . . . . . . . . . . . . . . . . . 75
5.6. Esquemas conservativos . . . . . . . . . . . . . . . . . . . . . 80
5.7. Aplicacin a trfico vehicular . . . . . . . . . . . . . . . . . . 83
5.8. Otros modelos de primer orden . . . . . . . . . . . . . . . . . 87
5.9. Solucin de ecuaciones vectoriales conservativas . . . . . . . . 91
5.10. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6. Modelos de carfollowing 97
6.1. Relacin fundamental a partir de carfollowing . . . . . . . . . 100
6.2. Modelo simple de carfollowing sin
retardo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.3. La funcin de transferencia . . . . . . . . . . . . . . . . . . . . 113
6.4. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
6.4.1. Estabilidad local del modelo simple . . . . . . . . . . . 120
6.4.2. Estabilidad asinttica del modelo simple . . . . . . . . 120
6.5. Modelo con retardo . . . . . . . . . . . . . . . . . . . . . . . . 121
6.5.1. El lder movindose con velocidad constante . . . . . . 122
6.5.2. La solucin general . . . . . . . . . . . . . . . . . . . . 124
6.5.3. Estabilidad local del modelo simple con retardo . . . . 125
6.5.4. Estabilidad asinttica del modelo simple con retardo . 127
7. Autmatas celulares 129

7.1. El modelo de Nagel-Schreckenberg . . . . . . . . . . . . . . . . 130
7.2. El modelo de NaSch dos carriles . . . . . . . . . . . . . . . . . 132
7.3. El modelo VDR . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.4. El autmata AC-184 de Wolfram . . . . . . . . . . . . . . . . 137
8. Conclusiones y perspectivas 147

Prlogo
En este libro se presentan varios aspectos de la modelacin matemti-

ca de los problemas de flujo vehicular. Su objetivo principal es introducir
al alumno en el modelado de problemas de trnsito vehicular, desde dos
perspectivas complementarias: los modelos macroscpicos o de parmetros
distribuidos y los modelos microscpicos. Los primeros hacen una analoga
entre un fludo y una lnea de autos en movimiento lo que se modela con una
o varias ecuaciones diferenciales parciales de tipo hiperblico. Este enfoque
se basa en principios de conservacin del nmero de autos, evolucin de la
rapidez promedio y tantas ecuaciones como variables estemos interesados en
medir; esta formulacin se complementa con una ley constitutiva que permite
cerrar el sistema de ecuaciones. Los modelos del trnsito vehicular tambin
incluyen una cierta cantidad de datos empricos que especifican el problema
a tratar. En particular, una relacin crucial corresponde a la densidad y la
velocidad en la lnea de trnsito (llamada aqu la relacin fundamental), que
describe al sistema en un caso de flujo estacionario y homogneo. Distintos
datos experimentales dan origen a modelos con diverso grado de dificultad,
algunos admiten soluciones simples, otros deben abordarse numricamente y
consecuentemente atender las dificultades inherentes tales como la existencia
de ondas de choque, o la introduccin de soluciones viscosas. Las soluciones
analticas, en los casos ms simples, se obtienen mediante el mtodo de las
caractersticas. Cuando los modelos son ms complejos es necesario recur-
rir a los mtodos numricos y se ha observado que el esquema numrico de
Lax-Wendroff resulta apropiado para abordar este tipo de problemas.
Por otra parte, en el enfoque basado en modelos microscpicos se pre-
tende describir la posicin y velocidad de cada auto en la lnea. En esta
parte se revisan modelos que tuvieron cierto xito en los aos 60s (Montroll
[40], [20] y [5], entre otros) como los modelos del tipo carfollowing. Estos
son modelos que describen la variacin de la velocidad del auto como fun-
5
6 NDICE GENERAL
cin de la distancia al auto de enfrente, o de la diferencia de velocidades. La

solucin de algunos de estos modelos lineales se aborda mediante la trans-
formada de Laplace, y con el fin de ser ms realistas tambin se discute, una
variante que incluye retardo y que puede todava resolverse con estas tcni-
cas. Cuando cada auto avanza de manera cuantizada, se obtiene un modelo
de autmata celular. Con este enfoque se presenta el modelo, ahora clsico,
de NagelSchreckenberg y variantes como el modelo VDR (velocity depen-
dent randomization), el modelo AC de Burgers [13] y el modelo AC-184 de
Wolfram [78]. Lo interesante es que con este tipo de modelos es posible pre-
decir de manera cualitativa la relacin fundamental densidadvelocidad de
los modelos macroscpicos.
Parte del contenido de este libro sirvi para impartir el curso de Taller de
Modelado II en la Maestra de Matemticas Aplicadas e Industriales, por lo
que el enfoque de este trabajo es de carcter docente. Sin embargo, tambin
busca despertar el inters de los alumnos por estudiar ms a fondo un tema
de investigacin interdisciplinario y de actualidad. En el curso trimestral de
12 semanas participaron tres profesores. En las dos primeras semanas la Dra.
Rosa Mara Velasco present un panorama general del tema, incluyendo los
principios de conservacin y la deduccin de las ecuaciones; la exposicin se
bas en artculos panormicos que se citan en las referencias [23] y [28]. El
resto del curso se dividi en dos partes: modelos macroscpicos y modelos
microscpicos a cargo de la Dra. Patricia Saavedra y el Dr. Joaqun Delgado,
respectivamente.
Los antecedentes acadmicos para abordar esta obra son clculo diferen-
cial e integral de varias variables, un primer curso de ecuaciones diferenciales
ordinarias y otro de parciales, as como conocimientos de mtodos numricos.
El libro est organizado de la siguiente forma: el primer captulo consiste en
plantear el problema de flujo de vehculos en carreteras, el tipo de datos que
se obtienen y la forma de manejarlos con el fin de tener informacin dinmica
de los fenmenos que ocurren. Posteriormente, se hace una presentacin de
la modelacin preliminar realizada en los inicios de este campo.
En el segundo captulo se describe, de manera detallada, la forma en que
actualmente se obtienen los datos experimentales, as como las expresiones
empricas tpicas del diagrama fundamental. El captulo tercero se dedica
a los enfoques que se han utilizado para modelar el trnsito vehicular. En
particular, se dicute con amplitud la modelacin macroscpica, presentando
los modelos que se emplean actualmente. A su vez, se hace notar que las
propiedades de las ecuaciones resultantes de la modelacin, dificilmente se
NDICE GENERAL 7
pueden resolver analticamente, de ah la necesidad por estudiar los mtodos

numricos que son tiles en la obtencin de las soluciones. En el cuarto
captulo se inicia el estudio de las ecuaciones tpicas del modelado del trnsito
vehicular. Se muestra la presencia de ondas de choque en la solucin y lo que
se entender por solucin dbil de un problema en derivadas parciales. Toda
esta herramienta se usar para analizar el comportamiento de la solucin del
modelo de Lighthill-Witham sin y con viscosidad.
En el quinto captulo se introducen algunos mtodos numricos explci-
tos en diferencias finitas y se analiza su comportamiento al aplicarlos para
aproximar la solucin de la ecuacin de adveccin. A continuacin se analiza
la aproximacin numrica de la ecuacin de continuidad y se compara el de-
sempeo de los mtodos en la solucin numrica de un problema de trfico
vehicular cuando se usa el modelo de Lighthill-Witham sin y con viscosidad.
Por ltimo, se presentan las perspectivas de desarrollo en la investigacin de
este tipo de problemas.
En el captulo sexto se tratan los modelos microscpicos del tipo car-
following ms conocidos. Posteriomente, se analiza la estabilidad de estos
modelos y por ltimo, se introducen los modelos con retardo. El captulo sp-
timo presenta el tratamiento de los modelos microscpicos usando automtas
celulares y, como ejemplos se presentan los modelos de Nagel-Schreckenberg,
el VDR, el AC de Burgers y el AC-184 de Wolfram.
Por ltimo, el captulo octavo se dedica a dar algunas conclusiones y
perspectivas de este campo de trabajo.
8 NDICE GENERAL
Captulo 1
Introduccin general
El trnsito vehicular tanto en carreteras como en redes urbanas ha repre-

sentado un problema a resolver desde el segundo cuarto del siglo pasado. Las
primeras mediciones sistemticas que se reportan en la literatura datan de
1935, cuando Greenshields [17] se ocup de medir la velocidad media en una
carretera y el flujo correspondiente. El advenimiento de un nmero mayor
de usuarios de vehculos de transporte ha dado lugar a problemas cotidianos
que todos los lectores conocen. As el entendimiento de las causas y conse-
cuencias del trnsito vehicular es extremadamente importante para sugerir
estrategias, tanto de remediacin como prevencin de problemas en el trnsi-
to. Son muchos los aspectos involucrados en esta problemtica y, por lo tanto
nos dedicaremos a introducir al alumno en este campo, teniendo en mente
que la presentacin del material no es exhaustiva.
1.1. Revisin histrica

Las tcnicas de medicin de variables relevantes al flujo vehicular han
evolucionado al paso de la tecnologa; as, los primeros datos disponibles
se deben a Greenberg, quien reporta datos de velocidad, avance (headway),
densidad y flujo de autos en el tnel Lincoln de NY y la avenida Merrit en
Connecticut (vase la Figura 1.1).
Los datos colectados por Greenberg y Daou [16] fueron tomados con una
mquina de tiempo Simplex Productograph a lo largo de la avenida, con un
observador al inicio y otro al final del tramo de observacin. La mquina fu
programada para grabar el tiempo en el que un vehculo pasaba por cada
9
10 CAPTULO 1. INTRODUCCIN
Figura 1.1: Puente Lincoln (izq.) y la avenida Merrit (der.)
punto de observacin. De esta manera se midieron el tiempo de trnsito de

un vehculo a travs de la zona y el headway entre vehculos sucesivos. Se
calcularon tambin velocidades promedio (rapidez espacial media) y flujo
para todos los vehculos en iguales perodos de tiempo. Especficamente, las
variables q, u, T se calculan como1
N
q =
T
0X
+N
T = h
=0 +1
N
V = P0 +N
=0 +1 s
donde 0 es el ltimo vehculo antes de comenzar el siguiente intervalo de
muestreo y
N = nmero de vehculos que pasan en un intervalo de tiempo T
T = el perodo de tiempo
V = velocidad promedio de n vehculos
h = headway entre el vehculo 1 y el , avance
s = tiempo que el vehculo atraviesa la zona
k = densidad
q = flujo (vehculos por hora) = ku
En otro mtodo de recoleccin de datos, se situaron dos observadores en
distintos puntos de la avenida con cronmetros. Durante un minuto anotaron
1
Se adapta la notacin del original para ser consistente con la notacin ms adelante
1.1. REVISIN HISTRICA 11
Cuadro 1.1: Hoja de datos para el tnel Lincoln por el segundo mtodo [16]
Figura 1.2: Velocidad de trfico vs. densidad en el puente Lincoln (izq.) y la

avenida Merrit (der.) [16]
en secuencia el tipo de vehculo que pasaba por el punto de observacin,

las observaciones se dividen en mitades de minuto, de este modo es ms
fcil el seguimiento de vehculos por su tipo, ya que los relojes de ambos
observadores estaban sincronizados para que efectuaran las observaciones en
el mismo medio minuto, vase el Cuadro 1.1. En el Cuadro 1.2 se muestran
los datos de trfico para el tnel Lincoln y la avenida Merrit, en tanto que en
la Figura 1.2 se muestran las grficas correspondientes de velocidad contra
densidad. En el Cuadro 1.3 se muestran los datos del tnel Holland que une
New York con New Jersey debidos a Edie et al (1963), citado en [57].
Ejercicio 1.1. Ajuste una curva conveniente a los datos del Cuadro 1.2 por
mnimos cuadrados. Compare con las curvas de la Figura 1.2. Compare los
diagramas de flujodensidad de los datos del cuadro 1.3 con los anteriores.
Cuadro 1.2: Datos del tnel Lincoln (izq.) y la avenida Merrit (der.).
1.1. REVISIN HISTRICA 13
Velocidad(m/sec) headway (m) Densidad (veh/km) No. de vehculos.

u h k n
2.1 12.3 80.1 22
2.7 12.9 76.5 58
3.3 14.6 67.6 98
3.9 15.3 64.3 125
4.5 17.1 57.6 196
5.1 17.8 55.2 293
5.7 18.8 52.6 436
6.3 19.7 50 656
6.9 20.5 48 865
7.5 22.5 43.8 1062
8.1 23.4 42 1267
8.7 25.4 38.8 1328
9.3 26.6 37 1273
9.9 27.7 35.5 1169
10.5 30 32.8 1096
11.1 32.2 30.6 1248
11.7 33.7 29.3 1280
12.3 33.8 26.8 1162
12.9 43.2 22.8 1087
13.5 43 22.9 1252
14.1 47.4 20.8 1178
14.7 54.5 18.1 1218
15.3 56.2 17.5 1187
15.9 60.5 16.3 1135
16.5 71.5 13.8 837
17.1 75.1 13.1 569
17.7 84.7 11.6 478
18.3 77.3 12.7 291
18.9 88.4 11.1 231
19.5 100.4 9.8 169
20.1 102.7 9.6 55
20.7 120.5 8.1 56
Cuadro 1.3: Datos de trfico del tnel Holland.

1.2. Modelacin preliminar del flujo vehicular

En las primeras teoras de flujo vehicular se buscaban relaciones indepen-
dientes del tiempo, entre las variables fundamentales. Se reconoci rapida-
mente la importancia de la relacin flujodensidad (relacin fundamental)
y todas la teoras se contrastaron con el tipo de prediccin de la relacin
fundamental.
B.D. Greenshields (1935) fu uno de los primeros en realizar un estudio
experimental del trfico vehicular midiendo directamente flujo (vehculos /hr)
y velocidades. Realiz un ajuste lineal a 7 datos de velocidad-concentracin
(citado en Lightill & Whitham, 1955). Estos resultado fueron referidos repeti-
damente en trabajos posteriores. Los datos muestran una relacin lineal para
la velocidad como funcin de la densidad de la forma
V = V0 (1 k/kj ),
donde kj representa a la densidad mxima, que combinada con la definicin
de flujo nos da
q = kV = V0 k(1 k/kj )
cuya grfica es una parbola con ceros en k = 0, kj .
M. J. Lighthill (Sir James Lightill) y G. Whitham introdujeron la analoga
de flujo vehicular y dinmica de fludos en regimen compresible, en una serie
de dos artculos On kinematic waves I y II [Proc. Royal Soc. London, 1955].
Hacen uso de la relacin fundamental para estimar movimientos colectivos
en forma de frentes de onda.
Harold Greenberg (1959) realiz una serie de mediciones experimentales
en mayor escala que Greenshields. Hizo una deduccin terica de la curva
flujoconcentracin basado en la dinmica de un fludo unidimensional regido
tan solo por el gradiente de presin y conservacin de la masa vehicular.
Veamos brevemente su contribucin.
La tasa de cambio de la velocidad de un fluido ideal en una dimesin2 y
la conservacin de la masa se resumen en las ecuaciones
du c2 k
= , (1.1)
dt k x
k q
0 = + , (1.2)
t x
Para un flujo ideal no viscoso, k du
2
dt = p, pero para un gas ideal pV = nRT , siendo
V el volumen y p la presin, n el nmero de moles. Luego p = RT k, donde k es la densidad
molar. Se sigue que p = RT k, luego du RT
dt = k k
1.2. MODELACIN PRELIMINAR 15
donde k es la densidad, q el flujo y c un parmetro de estado. Como u = u(x, t)

y q = ku las ecuaciones anteriores se transforman en
u u c2 k
+u + = 0,
t x k x
k u k
+k +u = 0.
t x x
Suponga que u(t, x) = u(k(t, x)), es decir u = u(k), luego si denotamos por
u0 = u0 (k),
k k c2 k
u0 + uu0 + = 0,
t x k x
k k k
+ ku0 +u = 0,
t x x
o bien

k c2 k
+ u+ 0 = 0,
t ku x
k k
+ [ku0 + u] = 0.
t x
k k
Para que el sistema tenga solucin no trivial para , ,
t x
los factores entre
corchetes debe ser iguales:
c2
u02 = 2
k
o bien, con la seleccin del signo apropiado
c
u0 = .
k
Integrando
kj
u = c ln ,
k
donde kj es tal que u = 0 para k = kj , es decir kj es la densidad mxima,
cuando los vehculos estn defensa con defensa y, corresponde a la densidad
de embotellamiento para la cual el flujo es cero. Para el flujo se tiene

kj
q = ck ln . (1.3)
k
Figura 1.3: Relacin flujodensidad normalizada
Observe que para kj /k = e se obtiene el flujo mximo q = ckj o velocidad

mxima u = c. En la Figura 1.3 se muestra la relacin flujodensidad (1.3)
encontrada por Greenberg.
En los primeros trabajos de flujo vehicular se postulaba la continuidad
de q = q(k), con lo cual el flujo debera tener un mximo [se usa el trmino
capacidad aunque ha sido cuestionado en la literatura de flujo vehicular,
F. A. Haigth, Mathematical theories of traffic flow, p. 81]. La evidencia ex-
perimental [Greenberg, 1959] apoya esta suposicin.
Captulo 2
Datos experimentales
El problema del trnsito de vehculos en carreteras ha tenido grandes

repercusiones en el desarrollo de los sistemas de transporte, es un problema
que ha sido abordado desde principios del siglo pasado y en algunos casos se
cuenta con gran cantidad de datos que permiten analizar y entender el pro-
blema, disear estrategias, etc. Con el objeto de avanzar en la comprensin
de la problemtica que plantean los problemas del flujo vehicular iniciaremos
este captulo con la forma y variables que se miden usualmente en la actuali-
dad. Ms adelante podremos ver que an cuando parece muy simple obtener
datos de aforos vehiculares, las cantidades que se necesitan para modelar el
problema requieren un tratamiento adecuado y adems no basta con medir
aforos. Esta anotacin se hace en vista de que resulta muy sencillo pensar en
obtener datos para nuestro pas y entonces realizar una modelacin apropia-
da a nuestras necesidades. Sin embargo, una bsqueda (quiz no muy exten-
sa) de este tipo de informacin ha arrojado resultados negativos. Los datos
que reporta el Instituto Mexicano del Transporte se refieren simplemente a
aforos vehiculares medidos por ejemplo en las casetas de las autopistas, o a
las matrices origen-destino en algunas redes regionales. Esto significa que no
estn al alcance los datos acerca de la velocidad, la distancia entre vehculos,
etctera, que como veremos posteriormente, se utilizan en la modelacin del
problema [29],[23], [8], [46].
17
18 CAPTULO 2. DATOS EXPERIMENTALES
2.1. Obtencin de datos experimentales

En el captulo 1 hemos hablado de la forma en que se iniciaron las medi-
ciones del trnsito vehicular y ahora nos ocuparemos de algunas tcnicas
recientes. Ejemplo de estas tcnicas para la medicin de variables de trfico
vehicular incluyen a los detectores de vuelta de induccin magntica loop in-
duction detector, simple y doble. Un detector de induccin electromagntica
comprende: (1) Un elemento transmisor que emite un campo magntico pri-
mario, ste induce un campo magntico secundario en un cuerpo externo. (2)
Un elemento receptor que recibe el campo magntico secundario y, (3) una
barrera magntica dispuesta alrededor del receptor, cuya funcin es limitar el
dimetro de la huella lateral del campo magntico secundario, que se observa
en el elemento receptor. En la Figura 2.1 se muestran los datos empricos
tomados en una seccin de la autopista A5 entre Bad Homburg y Frankfurt,
Alemania.
Figura 2.1: (a) Disposicin tpica de los detectores de induccin. (b) Frag-
mento del patrn temporal en el detector D5 (izq.) y relacin emprica flujo
densidad de 7:00 a 20:00 hrs. Tomado de [28].
La Figura 2.1 muestra la distribucin tpica de los dispositivos y las me-

didas obtenidas para la velocidad como funcin del tiempo y, el flujo como
2.1. DISPOSITIVOS 19
funcin de la densidad. El comportamiento representado en esta figura es

tpico de dicha autopista. A su vez, la Figura 2.2 ilustra los datos obtenidos
Figura 2.2: Dos tipos de regmenes de trfico: (a) Libre y (b) sincronizado. En
(c) los datos correspondientes a flujo sincronizado se muestran como crculos y
la transicin temporal se marca con una linea contnua. Los datos de rgimen
libre se concentran en bajas densidades.
para la velocidad como funcin del tiempo y, la relacin flujodensidad en los

regmenes de trnsito libre y trnsito congestionado para cada uno de los tres
carriles de la autopista, en el tramo D51 . La Figura 2.2, en el digrama (c),
muestra el diagrama fundamental emprico que se obtiene (flujodensidad),
en dichas regiones. Vemos claramente que para baja densidad hay una regin
lineal que se identifica como la regin de Trnsito Libre. Asimismo la regin
que aparece para densidades mayores que 20 veh/km corresponde a la
regin de Trnsito Congestionado. A su vez la Figura 2.3 muestra la fase de
1
Note la diferencia en la escala de tiempo, cuando compare con la figura 2.1
Trnsito sincronizado, tanto en las grficas de velocidad-distancia-tiempo

como en las de flujo-distancia-tiempo. En esta figura se puede observar la for-
Figura 2.3: La Figura (a) representa la grafica el comportamiento de la ve-

locidad como funcin de la posicin en la carretera y del tiempo. En la Figura
(b) se muestra el flujo correspondiente. En las Figuras (c) y (d) tenemos el
comportamiento de la velocidad y el flujo como funcin del tiempo.
macin del flujo sincronizado, que se caracteriza por una velocidad constante
en cada carril.
Por otra parte, al comparar las Figuras 2.1 y 2.2, es importante sealar
que los diagramas fundamentales obtenidos en ambas figuras comparten las
mismas propiedades. De hecho, se ha observado cualitativamente que sta es
una caracterstica general en todas las autopistas, para comparar se muestran
los datos obtenidos en una autopista en Japn (ver Figura 2.4). Los detectores
2.1. DISPOSITIVOS 21
Figura 2.4: Diagrama fundamental para una autopista en Japn. Notar las
unidades del flujo y la forma cualitativa del diagrama. Tomado de [65].
de induccin simple permiten determinar los tiempos en que los vehculos

entran y salen del detector,
t0 , (t1 ) = tiempo que el carro entra (sale) del detector.
Una vez medidos ambos tiempos, se pueden cuantificar las cantidades que se
enlistan a continuacin:
t = t0 t01 = ventaja temporal (time headway).
t0 t11 = tiempo libre (time clearance).
t11 t1 = tiempo muerto (dead-time).
q = N/T = flujo vehicular (veh/seg),
donde el ndice identifica al vehculo y los superndices sealan la entrada

y salida al detector respectivamente.
Con los detectores de induccin doble se pueden medir adems:
v = rapidez del vehculo .
l = longitud del vehculo .
Que permiten obtener datos para:

d = v t = ventaja espacial (headway).
s = d l1 = espacio libre (distance clearance).

1
P0 +N
V (x, t) = hv i = N =0 +1 v = velocidad media.
A su vez, la densidad2 se calcula a travs de la relacin

Q
= . (2.1)
V
En ocasiones resulta conveniente calcular el recproco de la velocidad usan-
do la media armnica en lugar de emplear el promedio aritmtico escrito
anteriormente,
1 1
= ,
V (x, t) v
ya que esto permite obtener una representacin mejor para densidades altas,
ello se hace mediante la expresin

1
=Q .
V
La Figura 2.5 muestra la diferencia entre el clculo con la media aritmtica
y la media armnica. A partir de los datos tambin es posible calcular otros
momentos de la distribucin de velocidades, como la varianza
(x, t) = hv2 i hv i2 ,
o momentos de orden superior. El la Figura 2.11 se ilustra el comportamien-

to de las variables velocidad, densidad y varianza para dos carriles de una
autopista tpica.
2.2. Datos para experimentos reales

Una de las herramientas tiles para caracterizar el trfico, lo constituye el
diagrama fundamental. Ahora mostraremos algunos ejemplos que correspon-
den a los datos experimentales medidos en carreteras y el diagrama funda-
mental que resulta de ello. De hecho en los diagramas que se han mostrado en
2
A partir de este punto optaremos por llamar a la densidad y Q el flujo, con el objeto
de tener consistencia con la literatura reciente.
2.2. DATOS 23
Figura 2.5: Relaciones empricas velocidaddensidad con diferentes defini-

ciones de velocidad promedio. Los datos marcados con + representan prome-
dios temporales en un minuto obtenidos mediante la frmula armnica de
1
velocidad V = v1 que permite estimar densidades = Q/V grandes.
las Figuras 2.1, 2.2 y 2.4 se tienen caractersticas cualitativas comunes entre
las diferentes autopistas y que a su vez permiten apreciar comportamientos
diferentes en el flujo vehicular. La Figura 2.6 muestra un diagrama tpico
donde se grafica el flujo contra la densidad, a continuacin describimos de
manera general, sus propiedades.
1. En la regin de baja densidad el flujo depende linealmente de la densi-

dad, la pendiente de esta curva nos da una velocidad promedio tpica
de la regin que llamaremos de Trfico Libre.
2. Para una cierta densidad intermedia cr , el flujo tiene un mximo en

Qcr .
3. Para > cr hay una discontinuidad que empieza en cr y es tpico del

regimen de Trfico Congestionado.
4. Cuando V < Vsep tenemos trfico congestionado, en la Figura Vsep =

70 km/h.
5. Hay una regin de densidad c1 c2 = cr en la cual puede haber

tanto trfico libre como trfico congestionado, reflejando una especie
de histresis en el comportamiento del sistema.
Figura 2.6: Diagrama fundamental tpico, donde se muestran las caracters-

ticas principales de los datos que se obtienen en los detectores. Tomado de
[23].
6. La regin de trfico congestionado corresponde a datos sumamente dis-

persos. Esta complejidad resulta de fluctuaciones, formacin de em-
botellamientos e inestabilidad, entre otras razones.
En la regin de trfico congestionado es posible distinguir dos fases dife-

rentes en el comportamiento y que se conocen como: Trfico sincronizado
que corresponde a tener una velocidad variable para la propagacin del frente.
Embotellamientos mviles para los cuales la velocidad media de la propa-
gacin del frente es constante. Cabe sealar que estas caractersticas no se
distinguen en el diagrama fundamental y es necesario ver con detalle otras
cantidades.
2.2.1. Correlaciones velocidad-densidad

De manera natural podemos pensar que existe una fuerte correlacin en-
tre el comportamiento de la velocidad promedio y la densidad de vehculos
a lo largo de la carretera. De hecho, un aumento en la densidad provoca una
disminucin de la velocidad, la Figura 2.11 muestra el comportamiento de
estas dos variables como funciones del tiempo. Para densidad baja la veloci-
dad es grande y el flujo aumenta con la densidad, ya que estaramos en la
regin lineal del diagrama fundamental. Tambin es interesante observar las
grficas de la varianza de la velocidad y ver su comportamiento temporal, en
2.3. DIAGRAMA FUNDAMENTAL 25
la Figura 2.11 observamos que la varianza decrece en la regin de densidad

alta.
2.3. Diagrama fundamental

Como ya hemos podido apreciar, el diagrama fundamental juega un pa-
pel sumamente importante en la modelacin del flujo vehicular, ya sea en su
versin velocidad-densidad o flujo-densidad. En ambos casos su estructura es
caracterstica del comportamiento dinmico del movimiento de vehclos, por
ello se ha estudiado en numerosas ocasiones. De hecho, para la modelacin
manejaremos expresiones que resultan de ajustar con los datos experimen-
tales obtenidos. Dichas correlaciones tendrn sus lmites de aplicabilidad, sin
embargo ya hemos visto que experimentalmente el comportamiento gener-
al tiene caractersticas que debern reproducirse con cualquier correlacin
numrica de los datos. En particular
1. Para baja densidad la velocidad promedio tiene su mximo, que de
hecho debe ser el marcado como lmite permitido para la carretera en
cuestin.
2. La velocidad promedio disminuye al aumentar la densidad, de manera
que
dV ()
0.
d
3. Para la regin de alta densidad, la velocidad tiende a cero.
4. Hay una densidad mxima max = jam para la cual la velocidad es
practicamente nula.
5. La densidad mxima generalmente se fija entre max 140 veh/km y
max 160 veh/km dependiendo del tamao promedio de los vehculos.
Estas propiedades del diagrama fundamental son bsicas para la modelacin,
ya que en los modelos se usan dichas caractersticas para utilizar correla-
ciones de los datos experimentales que estn de acuerdo con los datos. En
la literatura se han usado las correlaciones siguientes, mismas que tienen las
propiedades sealadas anteriormente. La ms utilizada en los modelos fue
escrita por Kerner y Konhuser [30], cuando la utilizaron en la modelacin
dentro de un modelo macroscpico que detallaremos en el captulo siguiente.
Figura 2.7: En la figura se muestra el ajuste emprico para la velocidad-

densidad y el flujo correspondiente.
! "
!#1
Ve () max
0.25
= 3.72 106 + 1 + exp . (2.2)
Vmax 0.06
K
Existen otras correlaciones que cualitativamente tienen el mismo compor-

tamiento, por ejemplo
! " !n #m

Ve () = Vmax 1 , (2.3)
max
1
donde Vmax , max corresponden a la velocidad y densidad mximas y los

parmetros n = 2.5, 2, m = 23, 21 se fijan ajustando los datos. Otra cor-
relacin que se maneja tiene la forma
! " #
Ve ()
= exp , (2.4)
Vmax c
2
donde c = 44 veh/km, = 2.57 4 = 0.53. El diagrama fundamental

expresado en trminos de la relacin flujo-densidad se construye de inmediato
para cada uno de los casos, usando la relacin
Q() = Ve (). (2.5)

2.3. DIAGRAMA FUNDAMENTAL 27
Figura 2.8: La figura muestra el ajuste correspondiente a las expresiones de

Ve1 y el flujo.
Figura 2.9: Diagrama fundamental de acuerdo con la expresin de Ve2 .
2.3.1. Separacin temporal

La Figura 2.10 muestra un ejemplo para la distribucin de la separacin de
tiempos (time headways), la primer figura corresponde a una densidad baja
(10 20 veh/km) en una autopista de dos carriles, donde se puede ver con
claridad que la distribucin es ms ancha para el carril derecho (lento) que
para el izquierdo. sto se debe fundamentalmente a que en el carril derecho
la longitud promedio de los vehculos es mayor, tambin debemos notar que
esta grfica corresponde a una situacin de trfico libre. Como contraste en
la segunda grfica la densidad es mayor (20 30 veh/km) y se muestra que
la distribucin de tiempos es ms angosta antes de que se inicie el trfico
congestionado.
Figura 2.10: Distribucin de la separacin de tiempos.
2.4. La varianza de la velocidad

A partir de los datos en los detectores es posible encontrar el compor-
tamiento de la varianza de la velocidad con el tiempo. La Figura 2.11 muestra
un ejemplo de su comportamiento, es interesante notar la correspondencia
entre los comportamientos de la densidad, la velocidad y la varianza de la
velocidad. Vemos que para baja densidad, la velocidad es cercana a la veloci-
dad mxima y para alta densidad, la velocidad es considerablemente menor.
Asimismo, en la parte (b) de la figura vemos el comportamiento de la varianza
comparada con la velocidad, en este caso podemos observar que la varianza
est centrada en valores semejantes, pero hay cambios importantes un poco
antes del inicio del congestionamiento y al terminar ste.
Adems los datos tomados permiten ver a la varianza como funcin de
la densidad, en la Figura 2.12 se grfica la raz cuadrada de la varianza
como funcin de la densidad. Hay dos tipos de puntos en esta figura, los
puntos finos corresponden a datos promediados en un minuto y los datos
gruesos son promedios para una densidad especfica. Podemos apreciar que
la varianza disminuye al aumentar la densidad y la gran dispersin que ocurre
en densidades 30 veh/km indica que el flujo es inestable. Otra manera
de relacionar a la varianza de la velocidad con las variables consiste en ver
2.4. VARIANZA 29
Figura 2.11: Comportamiento temporal de la densidad, la velocidad y la

varianza como funciones del tiempo, para dos carriles en la carretera.
Figura 2.12: Varianza como funcin de la densidad [23].
su dependencia con la velocidad y, se ha encontrado que

e
A() = , (2.6)
V2
donde e corresponde a la varianza de la velocidad en un estado homogneo
y estacionario. Esta expresin nos dice que la varianza y el cuadrado de la
velocidad estn relacionados a travs del prefactor A(), funcin que sintetiza
la importancia de la autocorrelacin de las velocidades individuales, ver Ec.
(3.25). A su vez en la Figura 2.13 se muestra el llamado prefactor de la
varianza como funcin de la densidad.
Podemos apreciar que la varianza disminuye al aumentar la densidad y la
gran dispersin que ocurre en densidades 30 veh/km indica que el flujo
es inestable. Para baja densidad el prefactor es casi constante y aumenta
para alta densidad, es decir aumenta en la regin de trfico congestionado.
Esta figura nos indica que la varianza depende cuadrticamente de la veloci-
dad promedio y adems depende de la densidad al menos para la regin de
congestionamiento. Tambin se muestran diferencias entre los carriles y se
puede escribir una correlacin con la densidad para el prefactor de la var-
ianza definido en la ecuacin (2.6), mismo que fu propuesto por Shevtsov
[64].
De manera semejante al tratamiento del diagrama fundamental, tambin
2.4. VARIANZA 31
Figura 2.13: Prefactor de la varianza como funcin de la densidad, para una

carretera con dos carriles.
se han hecho correlaciones para la varianza y para el prefactor de la varianza,

por ello se dice que la varianza depende del cuadrado de la velocidad prome-
dio. A su vez, para el prefactor tambin hay corrrelaciones que se utilizan en
la literatura [64] que especifica que
" ! #
max
c
A() = A0 + A tanh +1 , (2.7)

donde A0 = 0.008, A = 0.015, c = 0.28 Y = 0.1, cuya grfica aparece

en la Figura 2.13.
Captulo 3
Modelacin del trfico vehicular
Una vez que se tienen los datos experimentales se pueden identificar las
variables relevantes para una descripcin matemtica del problema, a este
respecto veremos que la densidad de vehculos, su velocidad promedio y la
varianza de la velocidad se ocurren de manera inmediata, sin embargo no
son las nicas. En realidad el nmero de variables que tomemos para hacer
la descripcin depender de la informacin que podamos obtener y del grado
de detalles que deseemos describir. Esta observacin deja sentir que existe un
cierto grado de ambig uedad para realizar nuestro estudio, sin embargo esto
no debe extraarnos ya que en muchos problemas el nmero y caracter de las
variables relevantes lo determina el problema mismo y el tipo de descripcin
que nosotros queremos realizar. En la literatura se han desarrollado modelos
de diferentes tipos, que consideran variables distintas en su descripcin, lo
que es importante verificar es la consistencia de los resultados y su poder
predictivo.
A continuacin veremos que las ecuaciones modeladas son ecuaciones en
derivadas parciales y adems contienen trminos no lineales. Esto implica
que debemos estudiar las caractersticas de estas ecuaciones y los mtodos
numricos que permitan obtener una solucin adecuada.
3.1. Enfoques para modelar el flujo vehicular

El movimiento de vehculos en carreteras o en una red urbana, se puede
estudiar en escalas diferentes y dependiendo de la escala escogida tendremos
descripciones distintas. Por ejemplo, si vemos el movimiento de los vehculos
33
34 CAPTULO 3. MODELACIN
a gran escala, tendremos una situacin en la que se observa el movimiento

global y no podemos distinguir cada vehculo individual. Asimismo, cuando
observamos el movimiento de cada vehculo, perdemos la vista global de
los fenmenos. De manera somera podemos mencionar tres enfoques para el
estudio de la dinmica del flujo vehicular.
Enfoque macroscpico.
En este caso el flujo de vehculos en la carretera se concibe como el flu-
jo compresible de un fluido descrito por variables macroscpicas asociadas
al comportamiento colectivo del sistema. Para ello necesitamos un nmero
grande de vehculos circulando en la carretera, de manera que hablar de varia-
bles como la densidad, la velocidad promedio y, algunas otras nos propor-
cione una medida significativa del comportamiento en el flujo. Para trabajar
a lo largo de este enfoque se recurre a modelos fenomenolgicos que reco-
gen cualitativamente el comportamiento colectivo del flujo y los parmetros
que intervienen en la modelacin se determinan al comparar con los datos
empricos. Existen diferentes tipos de modelos dependiendo del nmero de
variables que se usan para la descripcin. Cabe notar que algunos modelos
macroscpicos pueden extraerse a partir de los modelos cinticos que detallan
un tanto la interaccin entre los vehculos.
Enfoque cintico.
En el enfoque cintico se habla de una funcin de distribucin que nos
dice el nmero de vehculos que tienen velocidad instantnea entre v y v + dv
y que se encuentran en un tramo de la carretera entre x y x + dx al tiempo
t. La funcin de distribucin obedece una ecuacin de evolucin que con-
tiene los elementos principales del cambio temporal. Uno de los trminos
refleja el comportamiento usual de los conductores que desean avanzar a una
cierta velocidad predeterminada y tratan de alcanzarla o bien si van a una
velocidad mayor deben reducirla a fin de satisfacer los requisitos propios de
la carretera, sto lo hacen con un tiempo de relajamiento . Tambin se
considera la interaccin entre los vehculos a travs de un trmino que con-
tiene a la probabilidad de que un carro sea rebasado. Con dicha ecuacin
cintica es posible construir ecuaciones para las variables promediadas, que
vienen a ser las variables macroscpicas que se miden a travs de los detec-
tores puestos expresamente para ello. En este libro no se abundar en este
3.2. ENFOQUE MACROSCPICO 35
enfoque, pero el lector interesado puede consultar las referencias siguientes,

[58, 23, 73, 56, 68, 43].
Enfoque microscpico.
Desde el punto de vista microscpico, cada vehculo puede seguirse en su
trayectoria a lo largo de una carretera y estudiar la dinmica de un conjunto
de carros, siguiendo reglas particulares para su movimiento. Este enfoque se
conoce como enfoque microscpico y existen una gran cantidad de modelos
donde, al especificar las reglas de movimiento individual se tiene una dinmi-
ca para el trnsito. A los lectores interesados en esta forma de visualizar y
atacar el problema se les recomienda la lectura del artculo de revisin de
Helbing [23] y la referencia [9]. En captulos posteriores se trabajan algunos
modelos de este tipo.
3.2. Enfoque macroscpico

Los modelos macroscpicos para estudiar el flujo vehicular consideran el
problema de manera semejante al estudio del comportamiento de un fluido en
regimen de flujo compresible. El trabajo con modelos macroscpicos presenta
algunas ventajas:
1. Generalmente sus resultados muestran un buen acuerdo cualitativo con

el comportamiento emprico que se observa en el trnsito.
2. En buena medida se puede avanzar analticamente.
3. Es posible incluir con facilidad el efecto de rampas de entrada y salida.
4. Es posible considerar el flujo en varios carriles.
5. Desde el punto de vista computacional resultan ser ms eficientes que

los modelos microscpicos.1
Los modelos macroscpicos estn restringidos a la descripcin de variables

colectivas, es decir variables que no distinguen a cada vehculo y que reflejan
cantidades promediadas. Entonces la primer pregunta a contestar se reduce
1
Exceptuando los modelos de autmatas celulares.
a cules son las variables relevantes en una descripcin de los fenmenos

que ocurren en el flujo vehicular ?
En este campo como en otros, sta es una cuestin que depende del nivel
de detalle en la descripcin que deseemos hacer del sistema. Es decir, no hay
una respuesta nica sino que debemos elegir variables relevantes que sean
consistentes con los fenmenos que queremos estudiar. En los problemas de
trfico vehicular sucede algo semejante y entonces hay modelos que tratan
de realizar descripciones con diferentes niveles de detalle.
Si nos basamos en los datos experimentales que hemos descrito en sec-
ciones anteriores, podemos pensar fcilmente en considerar como variables
relevantes a: la densidad (x, t), la velocidad promedio V (x, t), quiz la va-
rianza (x, t), etc.2 Esto implicara proponer ecuaciones de evolucin para
cada una de ellas. Como ya hemos mencionado antes a nivel fenomenolgi-
co la propuesta se basa en el comportamiento cualitativo del sistema, pero
tambin podramos recurrir al tratamiento cintico y a partir de l construir
ecuaciones macroscpicas.
Primero vamos a considerar que el flujo de vehculos ocurre a lo largo de
una carretera y que slo tenemos un carril, donde los vehculos avanzan en
una direccin, de manera que realmente tenemos un problema unidimensional
y unidireccional. Adems, consideramos que la carretera en cuestin es un
circuito cerrado donde hay un nmero fijo de vehculos. El nmero total de
vehculos debe ser suficientemente grande para que tenga sentido hablar de
cantidades como el nmero de vehculos por unidad de longitud, velocidad
promedio, etc.
En este caso prestamos atencin a la densidad y las condiciones del pro-
blema nos permiten escribir que
Z
N= (x, t) dx = constante, (3.1)
donde N es el nmero total de vehculos y la integral se realiza a lo largo de

toda la carretera. Es claro que la integral nos dice que en ausencia de entradas
y salidas en la carretera, el nmero de vehculos se conserva. Con el objeto de
pasar a una ecuacin de evolucin para la densidad, consideremos un tramo
de la carretera situado entre [l1 , l2 ] y veamos como cambia la densidad. El
2
la covarianza, momentos de tercer orden o superiores.
3.2. ENFOQUE MACROSCPICO 37
cambio temporal de la densidad estar dado por:

Z l2

(x, t) dx = No. de carros por unidad de tiempo que entran en l1
t l1
No. de carros por unidad de tiempo que salen en l2 . (3.2)
Ahora bien, qu significa el nmero de vehculos que entran o salen de

un tramo de la carretera? El nmero de vehculos por unidad de tiempo
que salen o entran de un tramo de carretera es el flujo que hemos llamado
Q(x, t) en la descripcin de los datos experimentales. Por lo tanto
Z l2

(x, t) dx = Q(l1 , t) Q(l2 , t). (3.3)
t l1
Si suponemos que el flujo vehicular es una funcin lo suficientemente regular

como para aplicar el teorema fundamental de clculo, tendremos que
Z l2 Z l2
Q(x, t)
(x, t) dx = dx. (3.4)
t l1 l1 x
Ahora bien, este razonamiento es vlido para cualquier tramo de carretera y

para cualquier t > 0 por lo que se cumple
(x, t) Q(x, t)
+ = 0, (3.5)
t x
que es la bien conocida ecuacin de continuidad. Cabe notar que esta ecuacin
es vlida cuado hay conservacin de la cantidad que la satisface, en este caso
la densidad.3 Sin embargo puede generalizarse y considerar un balance, en
nuestro caso podemos ver que si hay ms de un carril en la carretera y un
carro rebasa integrndose al carril que estamos estudiando, ste efecto se
puede ver como una fuente de vehculos para el carril de estudio. Tambin
podemos considerar la salida de carros a otro carril o bien, la contribucin
de rampas de entrada y salida como fuentes y sumideros en el carril bajo
consideracin, en la literatura se escribe como
(x, t) Q(x, t)
+ = in (x, t) out (x, t), (3.6)
t x
3
Ver la referencia [66] para una discusin ms general
donde in (x, t) y out (x, t) corresponden al nmero de vehculos por unidad

de tiempo que entran y salen al carril bajo estudio en la posicin x al tiempo t;
o bien que entran o salen por rampas en posiciones fijas en la carretera, estas
ltimas son cantidades que deben darse como datos y no estn determinadas
por la dinmica del sistema.
Por otra parte, recordemos que el flujo est dado por
Q(x, t) = (x, t)V (x, t), (3.7)
de manera que la velocidad promedio interviene explcitamente en la ecuacin

(3.5) para la densidad. Si queremos hacer una descripcin que solamente
contenga trminos en la densidad debemos escribir una ecuacin adicional
que nos diga como vara la velocidad promedio con la densidad, es decir
necesitamos una ecuacin constitutiva para cerrar la ecuacin (3.5) que
describe la evolucin de la densidad. Si logramos hacer esto nos quedara una
ecuacin en derivadas parciales donde la densidad sera la nica funcin a
determinar cuando se resuelva la ecuacin diferencial.
Otra opcin consiste en seguir adelante y considerar que la velocidad
promedio de los vehculos es tambin una de las variables relevantes, por
lo que es necesario introducir una ecuacin adicional para ella. Podemos
intuir que la ecuacin para la velocidad necesitar de informacin adicional
para cerrar el conjunto [24], [73].4 De hecho, tendramos una jerarqua de
ecuaciones y en cada paso vamos a necesitar una hiptesis de cerradura que
nos permita resolver el problema.
3.3. Modelos de primer orden

En la literatura, los modelos que slo consideran a la densidad como varia-
ble relevante se conocen como modelos de primer orden y los que consideran
a la densidad y la velocidad promedio se llaman modelos de segundo orden,
o modelos tipo Navier-Stokes [73], [30]. Asimismo, los modelos que consi-
deran un nmero mayor de variables les podemos llamar modelos de orden
superior.
4
Involucra a la varianza.
3.3. MODELOS DE PRIMER ORDEN 39
3.3.1. Modelo de Lighthill-Whitham-Richards (LWR)

Con el objeto de cerrar la ecuacin (3.5) Lighthill y Whitham en 1955
[36] y Richards en 1956 [59] consideraron como ecuacin constitutiva para el
flujo vehicular, la ecuacin de Greenshields [17],

Q() = Vmax 1 , (3.8)
max
con Vmax la mxima velocidad permitida en la carreteta y max la mxi-
ma densidad; los valores tpicos para estas variables son: Vmax = 120 km/h
y la densidad max en el intervalo de 140 160 veh/km. La ecuacin de
Greenshields representa de manera cualitativa las caractersticas que se han
observado en el flujo vehicular como la de tomar el mximo valor a densi-
dades bajas y el mnimo valor a densidades altas. Tambin esta ecuacin nos
dice que el flujo es funcin de (x, t) slo a travs de la densidad.
Substituyendo la ecuacin constitutiva (3.8) en la ecuacin (3.5) se ob-
tiene: !
2
+ Vmax 1 = 0, (3.9)
t max x
que puede transformarse en la llamada ecuacin de Burgers sin viscosidad
al hacer los cambios de variable y funcin siguientes: (a) tomamos variables
adimensionales x0 = max x, t0 = max Vmax t y (b) hacemos un cambio lineal
0
en la escala de densidad = max 12
,

+ = 0, (3.10)
t x
donde hemos quitado las primas en todas las variables, para simplificar la
notacin. Ahora la ecuacin (3.10) ya est escrita totalmente en trminos de
variables adimensionales.
Para determinar una solucin de este problema se requiere establecer las
condiciones de frontera respecto a x. Si lo que se desea, es describir el flujo
vehicular en una carretera circular en la que no haya rampas de entrada y
salida, lo ms adecuado es imponer condiciones de frontera peridicas
(0, t) = (L, t) t > 0, (3.11)
adems ser necesario dar la condicin inicial en la carretera, que escribiremos
en la forma
(x, 0) = (x) 0 < x < L, (3.12)
y que tambin debemos escribir en trminos de las variables adimensionales

correspondientes. La solucin explcita de esta ecuacin se estudiar en el
captulo 4. Por el momento podemos adelantar que la ecuacin (3.10) pre-
senta ondas de choque, es decir, un aumento muy apreciable de la densidad
en un intervalo muy corto de longitud. Esta caracterstica no es deseable en
los modelos de trnsito, sobre todo porque los datos experimentales no mues-
tran esas propiedades. En los datos reales podemos apreciar la formacin de
cmulos y embotellamientos, pero no ocurren de manera espontnea. Esto
significa que el modelo que estamos trabajando no arroja resultados realistas
y por lo tanto no es una buena representacin de nuestro problema.
3.3.2. Modelo de Lighthill-Whitham con difusin (LWD)

Para modificar la aparicin de la onda de choque que aparece en el modelo
LWR, Lighthill en 1974 consider una modificacin, mediante una ecuacin
constitutiva diferente,
!

Q = Vmax 1 D , (3.13)
max x
donde D es una constante positiva que llamaremos coeficiente de difusin.

La sustitucin directa de la nueva ecuacin constitutiva (3.13) en la ecuacin
de continuidad (3.6) nos lleva a
!
2 2
+ Vmax 1 D 2 = 0, (3.14)
t max x x
donde podemos ver que la estructura no lineal de la ecuacin de Burgers

persiste, pero ahora hay un trmino en segundas derivadas de la densidad,
que asemeja a un trmino de difusin usual. sta es la ecuacin de Burgers
usual, que tambin se puede escribir en trminos devariables
adimensionales,
0 0 0 10
tomando x = max x, t = max Vmax t, = max 2 y, el coeficiente de
0 max
difusin adimensional queda como D = Vmax D. Con lo cual la ecuacin
(3.14) queda en forma
2
+ D 2 = 0, (3.15)
t x x
donde nuevamente hemos eliminado las primas para facilitar la escritura.
Es bien conocido que la ecuacin de Burgers usual (3.15) se puede resolver
3.3. MODELOS DE PRIMER ORDEN 41
analticamente usando la llamada transformacin de Cole-Hopf, ver el cap-

tulo 4.
La solucin formal no es til para comparar con los resultados del mo-
delo LWR y de hecho en el captulo 4 se abordaran los mtodos numricos
apropiados para que entonces sea posible hacer las comparaciones adecuadas.
De manera somera podemos adelantar que el coeficiente de difusin juega
un papel importante, dando lugar a una solucin que no presenta ondas de
choque.
3.3.3. Modelo de Nelson

El modelo de Nelson [51] toma como punto de partida el modelo LWD
pero modifica el coeficiente de difusin, con el objetivo de lograr la descripcin
del flujo sincronizado, dentro del esquema de los modelos de primer orden.
Ahora bien, qu caractersticas tiene el flujo sincronizado? En el captulo
2 describimos someramente la existencia de dos rgimenes importantes en el
trnsito: el flujo libre y el flujo congestionado, adems dijimos que hay una
transicin que permite pasar de un tipo de flujo a otro, el flujo sincronizado
se presenta en la transicin entre estos dos rgimenes. La manera ms simple
de entender el concepto se tiene si consideramos una carretera con dos ca-
rriles, ambos en la misma direccin de circulacin. Bajo ciertas condiciones de
densidad alta, sucede que los vehculos van con velocidad constante, aunque
diferente en cada carril. Esta situacin representa una sincronizacin entre
ambos carriles, que adems no permite que los vehculos cambien de carril.
Cuando solamente se tiene un carril de circulacin, necesitamos tomar un
sistema de referencia que se mueva con la velocidad promedio de los vehculos
y entonces veremos que hay un frente inmvil, todo ello a densidad alta. En
el diagrama fundamental (Q ), dicha situacin se localiza en la regin
cercana al mximo de densidad y antes de llegar al trfico congestionado, ver
Figura 2.3.
Nelson us un coeficiente de difusin dependiente de la densidad tomando
como base argumentos cualitativos. En particular, la ecuacin constitutiva
que es necesaria para cerrar la ecuacin (3.6) depende de la densidad evaluada
en posicin y tiempo desplazados,

V (x, t) = Ve (x + V T, t T ) , (3.16)
donde T es un tiempo de reaccin en el cual los conductores tratan de ajustar
su velocidad, a la velocidad en cualquier posicin al tiempo t, de manera que
T es en realidad un tiempo de retraso en la respuesta. Por otra parte, los

conductores tratan de compensar dicho retraso ajustando la densidad a una
cierta distancia adelante de su posicin x (distancia de anticipacin). Tanto
T como se consideran cantidades pequeas y entonces se desarrolla en serie,
de manera que el coeficiente de difusin queda en la forma
D() = V 0 () T 2 [V 0 ()]2 . (3.17)
La cantidad V 0 () es la derivada de la velocidad, dada por el diagrama funda-

mental Ve () respecto de la densidad y es negativa. El principal problema
de este modelo radica en que el coeficiente de difusin propuesto puede ser
negativo, para valores de la densidad menores que la mxima. El valor pre-
ciso depende del diagrama fundamental que se utilice. Cualitativamente esto
significa que a partir de ciertas densidades, el conductor compensa ms de
lo necesario. En el captulo 5 se propone estudiar algunas caractersticas adi-
cionales de este modelo.
3.3.4. Modelo de Jordan

Hasta el momento hemos visto que los modelos de primer orden tienen
como punto de partida la ecuacin de continuidad (3.6), en la que es necesario
introducir una ecuacin constitutiva. Si se analizan con mayor cuidado las
ecuaciones que ya presentamos, podremos ver que las seales se propagan
con rapidez infinita, esto significa que una perturbacin en el flujo se siente
al mismo tiempo en todas las posiciones de la carretera. Para el problema
de trnsito, quiere decir que los conductores reaccionan instantneamente
ante los cambios que se presentan a cualquier distancia delante de ellos.
Este aspecto se ha hecho notar en la literatura [27] y se ha propuesto una
correccin a la ecuacin constitutiva, que incluye un tiempo de reaccin para
los conductores. La ecuacin que se propone para el flujo es
!
Q 2
Q + T0 = Vmax 1 D 2, (3.18)
t max x
con la cual, la ecuacin para la densidad queda en la forma

!
2 2 2
T0 2 D 2 + + Vmax 1 = 0. (3.19)
t x t max x
3.4. MODELOS DE SEGUNDO ORDEN 43
El tiempo de reaccin de los conductores es T0 y es una cantidad positiva.

La introduccin del tiempo de reaccin tiene como consecuencia el hecho de
que ahora la velocidad de las seales ya es finita, el coeficiente de difusin es
D > 0 y constante. Desde el punto de vista matemtico, la introduccin de
este tiempo cambia de manera fundamental la estructura de la ecuacin, ya
que ahora en lugar de una ecuacin tpica de la difusin, es una ecuacin de
onda. La velocidad de propagacin est determinada por el coeficiente de di-
fusin y el tiempo de reaccin. La ecuacin (3.19) se conoce como ecuacin
de Burgers hiperblica (HBE) y algunas de sus propiedades ya han comen-
zado a estudiarse [27].
3.4. Modelos de segundo orden

Los modelos de segundo orden consideran tanto a la densidad (x, t) como
a la velocidad V (x, t) entre las variables relevantes en la descripcin. Nueva-
mente si tenemos un circuito cerrado con un nmero fijo de vehculos en l,
la ecuacin de continuidad seguir siendo vlida. Sin embargo, a diferencia
con los modelos de primer orden, ahora necesitamos una ecuacin diferencial
adicional que nos permita describir la dinmica de ambas variables. Esto sig-
nifica que adems de la ecuacin de continuidad (3.6) tendremos una ecuacin
para la velocidad y sta debemos proponerla, o bien deducirla a partir de un
modelo cintico. Los modelos de segundo orden han pasado por varias etapas,
pero comparten la similitud con la ecuacin de Navier-Stokes en la dinmica
de fluidos en regimen compresible. Dejando de lado el desarrollo histrico
de este tipo de modelos, haremos un recuento breve de los que se utilizan
con frecuencia y que de manera cualitativa describen el comportamiento del
trnsito.
3.4.1. Modelo de Kerner-Konhuser

El modelo de Kerner-Konhuser (modelo K) [30] considera la ecuacin
de continuidad (3.6) para la densidad y en lugar de la ecuacin constitutiva
para el flujo Q, propone una dinmica para l, de manera que:
!
Q V
+ QV + c20 = [Ve () V ], (3.20)
t x x
donde > 0 es constante y juega un papel semejante a la viscosidad

volumtrica en flujo compresible, a su vez > 0 es un tiempo de relajamiento
en el cual los conductores tratan de ajustar su velocidad a la correspondiente
al diagrama fundamental. La ecuacin (3.20) tambin se puede escribir en la
forma
V V 1 P 1
+V = + [Ve () V ] (3.21)
t x x
donde es clara la similitud con la ecuacin de Navier-Stokes en la dinmica
de flujo compresible. En la ecuacin (3.21) la cantidad P(x, t) se conoce con
el nombre de presin de trfico, por su semejanza con el tensor de presiones.
El modelo K propone que la presin de trfico se escriba en la forma
V (x, t)
P(x, t) = (x, t)0 , (3.22)
x
donde 0 es la varianza, que en este caso se propone como (x, t) = 0 =
c20 = constante > 0. Si reescribimos las ecuaciones (3.20) y (3.21), podemos
ver que la ecuacin para la velocidad promedio es
V V 0 0 2 V 1
+V = + 2
+ [Ve () V ], (3.23)
t x x x
donde la similitud con la ecuacin de Navier-Stokes es inmediata. Debemos

recordar que adems debemos tomar el cuenta la ecuacin (3.6) para la den-
sidad, de manera que las dos ecuaciones (3.6) y (3.23) estn acopladas y no
son lineales. Evidentemente la solucin ser numrica y en el captulo 5 se
estudiarn sus caractersticas. Por el momento adelantamos que en la solu-
cin se puede observar que la densidad y velocidad estn muy relacionadas,
ya que a una densidad alta (baja) corresponde una velocidad baja (alta).
Adems al transcurrir el tiempo, el perfil de densidad adquiere un mximo
pronunciado. Es conocido que este modelo presenta algunas dificultades para
ciertos valores de los parmetros, resultando densidades mayores que la mx-
ima y velocidades negativas. An con ello, el modelo K ha representado un
prototipo de los modelos macroscpicos en este campo.
3.4.2. Otros modelos de segundo orden

En la literatura existen otros modelos de segundo orden que se han pro-
puesto de manera fenomenolgica, como ejemplos de este tipo tenemos los
3.5. MODELO DE HELBING 45
modelos de Marques [39], Zhang [77] y algunos otros, que tienen como denom-
inador comn el tomar como base la analoga con flujo compresible. Tambin
existen modelos macroscpicos de segundo orden, que tienen su fundamento
en un modelo cintico [69, 41]. En este caso las ecuaciones macroscpicas
resultan al calcular la dinmica de los momentos de la funcin de distribu-
cin de velocidades. Las ecuaciones que resultan describen a variables como
la densidad (momento de orden cero) y a la velocidad (momento de orden
uno). Como ya hemos hecho notar anteriormente, las ecuaciones dinmicas
generalmente no estn cerradas y es necesario tener una ecuacin consti-
tutiva que nos permita cerrar. Tambin para los modelos con fundamento
cintico existe el mismo problema, sin embargo en ese caso la cerradura se
calcula con la propia funcin de distribucin de velocidades [69, 26, 73, 42].
El problema principal de dicho enfoque consiste en partir de una ecuacin
cintica apropiada y, que en realidad las ecuaciones cinticas que exiten en
la literatura, se pueden aplicar solamente al regimen de baja densidad.
3.5. Modelo de Helbing
Los modelos de orden superior al segundo los llamamos modelos de or-

den superior, el modelo de Helbing (H) que describiremos en esta seccin
pertenece a dicho conjunto debido a que considera tres variables relevantes
en la descripcin. El modelo H [22], se propuso fenomelgicamente para su-
perar las dificultades mencionadas antes para el modelo K. Entonces se tom
en cuenta a la varianza como variable relevante y se propuso una ecuacin
dinmica para determinar su comportamiento. Evidentemente, dicha pro-
puesta necesita de parmetros adicionales y datos obtenidos a partir del
comportamiento emprico. El modelo H contiene a las variables (, V, ) y,
por lo tanto se tienen tres ecuaciones acopladas no lineales para ellas. Adems
de una ecuacin para la varianza, el modelo H contiene en sus parmetros, al
tamao de los vehculos, y un tiempo relacionado con el avance del conductor.
Las ecuaciones que corresponden a este modelo son:

V
+ = 0,
t x
V V 1 P 1
+V = + Ve () V ,
t x x
2P V 1 J 2
+V = + e (, V ) .
t x x x
Se puede apreciar que estas ecuaciones tienen la estructura de la dinmica
de fluidos, donde adems de las ecuaciones de la densidad y la velocidad se
considera la temperatura. Es importante notar que a pesar de la analoga, la
presencia de trminos anlogos no significa que se tenga el mismo significado.
Al igual que antes P denota a la presin de trfico y J corresponde al
equivalente del flujo de calor y es una medida de la asimetra en la estructura
de la funcin de distribucin de velocidades. Para el modelo H se tienen las
expresiones siguientes:
V
P= , J = ,
1 s(V ) x x
donde
0 0
= , = , (3.24)
1 s 1 s
corresponden a los coeficientes que intervienen en la presin de trfico y en
J . Las cantidades 0 , 0 son constantes y s(V ) = l + V T es una correccin
que toma en cuenta el tamao de los vehculos, l es su longitud y T es
un tiempo relacionado con el avance del conductor. Por otra parte, para la
varianza que corresponde al estado homogneo y estacionario, e (, V ), se
han utilizado varias expresiones que resultan ajustar a los datos mostrados
en las Figuras 2.12 y 2.13. Como ejemplo tenemos
" #
(/ )
max c
e () = A()Ve ()2 , A() = A0 + A tanh + 1 , (3.25)

donde A0 = 0.008, A = 0.015, c = 0.28 y = 0.1 son cantidades

constantes. Nuevamente, la solucin numrica del conjunto de ecuaciones se
discutir en el captulo 5.
Captulo 4
Solucin de EDP de primer orden
En este captulo se estudia la solucin de las ecuaciones en derivadas par-

ciales (EDP) de primer orden. Se inicia el captulo con las ecuaciones lineales
y se presenta el mtodo de caractersticas que juega un papel muy impor-
tante en este tipo de problemas. Posteriormente, se analiza la existencia y
unicidad de la solucin clsica de la ecuacin cuasi-lineal y se da como ejem-
plo la ecuacin de Burgers. A continuacin se analiza la aparicin de ondas
de choque que da lugar a las condiciones de Rankine-Hugoniot y de entropa
que permiten determinar una solucin dbil para este tipo de problemas. En
una nueva seccin se aplican los resultados tericos al problema de trfico
vehicular y por ltimo, se analiza la existencia de soluciones para la ecuacin
de Burgers con viscosidad.
4.1. Problema lineal

Considrese el siguiente problema en EDP homogneo de primer orden
lineal
u(x, t) u(x, t)
a(x, t) + b(x, t) + c(x, t) u(x, t) = 0 < x < , t > 0,
t x
(4.1)
u(x, 0) = (x) < x < ,
con (x) C 0 (, ), a(x, t), b(x, t) y c(x, t) son funciones continuamente
diferenciables en
D = {(x, t)| < x < , t > 0}.
47
48 CAPTULO 4. SOLUCIN DE EDP DE PRIMER ORDEN
Se puede demostrar, ver [18], que este problema admite solucin nica en D.
Mtodo de las caractersticas

Una forma de encontrar la solucin de este problema es por el mtodo de
caractersticas que consiste en lo siguiente: supongamos que x y t son curvas
con parmetro s que satisfacen:
dx
= a(x, t), x(0) = x0 ;
ds
dt
= b(x, t), t(0) = 0.
ds
Entonces el problema (4.1) se reduce a resolver el siguiente sistema de ecua-
ciones diferenciales ordinarias:
du(x(s), t(s))
+ c(x(s), t(s)) u(x(s), t(s)) = 0,
ds
u(x(0), 0) = (x0 ).
Al conjunto de curvas {(x(s), t(s)) s > 0} se les llama las curvas carac-
tersticas asociadas al problema (4.1) y su uso nos permite reducir este
problema a la resolucin de una ecuacin diferencial ordinaria, respecto al
parmetro s, a lo largo de estas curvas.
Ejemplo 4.1.
u(x, t) u(x, t)
+ = 0 < x < , t > 0,
t x
u(x, 0) = (x) < x < .
En este caso las curvas x(s) y t(s) satisfacen

dx
= 1, x(0) = x0 ;
ds
dt
= 1, t(0) = 0,
ds
por lo que x(s) = s + x0 y t(s) = s. Entonces la interpretacin geomtrica
es la siguiente: para cada x0 se tiene una nica curva caracterstica de la
forma x(t) = t + x0 . Despejando t de la ecuacin anterior podemos graficar
4.1. PROBLEMA LINEAL 49
las curvas caractersticas en el plano (x, t). Estas son rectas paralelas a t = x
que pasan por (x0 , 0), como se muestra en la Figura 4.1.
Por otro lado, la EDO que hay que resolver a lo largo de las caractersticas
es de la forma
du(x(t), t)
= 0, u(x(0), 0) = (x0 ),
dt
cuya solucin es u(x(t), t) = c = (x0 ). Como x = x0 + t entonces
u(x(t), t) = (x t).
Por ejemplo, si (x) = Sen(x), la solucin es u(x(t), t) = Sen(x t). La

solucin es una onda que se propaga a la derecha con velocidad uno.
t
10
x
-4 -2 0 2 4
Figura 4.1: Curvas caractersticas t = x x0 con x0 [5, 4]
Ejemplo 4.2.
u(x, t) u(x, t)
+x + t u(x, t) = 0 < x < , t > 0,
t x
u(x, 0) = (x) < x < .
En este caso las curvas caractersticas satisfacen:

dx
= x x(0) = x0 ,
ds
dt
= 1 t(0) = 0,
ds
con solucin x(s) = x0 es y t(s) = s. En la Figura 4.2 se presenta en el plano
(x, t) las curvas caractersticas t = ln( xx0 ), para x0 > 0.
t
5
x
0 1 2 3 4 5
Figura 4.2: Curvas caractersticas t = ln [ xx0 ] para x0 [.1, 5]
A lo largo de estas curvas el problema en EDO a resolver es:

du(x(t), t)
= tu, u(x(0), 0) = (x0 ),
dt
2 2
cuya solucin es u(x(t), t) = Cet /2 = (x0 )et /2 . Despejando x0 = xet se
2
obtiene que u(x(t), t) = (xet )et /2 . En este caso u ya no es constante a lo
largo de las curvas caractersticas.
Ejemplo 4.3. En general, supngase que se tiene una funcin a(x) C 1 (, )
y el problema
u(x, t)
+ (a(x) u(x, t)) = 0 < x < , t > 0,
t x
u(x, 0) = (x) < x < .
4.2. PROBLEMA CUASI-LINEAL 51
Entonces las caractersticas son las curvas que satisfacen:

dx
= a(x(s)), x(0) = x0 ,
ds
dt
= 1, t(0) = 0
ds
y el problema se reduce a resolver a lo largo de las caractersticas la EDO
du(x(t), t)
= a0 (x(t)) u(x(t), t), u(x(0), 0) = (x0 ).
dt
4.2. Problema cuasi-lineal

Un problema de ecuaciones en derivadas parciales de primer orden cuasi-
lineal es de la forma
u(x, t) u(x, t)
a(x, t, u) + b(x, t, u) + c(x, t, u) = 0 < x < , t > 0,
t x
(4.2)
u(x0 (s), t0 (s)) = (s).
Se le llama cuasi-lineal porque las derivadas parciales de u aparecen en forma
lineal aunque los coeficientes dependan en forma no lineal de u. El caso lineal,
cuando los coeficientes a y b no dependen de u y c depende linealmente, es
un caso particular de este problema.
El siguiente teorema nos da las condiciones que deben satisfacer las fun-
ciones a(x, t, u), b(x, t, u), c(x, t, u) y (x) para garantizar la existencia y
unicidad local de este problema.
Teorema 4.2.1. Si se cumplen las siguientes hiptesis:
1. a(x, t, u), b(x, t, u) y c(x, t, u) son continuamente diferenciables en D

con
D = {(x, t, u)| < x, u < , t > 0};
2. la curva (x0 (s), t0 (s), (s)) est en D y es clase C 1 ;
3.
a(x0 (s), t0 (s), u0 (s)) x00 (s)
6 0
=
b(x0 (s), t0 (s), u0 (s)) t00 (s)
existe una solucin nica continuamente diferenciable de (4.2) para alguna

vecindad de la curva inicial. A esta solucin se le conoce como la solucin
clsica del problema.
El Teorema de la Funcin Implcita juega un papel fundamental en la
demostracin, ver [18].
La ecuacin de Burgers (3.10) es un caso particular de una ecuacin cuasi-
lineal; tambin pertenece a un tipo de ecuaciones conocidas con el nombre
de ecuaciones conservativas que provienen de una ley de conservacin como
la de masa, de momentum o de energa y que son de la forma
u
+ f (u) = 0 x (, ) t > 0, (4.3)
t x
u(x, 0) = (x) x (, ),
con f una funcin continuamente diferencible. En el caso de la ecuacin de
Burgers sin viscosidad f (u) = 12 u2 .
El mtodo de las caractersticas tambin puede utilizarse para determinar
la solucin de las ecuaciones cuasi-lineales, pero a diferencia del caso lineal,
estas curvas pueden no existir para cualquier x0 , aunque (x) sea muy re-
gular. Supngase que se tiene el problema (4.3) con f 0 (u) = g(u), entonces
para determinar la curva caracterstica que pasa por el punto (x0 , 0) hay que
resolver el siguiente problema
dx
= g(u(x(t), t)), x(0) = x0 .
dt
Si se puede encontrar una nica solucin entonces el problema (4.3) se reduce
a resolver la siguiente ecuacin a lo largo de la caracterstica:
du(x(t), t) u u
= + g(u(x(t), t) = 0, u(x(0), 0) = (x0 ).
dt t x
En este caso la caracterstica es de la forma x(t) = x0 + g(u)t, por ser u
constante con respecto a t a lo largo de esta curva. Las curvas x(t) son rectas
con pendiente g(u(x0 , 0)) y, a diferencia del caso lineal, van a tener pendiente
distinta; esto da lugar en algunos casos a que las rectas se intersecten y, en
consecuencia la solucin u est multivaluada en el punto de interseccin, por
lo que la solucin u no estar bien definida en este punto. En caso de que no
se intersecten, la solucin de la ecuacin (4.4) es igual a
u(x(t), t) = (x0 ) = (x g(u)t)
4.2. PROBLEMA CUASI-LINEAL 53
y es una onda que avanza a velocidad g(u(x(t), t)) a lo largo de la caracters-

tica x(t). Observemos que la solucin est dada de forma implcita lo que
implica en muchos casos resolver un problema no lineal para determinar el
valor de u en los puntos que interesen.
Ejemplo 4.4. Para la ecuacin de Burgers sin viscosidad (3.10)

u u
+u = 0 x (, ) t > 0,
t x
u(x, 0) = (x) x (, ),
las caractersticas son rectas de la forma x(t) = x0 + u(x(t), t)t y la solucin

a lo largo de cada curva es de la forma u(x(t), t) = (x ut).
Ejemplo 4.5. Problema de Riemann Este problema consiste en resolver

una ecuacin de tipo conservativo con condiciones iniciales de la forma

uI x < 0,
u(x, 0) =
ud x 0,
con uI y ud constantes. Ntese que la funcin no cumple las condiciones
del teorema. Si g(u) = a, la solucin es de la forma

uI x < at,
u(x(t), t) =
ud x > at.
La singularidad en cero se propaga a lo largo de la caracterstica x = at.
Ejemplo 4.6.
u u
+u = 0 x (, ) t > 0,
t x
1 x 0,
u(x, 0) = 1x 0 < x < 1,

0 x 1.
Las caractersticas toman la siguiente forma en el plano (x, t) dependiendo

del subintervalo en el que se encuentre x0

x x0 x0 0,
xx0
t= 0 < x0 < 1,
1x0
x0 x0 1.
Las curvas estan bien definidas para t < 1, pero cuando t = 1, varias curvas
se intersectan, ver Figura 4.3, por lo que el problema no admite solucin
clsica en este punto. Para obtener una solucin en otro sentido, llamado
sentido dbil, se introduce el concepto de onda de choque.
t
1.0
0.8
0.6
0.4
0.2
x
-4 -2 0 2 4
Figura 4.3: Curvas caractersticas del ejemplo 4.6.
Observacin
Una forma de determinar de antemano la no existencia de una solucin
para alguna t > 0, es analizar el comportamiento de las derivadas parciales
de sta en el plano (x, t).
Considrese el siguiente problema:
u u
+ g(u) = 0 x (, ) t > 0,
t x
u(x, 0) = (x) x (, ),
con g(u) = f 0 (u). La solucin es de la forma
u(x, t) = (x g(u)t);
4.3. ONDAS DE CHOQUE 55
para que u satisfaga la ecuacin para cualquier punto (x, t) deben existir las
derivadas parciales de u respecto a x y a t en cualquier punto el plano (x, t).
Como u(x, t) (x g(u)t) = 0 entonces
u u
0 (x g(u)t)(1 g 0 (u)t ) = 0,
x x
lo que implica que
u 0 (x g(u)t)
=
x 1 + 0 (x g(u)t)g 0 (u)t
y para la derivada de u respecto a t se tiene
u g(u)0 (x g(u)t)
= .
t 1 + 0 (x g(u)t)g 0 (u)t
Si el denominador es igual a cero para alguna (x, t) no existen las derivadas

parciales en esos puntos y u no satisfacer la ecuacin. Si 0 (x) > 0 y g 0 (u) > 0
entonces la solucin satisface la ecuacin para cualquier (x, t). Si los signos
de las derivadas de g y 0 son distintos entonces para alguna t que satisfaga
1 + 0 (x g(u)t)g 0 (u)t = 0 no se tendr una solucin clsica, es decir una
solucin C 1 en los reales que satisfaga para toda (x, t) la ecuacin.
Apliquemos este anlisis al ejemplo 4.6. En este caso, g 0 (u) = 1 y para
0 < x0 < 1, 0 (x0 ) = 1; cuando t = 1 no existen las derivadas parciales
por lo que para estos puntos la ecuacin no tiene solucin, como se haba
determinado antes.
Otro ejemplo aparece cuando la ecuacin de Burgers sin viscosidad tiene
como condicin inicial (x) = ex . Las caractersticas tienen la forma t =
(x x0 )/ex0 y 0 (x) = ex < 0 para toda x, por lo que para t = 1/ex0
no existen las derivadas parciales sobre la caracterstica que pasa por x0 y,
en consecuencia, en este punto no existe una solucin clsica.
4.3. Ondas de choque

Como se vi en la seccin anterior en los problemas no lineales puede no
existir una solucin que satisfaga la ecuacin para toda (x, t). En el caso del
ejemplo 4.6, en t = 1 hay varias curvas caractersticas que se intersectan,
existe una solucin para t 1? En otros casos, aunque la solucin est
definida para toda (x, t) no es continua porque el lmite por la derecha no
coincide con el lmite por la izquierda, lo que implica que hay un salto o singu-
laridad. Una solucin con singularidades tiene sentido fsico? La respuesta
es afirmativa y hay un ejemplo muy conocido sobre este fenmeno que se
presenta en el estudio de dinmica de gases y que se describe a continuacin.
Supngase que se tiene un gas encerrado en un tubo de longitud infinita
que tiene un pistn del lado izquierdo en la posicin x = 0; el gas est a una
densidad y a una presin constante. Al tiempo t = 0, el pistn comienza a
moverse con velocidad constante v en el sentido positivo del eje de las x. Si
se desprecian efectos debidos al calor y a la viscosidad, ante el pistn aparece
una onda de choque, (un punto que se mueve a lo largo del tiempo en el que
hay un salto en la densidad, presin o velocidad) la cul coincide con ste en
el momento inicial, pero que al correr el tiempo avanza con velocidad U > v.
Entre el pistn y la onda de choque aparece una regin en la que el gas se
mueve con la velocidad del pistn y por ltimo hay una tercera regin, a la
derecha de la onda de choque en la que el gas est en reposo, ver [62].
Otro ejemplo es la formacin de ondas de choque en la dinmica de gases
ultrasnicos. En el mundo real este fenmeno se ve raras veces debido a los
efectos del calor y de la viscosidad, pero lo que s se observa con frecuencia en
dinmica de fluidos es la existencia de regiones en las que en distancias muy
pequeas hay cambios muy pronunciados en la densidad y presin. Cmo
modelar esto matemticamente? La idea es introducir una curva y(t) a lo
largo de la cual se van a mover las discontinuidades y que nos va a permitir
definir una solucin para todo punto (x, t) del dominio. Si slo imponemos
esta condicin se tienen muchas curvas a escoger, pero si se quiere seleccionar
aquella que tenga significado fsico o sea aquella curva en la que nuestro
modelo conserva la masa entonces se reduce la seleccin. En este caso ya no
podemos aspirar a que la ecuacin en derivadas parciales (4.3) se satisfaga
para todo punto del dominio, pero s podemos escoger aquella curva y(t) que
nos permite asegurar que se satisface la Ley de conservacin de masa en su
forma integral, es decir
Z b
d
u(x, t) dx = f (u(a, t)) f (u(b, t)). (4.4)
dt a
Para ello supongamos que para una x (a, b) la solucin u tiene una discon-
tinuidad, entonces se desea determinar una curva x = y(t) que pase por este
punto para la cual u y u
t
son integrables en [a, y(t))(y(t), b]. Denotemos por
uI = lmxy(t) u(x, t) y como uD = lmxy(t)+ u(x, t), los valores que toma
la solucin u por la izquierda y por la derecha de la curva, respectivamente,

entonces
Z Z y(t) Z b
d b d
u(x, t) dx = [ u(x, t) dx + u(x, t) dx].
dt a dt a y(t)
R y(t)
Por otro lado, sea G(y(t), t) = a u(x, t) dx, por la regla de la cadena se
tiene Z Z y(t)
dG d y(t) u(x, t) dy
= u(x, t) dx = dx + uI .
dt dt a a t dt
Al aplicar esta igualdad a las dos integrales y al usar que en cada una de
ellas se satisface la ecuacin diferencial (4.3) se obtiene
Z b Z y(t) Z b
d u(x, t) u(x, t)
u(x, t) dx = dx + uI y 0 (t) + dx ud y 0 (t),
dt a a t y(t) t
= f (u(a, t)) f (uI ) f (u(b, t)) + f (uD ) + (uI uD )y 0 (t).
Para que se cumpla la igualdad (4.4) es necesario que
dy
(uI uD ) f (uI ) + f (ud ) = 0,
dt
o sea la pendiente a la curva y(t) en el punto de discontinuidad debe satisfacer
dy (f (uI ) f (ud ))
= .
dt (uI uD )
A esta condicin se le conoce con el nombre de la condicin de salto de

Rankine-Hugoniot. La curva y(t) est definida por esta ecuacin diferencial
ms una condicin inicial.
Ejemplo 4.7. Retomemos el ejemplo 4.6. En la Figura 4.3 se describen las

curvas caractersticas y se observa que en el punto (1, 1) se intersectan una
infinidad de ellas por lo que en ese punto la solucin tiene un brinco de uno
2
a cero. Como f (u) = u2 , la condicin que debe satisfacer la curva y(t) para
que se cumpla (4.4) es
dy 1/2
= = 1/2 y(1) = 1.
dt 1
La curva es x = y(t) = 12 (t + 1) o sea t = 2x 1. Entonces al aplicar el

mtodo de caractersticas se obtiene que la curva y(t), donde u da un salto,
divide a la regin en dos partes para t 1. A la izquierda de ella, la solucin
es igual a uno, a la derecha es igual a cero; es decir u es de la forma

1 x < (t + 1)/2 si t 1,
u(x, t) =
0 x > (t + 1)/2 si t 1.
La funcin u no es solucin del ejemplo 4.6 porque no satisface la ecuacin

para todo (x, t). Sin embargo, satisface que u H 1 [(, ) (0, )] con
u u
H 1 = {u : (, ) (0, ) <|u, , L2 }
x t
y que para toda continuamente diferenciable con soporte compacto en
< <+ {0} se satisface
Z Z
u f (u)
( + ) dx dt = 0
0 t x
que implica que tambin se cumple la Ley de Conservacin en forma integral.
Ejemplo 4.8. Considrese el problema de Riemann para la ecuacin de

Burgers con g(u) = u, uI = 1 y ud = 0. Las curvas caractersticas con x0 < 0
son de la forma x(t) = x0 + t, mientras que para x0 > 0, x(t) = x0 . La recta
t = x y la recta x = 1 se intersectan para t = 1. La curva que satisface la
condicin de Rankine-Hugoniot es de la forma
dy 1/2
= = 1/2, y(0) = 0.
dt 1
Para este ejemplo y(t) = 12 t o sea es la caracterstica x = 2t que viaja con
velocidad 1/2. De nueva cuenta esta curva divide el dominio en dos partes,
la solucin dbil es
1 x < t/2,
u(x, t) =
0 x > t/2.
Observemos que en este caso uI > ud . Qu sucede cuando ud > uI ? Por
ejemplo, que ud = 1 y uI = 0. Las curvas caractersticas son

x0 x0 < 0,
x(t) =
x0 + t x0 > 0.
t
1.0
0.8
0.6
0.4
0.2
x
-4 -2 2 4
Figura 4.4: Curvas caractersticas de Riemann con ud > uI .
Al graficarlas se observa en la Figura 4.4 que hay una regin entre la curva
x = 0 y t = x en donde no hay curvas caractersticas por lo que la solucin
en esta regin no est definida y, en consecuencia, tampoco en este caso el
problema de Riemann tiene solucin clsica. Se puede aplicar la condiciones
de salto para construir una curva y(t) que nos permita obtener una solucin
dbil? Para responder esta pregunta ntese que esta condicin implica que
y(t) debe satisfacer
dy 1/2
= = 1/2 y(0) = 0,
dt 1
lo que da como solucin y(t) = 12 t. La solucin dbil u en este caso est
definida por
0 x < t/2,
u(x, t) =
1 x > t/2.
A diferencia del caso anterior, se puede definir otra solucin dbil dada por

0 x 0,
x
u(x, t) = 0 < x < t,
t
1 x t.
La pregunta que surge es cul de estas soluciones es la que tiene sentido fsico.
La curva de discontinuidad, adems de satisfacer las condiciones de salto, de-
bera satisfacer las condiciones iniciales y no intersectar a otras caractersticas
en puntos distintos al de la condicin inicial; para ello es necesario imponer
otra condicin sobre la velocidad de la curva en el punto de discontinuidad,
lo que se pide es que la velocidad de la curva g(u) = f 0 (u) satisfaga
dy
g(ud ) < < g(uI ).
dt
Esto quiere decir es que la curva y(t) viaja ms rpido que las curvas de la
derecha y ms lento de lo que viajan las de la izquierda. A esta condicin
se le llama Condicin de Entropa. Esta condicin y la condicin de salto de
Rankine-Hugoniot garantizan unicidad de la solucin dbil.
2
Observse que en el caso de f (u) = u2 , g(u) = u por lo que la primera
solucin no satisface la condicin de entropa ya que
g(1) = 1 > 1/2 > g(0).
La solucin que tiene sentido fsico es la segunda que se obtiene al definir
una infinidad de curvas caractersticas con distinta pendiente que que pasan
por (0, 0) y llenan el hueco entre x = 0 y x = t en forma de abanico. De esta
forma u es continua en el dominio de definicin.
Definicin 4.3.1. Una curva y(t) = x que satisface
dy (f (uI ) f (ud ))
= , Rankine-Hugoniot (4.5)
dt uI ud
dy
g(ud ) < < g(uI ) Condicin de entropa (4.6)
dt
se le llama una onda de choque.
Definicin 4.3.2. Una funcin u medible y acotada es solucin dbil o ge-
neralizada de
u
+ f (u) = 0 < x < t > 0,
t x
u(x, 0) = (x)
si Z b
d
u(x, t)dx = f (u(b, t)) + f (u(a, t)),
dt a
4.4. APLICACIN A TRFICO VEHICULAR 61
u(x, 0) = (x) y la funcin u es continua por pedazos y las nicas discon-

tinuidades se propagan a lo largo de las ondas de choque.
En el caso de las ecuaciones conservativas, el siguiente teorema, cuya de-

mostracin puede verse en [18], nos da condiciones suficientes para garantizar
la existencia y unicidad de una solucin dbil cuando f es convexa.
Teorema 4.3.3. Supongamos que f 00 (u) > 0 y que a(u) = f 0 (u) es creciente
y (x) es integrable en los reales entonces a lo ms hay una solucin dbil
del problema (3.10).
Este resultado nos permite garantizar que el problema de Burgers (3.10)

2
con f (u) = u2 tiene nica solucin dbil para toda condicin inicial que sea
integrable en los reales. Para profundizar en este tema se sugiere la lectura
de [32] y [33].
4.4. Aplicacin a trfico vehicular

Apliquemos los resultados anteriores a los siguientes problemas de trfico
vehicular:
Ejemplo 4.9. Se tiene una calle de longitud infinita en la que en la posicin

x = 0 hay un semforo. Supngase que al tiempo t = 0 ste est en rojo
y que los vehculos del lado izquierdo de la calle no pueden pasar por lo
que se comienzan a acumular en un carril, defensa contra defensa, hasta la
posicin x = l/2 para alguna l > 0. Qu sucede con la densidad al tiempo
t > 0 cuando el semforo cambia? La ecuacin a resolver est dada por la
ecuacin de continuidad (3.6); supongamos que el flujo est determinado por
la ecuacin constitutiva de Greenshields, entonces

+ f () = 0 < x < , t > 0, (4.7)
t x

con f () = vmax (1 max
). La condicin inicial, ver Figura 4.5, est dada
por
0 x l
2
,
l
(x, 0) = < x < 0,
max 2
0 x 0.
Condicin inicial
140
120
100
80
60
40
20
0
-500 -300 -100 x 100 300 500
rho(x,0)
Figura 4.5: Perfil de densidad inicial del ejemplo 4.9
Las curvas caractersticas estan definidas por

x0 + vmax t x0 l
2
,
l
x(t) = x vmax t < x < 0,
0 2
x0 + vmax t x 0.
En la Figura 4.6 se muestran las curvas caractersticas. Dependiendo del

comportamiento de stas se pueden definir cuatro regiones diferentes; en
x0 = l/2 se intersectan el primer tipo de curvas con el segundo tipo, pos-
teriormente hay una zona vaca sin curvas entre t = x/vmax y t = x/vmax
y en t > x/vmax aparece el tercer tipo. En (l/2, 0) se forma una onda de
choque que satisface
dy (f (ud ) f (uI ))
= = 0, y(0) = l/2.
dt max
y(t) = l/2 es la ecuacin de esta curva de discontinuidades que satisface

tambin la condicin de entropa dado que
g(max ) = vmax < 0 < vmax = g(0).
En la tercera regin, donde no hay curvas caractersticas se definen curvas

en forma de abanico, como en el caso de Riemann, para definir una solucin
0.004
0.003
0.002
0.001
x
-1.0 -0.5 0.5 1.0
Figura 4.6: Curvas caractersticas del Ejemplo 4.9
continua a lo largo de ellas. Entonces la solucin dbil tiene cuatro compor-

tamientos distintos dependiendo de cada regin

0

x < l/2,
max l/2 < x vmax t,
(x, t) = max x

(1 vmax t ) vmax t < x < vmax t,
2
0 x vmax t.
En la Figura 4.7 se presenta la solucin cuando vmax = 120, max = 140,

l = 500 mt. y t = 1.04 min.
Ejemplo 4.10.
Se tiene un circuito de longitud infinita sin rampas de entrada y salida.
Si al tiempo t = 0 la densidad es igual a (x), determinar la densidad para
t > 0. La ecuacin a resolver es

+ g() =0 x (, ) t > 0, (4.8)
t x
2
con g() = vmax (1 max ). Supngase que la condicin inicial es la siguiente:
(x, 0) = (x) = 28 (1 + Sen(2x)) x (, ).

Perfil de densidad
140
120
100
80
60
40
20
0
-500 -300 -100 x 100 300 500
rho(x,1.04)
Figura 4.7: Perfil de densidad del ejemplo 4.9 al tiempo t = 1.04 min.
Si se hace el siguiente cambio de variable

2(x, t)
C(x, t) = g() = vmax [1 ( )],
max
resolver el problema (4.10) es equivalente a resolver la siguiente ecuacin de
Burgers con condiciones iniciales:
C C
+C = 0 x (, ) t > 0,
t x
56(1 + Sen(2x)
C(x, 0) = (x) = vmax [1 ( )] x (, ).
max
Por el teorema 4.3.3 este problema admite una nica solucin dbil. En
este caso las curvas caractersticas son de la forma x = x0 C(x0 , 0)t por lo
que cada curva tendr su propia pendiente. Se forma una onda de choque?
En este caso es ms difcil determinar para cules valores de (x, t) se hace
cero la siguiente expresin
1 + 0 (x Ct)t,
por lo que el problema se resolver numricamente en el siguiente captulo.

Si no se genera una onda de choque el problema admite una solucin clsica
de la forma
C(x, t) = (x Ct).
4.5. ECUACIN DE BURGERS CON VISCOSIDAD 65
4.5. Ecuacin de Burgers con viscosidad

La presencia de ondas de choque no es realista desde el punto de vista de
los problemas de trfico vehicular porque los conductores pueden, de ante-
mano, reducir su velocidad ante la presencia, al frente de ellos, de un embote-
llamiento o de un obstculo que les impida circular. Por ello, se incluye en el
trmino de flujo de la ecuacin (4.7) otro trmino que dependa de las varia-
ciones de la densidad con respecto a x. La ecuacin resultante tiene mucha
similitud con la ecuacin de Burgers con viscosidad que es la ecuacin de
Burgers ms un trmino difusivo que dependa de un parmetro > 0 y que
a continuacin se presenta
u u
+ (f (u) ) = 0 x (, ) t > 0,
t x x
u(x, 0) = (x) x (, ).
La presencia de la derivada parcial de u respecto a x cambia totalmente la

naturaleza del problema, ahora se tiene un problema parbolico cuya solucin
es ms suave a medida que crece. Supongamos que g(u) = f 0 (u) entonces
la ecuacin anterior se escribe de la forma
u u 2u
+ g(u) = 2 x (, ) t > 0, (4.9)
t x x
u(x, 0) = (x), x (, ).
Esta ecuacin tiene solucin nica que puede determinarse de la siguiente

forma cuando f (u) = u2 /2; sea q(x, t) la funcin que satisface
q q u u2
= u, = ,
x t x 2
entonces q cumple con la siguiente relacin
q 2q 1 q
= 2 [ ]2 .
t x 2 x
Sea w(x, t) = eq(x,t) entonces
2 w w q(x,t) q 2 2q q
= e [ [ ] + ]
x2 t 2 x x2 t
y el trmino a la derecha de esta expresin es igual a cero, siempre que = 12 .

1
Por lo tanto, escogiendo a = 2 , w(x, t) satisface el siguiente problema
w 2w
= 2 < x < t > 0,
t x
Rx
(s)ds
w(x, 0) = e ,
que es una ecuacin del calor con condicin inicial. Para resolver este proble-
ma se usa la transformada de Fourier. Si (x) tiene transformada de Fourier,
el problema admite solucin nica que es de la forma
Z
1 (x)2
w(x, t) = w(, 0)e 42 t d.
2 t
Para recuperar la solucin u se siguen los siguientes pasos: despus de
encontrar w, se obtiene q a partir de q(x, t) = 1 ln w(x, t) y por ltimo, se
obtiene u a travs de la siguiente expresin
q 1 w
u= = .
x w x
Tambien se puede escribir u directamente en trminos de w por medio de
la siguiente expresin que se conoce como la transformada de Cole-Hopf.
2 w(x, t)
u(x, t) = .
w(x, t) x
Ejemplo 4.11. Si en el ejemplo 4.10 le agregamos a la ecuacin de trfico ve-

hicular un trmino difusivo que dependa de un parmetro > 0, el problema
a resolver es el siguiente
2
+ g() = 2 x (, ) t > 0, (4.10)
t x x
2x
(x, 0) = 28 (1 + Sen( )) x (, ).
L
Si se hace el mismo cambio de variable que para el ejemplo 3.10: C(x, t) =
g()(x, t) se obtiene el siguiente problema a resolver
C C 2C
+C = x (, ) t > 0,
t x x2
56(1 + Sen(2x))
C(x, 0) = vmax [1 ( )] x (, ).
max
Para hallar la solucin, se aplica la transformada de Cole-Hopf y se resuelve
el problema de calor asociado por la transformada de Fourier.
Captulo 5
Aproximacin numrica
En este captulo se estudia la aproximacin numrica de los modelos de

primer orden para trfico vehicular. En la primera seccin se presenta la
aproximacin numrica de la ecuacin de adveccin por medio de esquemas
de diferencias finitas y se analiza el error de truncamiento que se introduce al
discretizar las ecuaciones. Posteriormente, se presentan los esquemas de dife-
rencias finitas explcitos ms usados en la literatura y se analiza el problema
de convergencia de la solucin numrica a la solucin clsica de la ecuacin de
adveccin. A continuacin se presentan cmo modificar estos esquemas para
aproximar ecuaciones conservativas y se aplican a un problema de trfico
vehicular cuando se usan distintos modelos de primer orden. Se analiza la
estabilidad de dichos modelos y se compara numricamente su desempeo.
Por ltimo, se presenta la solucin numrica cuando se usan los modelos de
segundo orden vistos en el captulo 3.
5.1. Solucin numrica de la ecuacin de ad-

veccin
Considrese el siguiente problema lineal de adveccin con condiciones
iniciales
u(x, t) u(x, t)
+c = 0 < x < t > 0, (5.1)
t x
u(x, 0) = (x) < x < .
67
68 CAPTULO 5. APROXIMACIN NUMRICA
Este es la ecuacin hiperblica de primer orden ms sencilla que se puede

tener; sin embargo, su aproximacin numrica presenta varias dificultades que
a continuacin se analizan. Los mtodos que se usarn son mtodos de dife-
rencias finitas que consisten en aproximar las derivadas parciales de primer
orden por medio de cocientes. El primer paso para aplicar estos mtodos
es acotar la regin donde se va aproximar la solucin. Supngase que se
selecciona un intervalo [a, b] <, despus de analizar la ecuacin y de decidir
que lo que pasa con la solucin en la regin que se est despreciando no cambia
mucho el comportamiento global de sta. Al acotar la regin se debe imponer
una condicin de frontera acorde con el problema a resolver que pueden ser
tipo Dirichlet como u(a, t) = o condiciones de frontera peridicas u(a, t) =
u(b, t).
El segundo paso es discretizar las variables temporales y espaciales. Dado
T > 0, sean N y M dos nmeros naturales y sean t = T /M y h = (ba)/N.
Asociados a estas cantidades defnanse los siguientes puntos: tj = jt para
j = 0, 1, . . . , M y x0 = a, xi = a + ih con i = 1, . . . , N. Si u es solucin del
problema (5.1) entonces para cada (xi , tj ), u satisface
u(xi , tj ) u(xi , tj )
+c = 0.
t x
La aproximacin numrica del problema anterior en una regin acotada,
consiste en determinar Uij u(xi , tj ) para i = 0, . . . , N y j = 1, . . . , M.
Los esquemas de diferencias utilizan la Serie de Taylor para aproximar las
derivadas parciales; la precisin del esquema depende del nmero de trminos
de la serie que se usen. Los ms sencillos son los explcitos que se obtienen al
discretizar la derivada parcial respecto al tiempo por el siguiente cociente:
u(xi , tj ) u(xi , tj+1 ) u(xi , tj )
.
t t
La forma en la que se discretice el trmino espacial dar lugar a distintos
mtodos explcitos. El ms sencillo es el siguiente esquema:
u(xi , tj ) u(xi , tj ) u(xi1 , tj )
.
x h
Denotemos por U ~ j = (U1j , . . . , U j ), en el caso de imponer condiciones de tipo
N
Dirichlet en x0 el sistema a resolver para cada j = 1, . . . , M es el siguiente
~ 0 )i = (xi ) :
con (U
ct j
Uij+1 = Uij j
[Ui Ui1 ], i = 1, . . . , N. (5.2)
h
5.1. ADVECCIN 69
Error de Truncamiento
Al discretizar las derivadas se introduce un error que se puede estimar a
travs de la Serie de Taylor. Ilustremos la forma en que se calcula aplicndolo
al esquema anterior. Sea u la solucin exacta del problema (5.1) en una
regin acotada y asumamos que sus derivadas parciales de segundo orden
son continuas entonces
u(xi , tj ) (t)2 2 u(xi , tj )

u(xi , tj+1 ) = u(xi , tj ) + t + + ...
t 2 t2
u(xi , tj ) h2 2 u(xi , tj )
u(xi1 , tj ) = u(xi , tj ) h + + ....
x 2 x2
Al substituir u en el esquema (5.2) y usar el hecho que es solucin de la

ecuacin se obtiene
u(xi , tj+1 ) u(xi , tj ) u(xi , tj ) u(xi1 , tj ) t 2 u(xi , tj ) ch 2 u(xi , tj )

+c = + +. . .
t h 2 t2 2 x2
entonces se define como error de truncamiento en el punto (xi , tj ) y que se

denotar por ETi,j a todo el lado derecho de la anterior expresin.
Dado que las derivadas parciales de segundo orden de u estn acotadas,
el valor absoluto del error de truncamiento del esquema numrico (5.2) es
aproximadamente
|ETi,j | Ch + Dt.
Definicin 5.1.1. Se dice que un mtodo de diferencias finitas es de orden

p si existen constantes C y D mayores que cero que satisfacen que el error
de truncamiento para cualquier punto (xi , tj ) de la discretizacin
|ETi,j | C(t)r + Dhq con p = mn(r, q).
Definicin 5.1.2. Se dice que un mtodo de diferencias finitas es consistente

si, para cualquier discretizacin, el valor absoluto del error de truncamiento
|ETi,j | tiende a cero cuando t y h tienden a cero.
El esquema (5.2) es consistente y de orden uno.

5.2. Mtodos explcitos

1. Euler hacia adelante
ct j
Uij+1 = Uij j
[U Ui1 ], |ETi,j | Ct + Dh2 .
2h i+1
2. Lax-Friedrichs
1 j ct j
Uij+1 = [Ui+1 j
+ Ui1 ] j
[Ui+1 Ui1 ], |ETi,j | C t + Dh2
2 2h
3. Upwind

ct
h
[Uij j
Ui1 ] c > 0,
Uij+1 = Uij
j
ct
h
[Ui+1 Uij ] c < 0.
|ETi,j | Ct + Dh.
4. Salto de rana (Leap-Frog)
ct j
Uij+1 = Uij1 j
[U Ui1 ], |ETi,j | C(t)2 + Dh2 .
2h i+1
5. Lax-Wendroff
ct j c2 (t)2 j
Uij+1 = Uij j
[Ui+1 Ui1 ]+ [Ui+1 2Uij + Ui1
j
],
2h 2h2
|ETi,j | C(t)2 + Dh2 .
El mtodo de Lax-Wendroff se genera de una forma poco convencial, lo que

se hace es cortar la serie de Taylor en trminos de segundo orden para las
derivadas en x para tener un trmino de tipo difusivo en el esquema numri-
co. Todos los mtodos anteriores son consistentes. Los tres primeros son de
primer orden, mientras que los dos ltimos son de segundo orden. A diferencia
de los otros mtodos, el mtodo de salto de rana es un mtodo de dos niveles
que requiere la aproximacin, por medio de otro esquema, de los valores de
~ 1 para poder aplicarlo.
U
5.3. CONDICIN CFL 71
5.3. Condicin CFL

En 1928 Courant, Friedrichs y Lewy publicaron un artculo, ver [4], so-
bre las condiciones necesarias que debe cumplir un esquema de diferencias
finitas para converger a la solucin del problema de adveccin (5.1). A estas
condiciones se les conoce como las condiciones CFL.
Supongamos que se desea aproximar con un esquema de diferencias finitas
el valor de la solucin u en el punto (xi , tj ). La solucin se puede obtener por
medio del mtodo de caractersticas y est dada por u(x, t) = (x ct). El
valor de u(xi , tj ) depende del valor que tome la condicin inicial en el punto
(xi ctj , 0) por lo que a los puntos que estan sobre la caracterstica que pasa
por (xi , tj ) con pendiente 1/c se les llama el dominio de dependencia de la
solucin u(xi , tj ).
Considrese que la solucin se aproxima por medio del esquema (5.2), el
valor de Uij depende de todos los valores previos Ulk que se han calculado
antes: dos para el nivel j 1, tres para el nivel j 2 y as sucesivamente
hasta llegar a k = 0 que depende del valor de la condicin inicial en los puntos
xl con l = i j, . . . , i. A la regin acotada por el tringulo con vrtices en
(xi , tj ), (xi , 0) y (xij , 0) se le llama el dominio de dependencia de Uij .
Teorema 5.3.1. (Condicin CFL) Si el dominio de dependencia de la solu-
cin u en el punto (xi , tj ) no est dentro de la regin de dependencia de Uij
entonces el esquema de diferencias finitas que gener a Uij no es convergente.
Obsrvese si c < 0 la caracterstica no cae dentro de la regin de de-
pendencia del esquema (5.2); para c > 0 la curva estar en la regin de
dependencia siempre que |c|t
h
1. En cambio, el mtodo Upwind si contiene
a la caracterstica, independentemente del valor de c, siempre que ct
h
1.
Teorema 5.3.2. Los mtodos explcitos de la seccin anterior satisfacen la
condicin CFL siempre que
|c|t
1.
h
Aunque la condicin CFL no es suficiente para que haya convergencia,
nos da un criterio muy rpido para probar que un esquema no es conver-
gente. Para dar condiciones suficientes es necesario introducir el concepto de
estabilidad en los esquemas numricos.
Ilustremos con un ejemplo concreto, el esquema Upwind, cmo se rela-
ciona la condicin CFL con la convergencia. Una condicin necesaria para que
el mtodo sea convergente es analizar lo que debe cumplir la solucin numri-

ca para converger a la solucin exacta en el caso ms sencillo: la ecuacin de
adveccin lineal. Apliquemos anlisis de Fourier en la ecuacin en diferencias
que define el esquema numrico suponiendo que c > 0. Se propone como
solucin una onda plana de la forma
Unm = ei(xn tm ) .
donde es el nmero de onda y w la frecuencia. Para ser solucin del esquema

Upwind se debe satisfacer la siguiente relacin conocida por el nombre de
relacin de dispersin discreta
eit = 1 (1 eih ),
ct
con = h
. Si denotamos como := eit entonces
Unm = m einh ,
con el factor de amplificacin.

Para que esta solucin sea convergente se debe cumplir que || 1. Al
usar el esquema de Euler en la relacin de dispersin discreta se obtiene que
el mdulo al cuadrado de es igual a
h
|()|2 = 1 4(1 )Sen2 ( ).
2
Para que |()| 1 para toda se requiere que 0 1, por lo que el
hecho de que Upwind satisfaga la condicin CFL es una condicin necesaria
para la convergencia del esquema.
5.4. Estabilidad
Para que un mtodo converja no basta con que el error de truncamiento
vaya a cero cuando t y h tienden a cero, ya que el error que se comete al
aproximar u(xi , tj ) por Uij est dado por el error global E j que, en el nivel
de tiempo tj , es igual a
~ j k,
E j = k~uj U
con (~uj )i = u(xi , tj ) y alguna norma vectorial ||.||.
5.4. ESTABILIDAD 73
Definicin 5.4.1. Dado el problema (5.1) y un esquema numrico, diremos

que la solucin numrica converge a la solucin del problema si E j tiende a
cero cuando t y h tienden a cero y jt t con t (0, T ].
Esta definicin de convergencia es vlida par cualquier tipo de problemas

de evolucin en ecuaciones en derivadas parciales lineales y no lineales. Pro-
bar convergencia directamente no es fcil, por ello se introduce el concepto
de estabilidad de un mtodo que nos permite probar que si un mtodo es
consistente y estable entonces es convergente.
Dado V~ 0 , considrese que se tiene un esquema numrico explcito de la
forma
U~ j+1 = B U
~ j + F~ j , (5.3)
para j = 1, . . . , M y B una matriz de <ss y donde F~ j Rs , con s N,
~ j.
representa las condiciones a la frontera y el trmino independiente de U
Definicin 5.4.2. Sean U ~ j y V~ j dos soluciones del esquema numrico (5.3)

aplicado a un problema de evolucin con condiciones de frontera iguales, pero
con condiciones iniciales distintas U ~ 0 y V~ 0 , respectivamente. Se dice que
un mtodo de diferencias finitas es estable si existe una constante K > 0,
independiente de t y h, tal que para alguna norma vectorial
kV~ j U
~ j k KkV~ 0 U
~ 0 k, jt T.
Teorema 5.4.3. Supongamos que se tiene un problema de evolucin lineal

y un esquema numrico de la forma (5.3) y que existe una K > 0 tal que
kB j k K con jt T, (5.4)
para alguna norma matricial inducida por una norma vectorial, ver Anexo
1, entonces el esquema numrico es estable para problemas lineales.
Dem: Sean U ~ j y V~ j dos soluciones del esquema numrico (5.3) con condi-
ciones iniciales distintas U~ 0 y V~ 0 , respectivamente.
V~ j U
~ j = B[V~ j1 U
~ j1 ] = B 2 [V~ j2 U
~ j2 ] = = B j [V~ 0 U
~ 0 ],
por lo que
kV~ j U
~ j k kB j kkV~ 0 U
~ 0 k KkV~ 0 U
~ 0k
y el mtodo es estable.
Teorema 5.4.4. (Teorema de Lax) Para un problema de evolucin bien

planteado y un mtodo numrico consistente del tipo (5.3) una condicin
necesaria y suficiente para que haya convergencia del mtodo es que ste sea
estable.
Para la demostracin ver [44]. A continuacin se delinear una demostracin
de la condicin suficiente para el problema de adveccin lineal y cuando el
esquema numrico es de la forma (5.3) con B una matriz que satisface (5.4).
Sea u(x, t) solucin del problema (5.1) y U ~ j la aproximacin que se obtiene al
aplicar esquemas numricos del tipo (5.3). Entonces el error de truncamiento
~ j con (E
en el tiempo tj es igual a E ~ j )i = E i,j ; al substituir la solucin exacta
T T T
en el esquema numrico se obtiene que
~ j = ~uj+1 + B~uj + F~ j .
E T
Por ser el mtodo (5.3) consistente, existen p, q > 0 tal que

~ j k C[(t)p + hq ].
kE T
Por otro lado,

~ j ~uj = B(U
U ~ j1 ~uj1 ) + E
~ j , j = 1, . . . , M.
T
Por lo que aplicando la relacin anterior en forma recursiva se obtiene que

j
X
~ j ~uj = B j (U 0 u0 ) +
U B jk ETk .
k=1
Si suponemos que no se comete error al calcular las condiciones iniciales

entonces
j
X
~ j j
kU ~u k K ~ i k.
kE T
i=1
Como el mtodo es consistente cuando t y h tienden a cero, kE ~ i k tiende a

T
cero por lo que se tiene convergencia.
Para el problema lineal de adveccin se debe analizar el comportamiento
de la norma de la matriz B correspondiente a cada esquema.
Teorema 5.4.5. Todos los mtodos explcitos consistentes de un paso son
estables si satisfacen la condicin CFL.
5.5. DISIPACIN Y DISPERSIN 75
Hagamos la demostracin para el mtodo Upwind para la norma vectorial

||.|| . Supongamos que se tiene la ecuacin (5.1) con c > 0. En este caso el
esquema Upwind es de la forma
Uij+1 = (1 )Uij + Ui1

j
.
Denotemos por eji el error global en cada nodo
ej+1
i = Uij+1 u(xi , tj+1 ) = (1 )eji + eji1 tETi,j .
Si suponemos que E~ 0 , el error al tiempo t = 0, es cero y que 0 1

entonces
E~ j+1 = max |ej+1 | E~ j + t max |E i,j |.
i T
1is 1is
Como el mtodo Upwind es consistente entonces est acotado para toda

j = 1, . . . , M y usando la recursividad se demuestra convergencia.
Obsrvese que para tener convergencia en los mtodos explcitos de un
paso es esencial que el mtodo sea consistente y que se cumpla la condicin
CFL. El mtodo de salto de rana tambin es estable, siempre que se satisfaga
la condicin CFL, la demostracin no es tan sencilla como para los mtodos
de un paso, para ver ms detalles consultar [44].
5.5. Disipacin y dispersin de los mtodos

En la prctica interesa saber, cuando se fija N y M, qu tanto se parece la
solucin aproximada a la solucin exacta. Este punto se ilustrar aplicando
anlisis de Fourier a la ecuacin lineal de adveccin. La solucin por Series
de Fourier de la ecuacin de adveccin es la suma de soluciones de la forma
de una onda plana
u(x, t) = ei(xt) ,
con el nmero de onda y la frecuencia. Esta funcin es solucin siempre
que se satisfaga la relacin de dispersin
= c.
Para cada se tienen una solucin que se conoce como un modo de Fourier
que se propaga con una velocidad de fase igual a c = /. Esta solucin no
tiene amortiguamiento ya que |eict | = 1. En un paso de tiempo la solucin

cambia por
u(xn , tm+1 ) = ei(x(tm +t)) = eict u(xn , tm ),
lo que implica que la solucin es amplificada por un factor igual a eict .

Qu sucede en cada paso de tiempo con la solucin aproximada? Por
ejemplo, si buscamos una onda plana que sea solucin del esquema numrico,
el modo de Fourier es de la forma
Unm = m einh .
se puede escribir en forma polar por
= ||ei .
El modulo de es la amplitud numrica mientras que su argumento des-

cribe el ngulo de fase del factor de amplificacin. Observemos que
Unm = ||m eim einh = ei(xn tm ) ,

con = t que representa la rapidez de propagacin de la onda numrica.
Al aproximar numricamente la solucin se introducen errores tanto en
la amplitud como en el ngulo de fase de la solucin. El error en la amplitud
ea y el error relativo en el ngulo de fase ef por paso de tiempo se definen
por
(ct )
ea = 1 ||, ef = =1 .
ct c
Ntese que 0 ea 1 para que un mtodo explcito sea estable. Si ef > 0
la solucin numrica se rezaga de la solucin exacta, mientras que si ef < 0
se propaga ms rpido que la exacta.
Definicin 5.5.1. Un esquema numrico para la ecuacin de adveccin (5.1)
se llama disipativo si |()| 1 y la desigualdad se cumple al menos para
una . Un esquema numrico es no disipativo si |()| = 1.
El nico mtodo explcito de segundo orden que no es disipativo es el
mtodo de salto de rana, ver [38].
Definicin 5.5.2. Un esquema numrico para la ecuacin de adveccin (5.1)
se dice que es dispersivo si la velocidad de fase numrica depende del nmero
de onda ; es decir si d/d 6= 0.
Para ilustrar lo anterior se analizar lo qu sucede con los esquemas Up-

wind y Lax-Wendroff. Para que Unm sea solucin del esquema Upwind debe
satisfacer la relacin de dispersin discreta que da lugar a
h
|()|2 = 1 4(1 )Sen2 ( )
2
si se supone que c > 0. Por otro lado,
Sen(h)
= Arg(()) = Arctang[ ],
(1 ) + Cos(h)
lo cual se puede escribir tambin como
Sen(h)
= Arg(()) = Arctang[ ].
1 2Sen2 ( h
2
)
Cuando = 1, el esquema da el resultado exacto, ya que tanto el ngulo

de fase como la amplitud de la solucin aproximada es igual a la exacta; si
= 1/2 el ngulo de fase numrico es igual al exacto. Sin embargo, para otros
valores de la amplitud y la fase de la solucin aproximada van a ser distintos
a los de la exacta. Para bajas frecuencias, cuando es cercano a cero, se tiene
errores pequeos, pero para frecuencias altas se obtienen errores en amplitud
como en ngulo de fase, lo que provocar que la solucin se amortigue y se
propague con rapidez incorrecta.
Al hacer un anlisis similar con el mtodo de Lax-Wendroff se obtiene:
kh
|(k)|2 = 1 4 2 (1 2 )Sen4 ( )
2
y el
Sen(kh)
Arg((k)) = Arctang[ ].
1 2 2 Sen2 ( kh
2
)
Como con el mtodo anterior, si = 1 no se introduce error ni en la amplitud
ni en el ngulo de fase. Para otros valores de hay error en la amplitud lo
que provoca amortiguamiento y tambin en el ngulo de fase, pero stos
son ms pequeos, cuando las frecuencias son pequeas, que con el mtodo
Upwind . Este mtodo tambin introduce dispersin numrica que provoca
que cada modo viaje con su propia rapidez lo que da lugar a oscilaciones
de la solucin.
La dispersin y disipacin numrica que los mtodos introducen se ilustra

con el siguiente ejemplo que es un muestra de las dificultades que se presentan
al aproximar problemas de adveccin aunque sean lineales.
Ejemplo 5.12. Considrese el siguiente problema lineal de adveccin con
Condicin inicial
1.2
0.8
u 0.6
0.4
0.2
0
-0.05 0.15 0.35 0.55 0.75 0.95
x u(x,0)
Figura 5.1: Condicin inicial con L = 1.
condiciones iniciales
u(x, t) u(x, t)
+ c(x, t) = 0 0 < x < , t > 0
t x
u(x, 0) = (x) < x < , u(0, t) = 0 t > 0.
con
1 + x2
c(x, t) =
1 + 2xt + 2x2 + x4

0 x < 0.2,
(x) = 1 0.2 x 0.4,

0 x > 0.4
En la Figura 5.1 se muestra la condicin inicial para x [0, 1]. La solucin
de este problema es
t
u(x, t) = (x ), con x = x .
1 + x2
La solucin es un pulso cuadrado que se propaga hacia adelante. Este es un

problema difcil de aproximar numricamente. En la Figura 5.2 se comparan
con la solucin exacta las soluciones numricas que se obtienen al tiempo
t = 0.5 cuando se usan los mtodos de Lax-Friedrichs (LF), Upwind (MU)
y Lax-Wendroff (LW) para h = t = 0.01. Como se puede observar los
tres mtodos no logran aproximar con precisin la solucin. Lax-Friedrichs y
Upwind suavizan la solucin de tal forma que los bordes son curvos. Upwind
alarga la solucin, en el punto mximo alcanza el valor de 1.3 en lugar de 1.
El mtodo de Lax-Wendroff muestra oscilaciones debido a que provoca ms
dispersin numrica que los dos primeros mtodos.
1.4 1.4
1.2 1.2
1 1
0.8 0.8
u u
0.6 0.6
0.4 0.4
0.2 0.2
0 0
-0.05 0.15 0.35 0.55 0.75 0.95 -0.05 0.15 0.35 0.55 0.75 0.95
x u(x,0.5) x u(x,0.5)
A) LF b) U
1.2
1.2
1
1
0.8
0.8
u 0.6 0.6
u
0.4 0.4
0.2
0.2
0
-0.2 0
-0.2 0 0.2 0.4 0.6 0.8 1
-0.2 0 0.2 0.4 0.6 0.8 1

x u(x,0.5) x u(x,0.5)
C) LW D) solucin exacta
Figura 5.2: Solucin al tiempo t = 0.5 por el mtodo Lax-Friedrichs (A), por
el mtodo Upwind (B), por el mtodo Lax-Wendroff(C) y en (D) la solucin
exacta.
5.6. Esquemas conservativos

Consideremos el caso ms general para la ecuacin de primer orden
u f (u)
+ = 0 < x < t > 0, (5.5)
t x
u(x, 0) = (x) < x < ,
con f una funcin no lineal continuamente diferenciable.

Los mtodo numricos introducidos en la seccin 5.2 pueden adaptarse
para poderlos aplicar en la aproximacin numrica de ecuaciones de la forma
(5.5). A continuacin se presentan algunos de ellos, por lo que se denotar
por fij = f (Uij ):
1. Lax-Friedrichs
1 j t j
Uij+1 = [Ui+1 j
+ Ui1 ] j
[fi+1 fi1 ],
2 2h
2. Upwind t j j
h
[fi fi1 ] g(Uij ) > 0,
Uij+1 = Uij
t j
h
[fi+1 fij ] g(Uij ) < 0.
con g(u) = f 0 (u).
3. Lax-Wendroff
j+ 1 1 j j t j
Ui+ 12 = [Ui + Ui+1 (fi+1 fij )], (predictor)
2 2 h
j+ 21 1 j j t
Ui 1 = [U + Ui1 (f j fi1
j
)],
2 2 i h i
t j+ 12 j+ 1
Uij+1 = Uij [fi+ 1 fi 12 ]. (corrector)
h 2 2
4. MacCormack
Ue j = U j t [f j f j ], (predictor)
i i
h i i1
1 ej t ej
Uij+1 = [Ui + Uij (f feij )]. (corrector)
2 h i+1
|ETi,j | C(t)2 + Dh2 .
5.6. ESQUEMAS CONSERVATIVOS 81
El orden del error de truncamiento sigue siendo el mismo para los tres
primeros esquemas.
La ecuacin de trfico vehicular es una ecuacin de conservacin ya que se
obtiene del principio de conservacin de masa. Cuando se aproximan numri-
camente estas ecuaciones se desea que la solucin numrica tambin conserve
la masa. Por lo general estas ecuaciones se escriben como la ecuacin (5.5).
Si u es solucin de la ecuacin (5.5) en una regin acotada del plano
(x, t) entonces por el Teorema de Stokes
Z Z Z Z Z
u f (u)
0= ( + ) dx dt = (f, u) dx dt = (f dt u dx).
t x
En particular si es un rectngulo de ancho h y alto t y denotamos por

ua el valor promedio de u en el lado superior del rectngulo, ub en el lado
inferior, ud en el lado derecho y ui en el lado izquierdo, se tiene que
(ua ub )h + (fd fi )t = 0. (5.6)
Si es una region acotada poligonal en el plano (x, t), que escribimos como
la unin de rectangulos R de ancho h y altura t tal que la interseccin de
su interior es vaca, entonces si en cada rectngulo se cumple (5.6), la doble
integral sobre ser cero.
Para generar esquemas conservativos se usa la relacin (5.6). Se van ob-
tener distintos esquemas dependiendo de que tipo de frmula de cuadratura
se utilice para aproximar el valor promedio; por ejemplo, se puede usar la
frmula del punto medio o la del trapecio, y en cada caso obtendramos un
esquema distinto. Denotemos Uij el valor de u en el nivel j de tiempo y en
el punto medio de la base del rectngulo entonces que se cumpla (5.6) es
equivalente a
t j+ 21 j+ 1
Uij+1 = Uij (fi+ 1 fi 12 ). (5.7)
h 2 2
Slo resta aproximar el flujo en los puntos medios y eso se puede hacer a
travs de la Serie de Taylor.
Claramente el mtodo de Lax-Wendroff satisface la relacin (5.7) por lo
que es un esquema conservativo, los otros mtodos no lo son debido a que slo
aproximan la relacin (5.7). Las consecuencias que tienen el usar un esquema
conservativo contra uno que no lo es, se ilustran a continuacin resolviendo
numricamente el ejemplo 4.6 del captulo 4.
Ejemplo 5.13. El ejemplo 4.6 consiste en resolver lo siguiente:
u f (u)
+ = 0 x (, ) t > 0,
t x
1 x 0,
u(x, 0) = 1x 0 < x < 1,

0 x 1,
u2
con f (u) = 2
.
Condicin inicial
0.8
0.6
u
0.4
0.2
0
-10 -5 0 5 10
x
rho(x,0)
Figura 5.3: Condicin inicial para el ejemplo 5.2
En la Figura 5.3 se presenta la condicin inicial y en la Figura 5.4 se

compara la solucin aproximada contra la exacta para cada uno de los es-
quemas para el tiempo t = 1 que es cuando se forma la onda de choque; a
partir de ese tiempo esta onda de choque se va a propagar a la derecha sin
cambiar de forma. Para resolver el problema se acot la region de [10, 10],
se impuso como condicin de frontera u(10, t) = 0 y se resolvi para T = 3,
con h = t = .05. Como puede observarse el nico mtodo que aproxima
a la onda de choque correctamente es el de Lax-Wendroff y eso es gracias a
que es conservativo.
Desde hace varios aos han parecido en la literatura mejores mtodos para
aproximar la solucin de los problemas de adveccin lineales y no lineales. En
particular, se busca que no introduzcan difusin y dispersin numrica y que
aproximen con mayor precisin la aparicin de ondas de choque. Entre estos
mtodos estn variaciones del mtodo de Goudonov, los mtodos de volumen
rho(x,1) rho(x,1)
Lax-Friedrichs Upwind
sol. exacta sol. exacta
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
-10 -5 0 5 10 -10 -5 0 5 10
rho(x,1) Lax-Wendroff
MacCormack
sol. exacta
1 1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
-10 -5 0 5 10 rho(x,1)
-10 -5 0 5 10 x sol.exacta
Figura 5.4: Comparacin al tiempo t = 1 de la solucin exacta del ejercicio

5.2 con la solucin numrica obtenida con cada uno de los mtodos.
finito y otros ms que pueden consultarse en las siguientes referencias [33],

[38] y [44].
5.7. Aplicacin a trfico vehicular
Ejemplo 5.14. Se tiene un circuito cerrado con un carril de longitud L km

en el que no hay entradas ni salidas de vehculos. Dada una configuracin
inicial, una perturbacin de una solucin homognea, se desea determinar el
comportamiento de la densidad a lo largo del tiempo. Si usamos el modelo
de Lighthill-Whitham el problema a resolver es el siguiente:
Q()
+ = 0 0 < x < L t > 0, (5.8)
t x !
2x
(x, 0) = e 1 + CSen 0 < x < L,
L
(0, t) = (L, t) t > 0,

con Q() = Ve () y Ve () = max (1 max ) la aproximacin de Greenshields.
Esta ecuacin se resolvi con el mtodo de dos pasos de Lax-Wendroff:
dadas N, M N , sea h = L/N y t = T /M, defnanse xi = ih y tj = jt
34
32
30
28
rho
26
24
22
20
0 2 4 6 8 10 12
x
Figura 5.5: Condicin inicial con L = 12 km, e = 28 veh/km y C = .1
para i = 1, ..., N y j = 1, ..., M , respectivamente. Si ji denota la aproxi-

macin de (xi , tj ), y
0i = (xi , 0) y j0 = jN , i = 1, ..., N ; j = 1, ..., M.
Al aplicar el siguiente esquema se obtiene ji

j+ 12 1 j j
t j j
i+ 1 = i + i+1 Q(i+1 ) Q(i ) ,
2 2 2h

j+ 12 1 j j
t j j
i 1 = i + i1 Q(i ) Q(i1 ) ,
2 2 2h

j+1 j t j+ 12 j+ 12
i =i Q(i+ 1 ) Q(i 1 ) . (5.9)
h 2 2
A continuacin se presentan resultados numricos cuando e = 28 veh/km,

C = 0.1 y L = 12 km, vmax = 120 km/hr y max = 140 veh/km. La Figu-
ra 5.5 muestra la forma de la condicin inicial. La Figura 5.6 presenta los
perfiles de densidades para el tiempo t = 37.5 min por el mtodo de Lax-
Wendroff y Upwind. En el caso de Lax-Wendroff la perturbacin inicial se
transforma en una onda de choque, la cual presenta oscilaciones antes de
su formacin debido a la dispersin numrica que introduce este mtodo. En
cambio el mtodo Upwind adaptado a la ecuacin conservativa no presenta la

formacin de esta onda debido a que introduce difusin numrica que suaviza
la solucin. Ambos esquemas muestran un cmulo de densidad aunque es-
pacialmente ste aparece despus en Upwind que en Lax-Wendroff. En la
Figura 5.7 se presenta en tres dimensiones para Lax-Wendroff la evolucin
del perfil de densidad para los tiempos t = 0, 25, . . . , 100. Conforme el tiempo
transcurre, la onde de choque poco a poco va desapareciendo hasta regresar
a la solucin homognea e = 28 veh/km. Todos los problemas concernientes
a la ecuacin de Lighthill-Whitham han sido ampliamente estudiados, para
aquellos interesados en los detalles se les recomienda la siguiente referencia
[36].
Perfil de densidad. Lax-Wendroff Perfil de densidad. Upwind
34 34
32 32
30 30
28 28
o o
rh 26 rh 26
24 24
22 22
20 20
18 18
0 2 4 6 8 10 12 0 2 4 6 8 10 12
x rho(x,37.5) x rho(x,37.5)
Figura 5.6: Comparacin del perfil de densidad al t = 37.5 min por el mtodo
de Lax-Wendroff y Upwind.
La formacin de ondas de choque en la modelacin de trfico vehicular es

una caracterstica no deseable ya que los datos experimentales muestran la
aparicin de cmulos de densidad, regiones en donde la densidad aumenta, y
embotellamientos, pero no la presencia de una onda de choque. Una onda de
choque corresponde a un crecimiento abrupto de la densidad en una distancia
muy pequea y un modelo que genera ondas de choque no es un modelo
realista del trfico vehicular. Por ello, se agrega un trmino difusivo que
depende de un parmetro D > 0 a la ecuacin de Lighthill-Whitham y al
que llamaremos el modelo de Lighthill-Whitham con difusin (LWD).
Para ello, consideremos a la funcin Q en la forma dada en la ecuacin
(3.13) y ahora la ecuacin a resolver da lugar a un problema similar a la
ecuacin de Burgers con difusin, ver ecuacin (3.14).
Aunque en el captulo 4 vimos cmo resolver analticamente esta ecuacin
por medio de la transformacin de Cole-Hopf, la solucin analtica no es muy
prctica porque est dada en trminos de una integral.
30
28 10
26
24 8
6
25
50 4
75
100 2
Figura 5.7: Evolucin del perfil de densidad en el ejemplo 4.14 obtenida por
Lax-Wendroff.
Ejemplo 5.15. A continuacin se resuelve numricamente la ecuacin (4.10),

con las mismas condiciones iniciales y de frontera que el problema anterior,
para distintos valores del coeficiente de difusin por medio del esquema de
(x ,t )
Lax-Wendroff de dos pasos. El trmino xi j debe aproximarse por medio
de una diferencia finita, con objeto de que el esquema continue siendo de
segundo orden se sugiere hacerlo por
(xi , tj ) j ji1
i+1 . (5.10)
x 2h
Como se puede observar en la Figura 5.8 a medida que el coeficiente

de difusin va decreciendo la solucin se parece cada vez al problema sin
difusin. En el caso de D = 0.05 la solucin es tan suave como la que se
obtiene con el esquema Upwind y no se observa la formacin de una onda de
choque. Para todos los distintos valores de D, la solucin, al igual que en el
caso sin difusin, evoluciona a la solucin estacionaria homognea (x) = e .
5.8. OTROS MODELOS DE PRIMER ORDEN 87
Perfil de densidad. D=0.005 Perfil de densidad. D=0.01
34 34
32 32
30 30
28 28
26 26
24 24
22 22
0 2 4 6 8 10 12 0 2 4 6 8 10 12
x rho(x,37.5) x rho(x,37.5)
Perfil de densidad. D=0.05
34
32
30
28
26
24
22
0 2 4 6 8 10 12
x rho(x,37.5)
Figura 5.8: Perfil de densidad a los t = 37.5 min con el modelo LWD para
distintos valores del coeficiente de difusin.
5.8. Otros modelos de primer orden
Modelo de Nelson
Los modelos de primer orden ms recientes buscan describir mejor el flujo

congestionado y sincronizado (como se describi en el captulo 3); para ello,
introducen un coeficiente de difusin variable que depende de la densidad,
ejemplo de ello es el trabajo de Nelson, ver [51]. Para justificar esta modi-
ficacin al modelo de Lighthill-Whitham, se pueden introducir argumentos
fenomenolgicos como el hecho que los conductores toman un tiempo de reac-
cin T para ajustar su rapidez; para compensar este retraso, deben tomar en
cuenta una distancia de tal forma que la velocidad promedio est dada por
la ecuacin (3.16).
Una expansin de Taylor del flujo nos da una expresin aproximada para
el coeficiente de difusin (3.17). La principal dificultad con esta expresin
es que este coeficiente se hace negativo, para ciertos valores de la densidad,
lo que da lugar a una difusin negativa. Esta situacin aparece cuando el
tiempo de reaccin es mayor que la distancia de anticipacin.
Modelo Velasco-Saavedra (VS)

Otro modelo de primer orden se obtiene al usar argumentos cinticos,
ver [70]. Para su construccin se parte de la ecuacin cintica de Paveri-
Fontana, se introduce un modelo para la velocidad deseada y por medio de
la maximizacin de la entropa de la informacin se construye una funcin
de distribucin que describe el comportamiento del sistema para un estado
estacionario arbitrario. La ecuacin macroscpica que se obtiene tiene la es-
tructura de la ecuacin de Burgers con viscosidad. Aunque vale la pena hacer
notar que, a diferencia de los modelos anteriores, ste tiene una justificacin
terica. Todos los nuevos parmetros que se introducen tienen una expresin
correspondiente en los datos experimentales.
La ecuacin constitutiva que resulta para el flujo es
( )
Ve 0 1 Ve
Q(x, t) = Ve + 1 .
e x
Ntese que a la ecuacin constitutiva del modelo de Lighthill-Witham sin vis-

cosidad se le agregan dos trminos que estn multiplicados por un parmetro
que describe el efecto acumulativo de los conductoras en la autopista a travs
de un tiempo de relajacin colectiva que se denotar por 0 . El primer trmi-
no toma en cuenta otros espectos presentes en el trfico como la probilidad de
rebasar y el tiempo de relajacin que describe que los conductores desean
ir siempre a una velocidad mayor a la que corresponde a su velocidad instan-
tnea. El segundo trmino introduce difusin y ahora resulta un coeficiente
que depende de la densidad.
Cuando se substituye esta expresin en la ecuacin de continuidad se
obtiene el siguiente modelo de primer orden
" #
0 2
+ Ve 1 + ( 1) 1 2 D 2 = 0,
t e x x
2
donde D() = 0 Ve () > 0 es el coeficiente de difusin. Este coeficiente est
dado en trminos de los parmetros del modelo y siempre es una cantidad
positiva, a diferencia del modelo de Nelson.
A continuacin se presenta la comparacin de los perfiles de densidad al
tiempo t = 37.5 min obtenidos con el modelo de Nelson y con el de R.M.
Velasco para el mismo problema que se trabaj en la seccin anterior. La
5.8. OTROS MODELOS DE PRIMER ORDEN 89
Figura 5.9 muestra que en el caso de Nelson la dependencia del coeficiente

de difusin con la densidad suaviza mucho ms la solucin, que cuando la
difusin es constante e igual a D = 0.05, ver Figura 5.8. En el caso del
modelo de R.M. Velasco, se tomaron como valor de los nuevos parmetros
los siguientes: 0 = 150 seg, = 30 seg, = 100 y = 1.04. La Figura 5.9
muestra que la onda de choque no se forma y que la solucin que se obtiene
es ms parecida a la que se obtuvo con difusin constante D = 0.05. Con
ambos modelos se obtienen perfiles similares al de la solucin homognea a
partir del tiempo t = 100 min.
Perfil de densidad. Modelo Nelson Perfil de densidad. Modelo R.M. Velasco
34 34
32 32
30 30
o o
rh 28 rh 28
26 26
24 24
22 22
0 2 4 6 8 10 12 0 2 4 6 8 10 12
rho(x,37.5) x rho(x,37.5)
x
Figura 5.9: Comparacin del perfil de densidad a t = 37.5 min entre los
modelo de Nelson y el de R. M. Velasco.
Estabilidad lineal de los modelos

Todos los modelos de trfico vehicular que se han presentado hasta ahora
tienen como solucin trivial aquella que corresponde a una densidad cons-
tante y que hemos llamado la solucin homognea e = constante.1 El estado
descrito por esta solucin, corresponde a un estado estacionario homogneo
en el cual todos los automviles estn distribuidos uniformemente en la carre-
tera. Es interesante analizar qu sucede en cada uno de los modelos cuando
este estado se perturba; para ello, tomemos la ecuacin de Jordan como mo-
delo general para hacer el anlisis. Para adimensionalizar la ecuacin (3.19),
se hacen los siguientes cambios de variable:

x = max x, t = max Vmax t, = ,
max
1
En la literatura a este estado se le llama estado de equilibrio.
que dan lugar a la siguiente ecuacin

2 2
T0 2 D + + (1 2
) = 0, (5.11)
t x 2
t x
donde T0 = max Vmax T0 y D = max D son el tiempo de reaccin y el coeficiente
Vmax
de difusin adimensional.
Considrese que la densidad est dada por

(x, t) = e + exp (ix t), 1,
e
con el vector de onda adimensional, la frecuencia que puede ser un nmero
complejo y cuya parte real nos indicar si el modelo es linealmente estable o
no. Si a la ecuacin (5.11) se le quita las tildes, para aligerar la notacin, y
se substituye la perturbada y se lineariza la ecuacin, se obtiene que para
que sea solucin, se debe satisfacer la siguiente relacin de dispersin:
T0 2 + Dk 2 + i(1 2e ) = 0. (5.12)
Se puede ver inmediatamente que si Re() < 0 la amplitud de la perturbacin
va a crecer y esto se interpreta como inestabilidad del modelo. La regin de
inestabilidad va a depender del valor de y de los parmetros del modelo.
La ecuacin de Burgers sin difusin corresponde a T0 = 0 y D = 0 de la
ecuacin y en este caso se obtiene que Re() = 0, lo que implica que la
amplitud permanece constante.
Cuando T0 = 0 y D 6= 0, Re() = D2 > 0 siempre que D > 0. En
el caso que el coeficiente de difusin dependa de la densidad la condicin
D() > 0 garantiza estabilidad para cualquier valor de . Este resultado
puede aplicarse a los modelos de Nelson y VS, vistos previamente.
Si T0 6= 0 y D = 0, se tiene un modelo inestable porque siempre hay una
raiz cuya parte real es negativa, pero cuando ambos son distintos de cero
es posible probar, aunque es un poco latoso, que cuando el coeficiente de
difusin satisface 2
2 e
D > T0 Vmax 1 2
max
se obtiene de nuevo un modelo estable. Esta condicin se ha puesto en tr-
minos de las variables originales y no adimensionalizadas.
Es importante recordar que el anlisis de estabilidad lineal slo nos da una
gua inicial de lo que puede suceder en la vecindad de la solucin homognea.
No nos indica nada de cmo son otras soluciones en donde las no linearidades
de la ecuacin original pueden ser significativas.
5.9. SOLUCIN DE ECUACIONES VECTORIALES CONSERVATIVAS91
5.9. Solucin de ecuaciones vectoriales conser-

vativas
Supongamos que se tiene el siguiente problema
u f (u)
+ = s(u),
t x
u(x, 0) = u0 (x),
u(0, t) = u(l, t),
con f y s funciones vectoriales clase C 1 ([0, l] [0, T ]) y u0 C 0 [0, l].

A este sistema de ecuaciones se puede aplicar los mtodos vistos en la
seccin 5.6 de la siguiente forma:
Mtodo de Lax-Friedrichs:
uji+1 + uji1 t j
uj+1
i = j
(fi+1 fi1 ) + t sji . (5.13)
2 2h
Mtodo de MacCormack:
t j
ji = uji
u j
(f fi1 ) + t sji (predictor) (5.14)
h i
1 j t j
uj+1
i = ji
ui + u
[ (f fij ) + t sji (corrector) (5.15)
2 h i+1
Mtodo de Lax-Wendroff:
j+1/2 1 j t j t j
ui+1/2 = ui+1 + uji (fi+1 fij ) + (si+1 + sji ) (5.16)
2 h 2
t j+1/2 j+1/2 t j+1/2 j+1/2
uj+1
i = uji fi+1/2 fi1/2 + si+1/2 + si1/2 (5.17)
h 2
El mtodo upwind puede generalizarse para sistemas de ecuaciones siempre

que el sistema pueda escribirse de la forma
u u
+B = s(u),
t x
con B Rnn una matriz diagonalizable en los reales. Para mayor informa-
cin consultar [38].
Modelos de segundo orden: Kerner-Konhauser
u F
+ = S, (5.18)
t x
con
u V
0
u= , F u, = ys= . (5.19)
V x V 2 + P
(Ve () V )
La presin de trfico P para este modelo es de la forma:
V
P = , (5.20)
x
con = (45 km/hr)2 , = 600 km/hr y = 30 seg como tiempo de
relajacin. El trmino Ve () se toma del diagrama fundamental dado por
(2.2) con max = 140 veh/km y Vmax = 120 km/hr.
35
30
25
20

15
10
0
-10 -5 0 5 10
x
Figura 5.10: Condicin inicial para la densidad.
Ejemplo 5.16. Apliquemos algunos de los mtodos al siguiente problema de

trfico en un circuito cerrado de longitud [L, L] con condiciones iniciales
(x, 0) = e + 8 cosh2 (2(x x0 )) 4 cosh2 (2(x x1 )),

(x, 0) V (x, 0) = e Ve (e ),
5.9. SOLUCIN DE ECUACIONES VECTORIALES CONSERVATIVAS93
donde L = 12 km, e = 28 veh/km, x0 = 6 km, y x1 = 6 km. En

la Figura 5.10 se presenta la condicin inicial que describe un trfico casi
homogneo salvo por un cmulo de alta velocidad localizado en x0 y uno de
baja velocidad en x1 .
Las condiciones de frontera son peridicas tanto para como para V.
(L, t) = (L, t) V (L, t) = V (L, t). (5.21)
Estas ecuaciones fueron resueltas por el mtodo de Lax-Wendroff en forma

conservativa. Debido a la presencia de V
x
en la presin de trfico, el problema
no es hiperblico por lo que se tomo a t = h2 , condicin que se debe cumplir
cuando se usan mtodos explcitos en los problemas parablicos, ver [44]. En
la Figura 5.11 se presentan los resultados obtenidos con Lax-Wendroff a los
100 minutos. Se observa la formacin de una onda viajera muy pronunciada
que se propaga con velocidad aproximada de 14.4 km/hr y que no cambia
de forma a partir de los 50 min. La formacin de la onda viajera depende
del valor de e y de . Para = (45 km/hr)2 y valores de e 21 la solucin
transitoria converge rpidamente a la solucin homognea.
120
100
80

60
40
20
0
-10 -5 0 5 10
x
Figura 5.11: Perfil de densidad al tiempo t = 100 min para el Modelo K.

Modelo de Helbing
Este es un ejemplo de una ecuacin de tercer orden para modelar el trfico
vehicular y las ecuaciones correspondientes son:
V
+ = 0,
t x
V V 1 P 1
+V = + Ve () V ,
t x x
2P V 1 J 2
+V = + e (, V ) .
t x x x
La presin de trfico P y J estn dadas por:
V
P= , J = ,
1 s(V ) x x
con 0 = 600 km/h, 0 = 600 km/h, s(V ) = l + V T, l = 7 mt y

T = 0.75 seg. Para la varianza que corresponde al estado homogneo y
estacionario, e (, V ), se ha utilizado la expresin (3.25).
120
100
80
60

40
20
0
-10 -5 0 5 10
x
Figura 5.12: Perfil de densidad al tiempo t = 100 min para el Modelo H.
Al aplicar este modelo al ejemplo 5.16 y resolviendo numricamente por

Lax-Wendroff el sistema conservativo correspondiente para distintos valores
5.10. EJERCICIOS 95
del tiempo, se observa la formacin de una onda viajera a partir de los 50 min.
La Figura 5.12 muestra el perfil de densidad a los t = 100 min. El perfil es
menos pronunciado que el obtenido por el modelo K, la onda viajera se propa-
ga hacia atrs ms lentamente con una velocidad constante de 6 km/hr.
Las caractersticas del cmulo, como su ancho y amplitud dependen de los
parmetros del modelo, ver [71]. Por ltimo, en la Figura 5.13 se muestra la
correspondiente varianza de la velocidad obtenida numricamente.
2000
1500

1000
500
0
-6 -4 -2 0 2 4 6
x
Figura 5.13: Perfil de la varianza de la velocidad al tiempo t = 100 min para

el Modelo H.
5.10. Ejercicios
1. Resolver con cada uno de los mtodos conservativos vistos en la seccin
5.6. los ejemplo 5.3 y 5.4 para el caso en que se usa en la ecuacin
(5.8) el diagrama fundamental (2.2) para la funcin V e() con vmax =
120 km/hr y max = 140 veh/km. En la condicin inicial tome e
[23, 28] veh/km y C = 0.1. Compare los resultados obtenidos. Qu
observa?
2. Resolver el inciso anterior con el mtodo de Lax-Wendroff, cuando se
agrega el trmino difusivo. Compare sus resultados con los obtenidos
en el inciso anterior.
Solucion:
En la seccin anterior se analiz la estabilidad del modelo de Greenshields.
Para el caso en la que el coeficiente de difusin es cero, el modelo es estable
para cualquier valor de e , pero esto no sucede cuando se utiliza Vfe. Si se
toma e = 23 veh/km no se tiene problemas con la aproximacin numrica
para cada uno de los mtodos vistos en la seccin 5.6. En la Figura 5.14
se presentan los resultados numricos, obsrvese que en este caso la onda de
choque aparece ya formada al tiempo t = 7.5 min o sea ms rpido que para la
aproximacin de Greenshields. Obsrvese que Lax-Friedrichs introduce ms
difusin numrica que cualquiera de los otros mtodos y que tanto Lax-
Wendroff como MacCormack introducen dispersin numrica que provoca
oscilaciones antes de la onda de choque. Como en el caso de Greenshields el
problema admite una solucin estacionaria que es igual a (x) = e .
Perfil de densidad. Lax-Friedrichs Perfil de densidad. Upwind

28 28
27 27
26 26
25 25
24 24
o o
rh 23 rh 23
22 22
21 21
20 20
19 19
18 18
0 2 4 6 8 10 12 0 2 4 6 8 10 12
x rho(x, 7.5) x rho(x, 7.5)
Perfil de densidad. Lax-Wendroff Perfil de densidad. Mac.Cormack.

28 28
27 27
26 26
25 25
24 24
o o
r 23
h
rh 23
22 22
21 21
20 20
19 19
18 18
0 2 4 6 8 10 12 0 2 4 6 8 10 12
x rho(x,7.5) x rho(x, 7.5)
Figura 5.14: Perfil de densidad al tiempo t = 7.5 min.

Captulo 6
Modelos de carfollowing
Una de las primeras teoras de flujo vehicular se bas en leyes de estmulo-

respuesta (conductismo) donde la respuesta al cambio en la velocidad se mide
por la aceleracin y el estmulo puede tener diversos orgenes dando con el-
lo distintos modelos. El comn de ellos supone una relacin lineal entre la
velocidad y el espaciamiento o bien entre la aceleracin y la diferencia de
velocidades entre vehculos consecutivos. Esta teora se desarroll principal-
mente en la compaa norteamericana General Motors que se conoci con el
nombre de carfollowing.
Como es costumbre en esta teora las posiciones de los vehculos se deno-
tan de derecha a izquierda comenzando con el lider, as xn (t), x0n (t) y x00n (t)
son la posicin, velocidad y aceleracin respectivamente del nsimo vehculo,
n = 0 es el lder y n = 2, 3, . . . son los seguidores. Vase Figura 6.1. En este
caso nos estaremos refiriendo a una caravana (platoon) de autos. Cuando se
hace nfasis en la interaccin local, se acostumbra la notacin xf para el
seguidor xl para el lder.
Los modelos de carfollowing [61] de una sla va suponen que existe una
alta correlacin entre los vehculos en un rango de separacin intervehicu-
lar de 100 a 125 metros y dan una forma explcita para ella. Asumen que
el conductor es un agente activo que responde a estmulos sensoriales me-
diante aceleracindesaceleracin del vehculo, dependiendo de sus propias
habilidades psicomotoras y condiciones fsicas del camino y del vehculo. El
mecanismo de conducir se resume en tres tipos de tareas, las cuales se tra-
ducen en expresiones matemticas ms o menos explcitas, como son:
Percepcin. El conductor recaba informacin, principalmente a travs de
97
98 CAPTULO 6. MODELOS DE CARFOLLOWING
8- 7- 6- 5- 4- 3- 2- 1- 0-
Figura 6.1: Convencin de seguimiento de vehculos
su campo visual; la informacin proviene principalmente del vehculo

de en frente y del propio.
Decisin. El conductor interpreta la informacin y actualiza diversos um-

brales de decisin. Usa un catlogo de experiencias previas y conocimien-
to. Con el tiempo las decisiones se vuelven automticas, constituyendo
lo que conocemos como habilidades de conducir.
Control. El conductor efecta maniobras de control que se retroalimen-

tan constantemene con la respuestas observadas; es necesario coordi-
nar movimientos y evaluar su intensidad para adapatarse al ambiente
cambiante.
Las teoras de carfollowing no pretenden tomar en cuenta todo el proceso

de conducir, sino lo sintetizan en una relacin de tipo conductista
Respuesta = Estmulo. (6.1)
Bajo la premisa de que el conductor intenta: (a) Evitar colisiones y (b) em-
parejarse al vehculo de enfrente. La funcin de respuesta se toma como la
aceleracin debido a que le conductor tiene control directo de esta cantidad
mediante el acelerador y el freno y porque obtiene retroalimentacin directa
de esta variable mediante fuerzas inerciales,
Respuesta(t) = u0f (t)
donde uf (t) es la velocidad del seguidor.

99
El estmulo se supone que es funcin de la velocidad relativa promedio

Z
1 t+t/2
hul uf i = hurel i = urel ( ) d.
t tt/2
En primer lugar, se supone que si t es pequeo entonces urel se mantiene

practicamente constante, de manera que
hul uf i = urel (t).
En segundo lugar, que la velocidad promedio al tiempo t se obtiene sopesan-

do la informacin de la velocidad promedio en tiempos anteriores y futuros
posibles,
Z t+t/2
urel (t) = (t )urel ( ) d,
tt/2
donde la funcin de peso (t) depende del conductor y en general tiene

soporte concentrado alrededor de t = 0. Si (t) = (t T ), el soporte est
concentrado T unidades de tiempo antes del tiempo presente; T se puede
entonces interpretar como el tiempo de reaccin del conductor. En este caso,
el estmulo es
Z t+t/2
Estmulo(t) = hul uf i = (t )urel ( ) d = ul (t T ) uf (t T ),
tt/2
y el modelo (6.1) se reduce a
u0f (t) = (ul (t T ) uf (t T )),
o equivalentemente
u0f (t + T ) = (ul (t) uf (t)). (6.2)
En el lmite T 0 se obtiene el modelo simple
u0f (t) = (ul (t) uf (t)), (6.3)
uno de los primeros en la teora de car-following propuesto por Pipes [57,

1953].
Las siguientes modificaciones del modelo sin retardo (6.3) se aplican de
idntica manera al modelo con retardo (6.2), por lo que mencionaremos ni-
camente las modificaciones en el primero.
El modelo simple (6.3) supone que la respuesta es independiente del es-

paciamiento (es decir para una velocidad media relativa, la respuesta es la
misma si la separacin es del orden de 5 a 10 metros, que si es del orden de
100). En un modelo ms realista, la respuesta sera mayor cuando menor sea
distancia relativa. Un modelo ms sofisticado supone que la sensitividad
inversamente proporcional al espaciamiento
ul uf
u0f = (6.4)
xl xf
(note el cambio de las unidades de ), que resulta en un modelo no lineal.
En otro modelo se supone la sensitividad es adems inversamente propor-
cional al claro temporal (time headway)
xl xf
tf = , (6.5)
uf
con lo cual
ul uf
u0f = uf . (6.6)
(xl xf )2
6.1. Relacin fundamental a partir de las teoras

de carfollowing
Los modelos (6.3), (6.4), (6.5) se puede reescribir como
uf = (xl xf ) + cte.
uf = ln(xl xf ) + cte. (6.7)
ln uf = (xl xf )1 + cte.
Para determinar las forma funcional de la velocidad media con la densidad
procedemos as: Consideremos un platoon de vehculos. En equilibrio todas
las velocidades son iguales a la velocidad media U y la densidad de vehculos
es constante e igual 1 a k = (xl xf )1 luego para cada modelo (6.7),

U = + cte.
k
U = ln k + cte.
U = k + cte.
1
En la longitud [xf , xl ] ha exactamente un auto, de aqu que la densidad sea k =
(xl xf )1 .
6.2. MODELO SIMPLE DE CARFOLLOWING SIN RETARDO 101
flujo
0.35
0.3
0.25
0.2
0.15
0.1
0.05
densidad
0.2 0.4 0.6 0.8 1
Figura 6.2: Las curvas k (1 k/kj ) [Greenshields, en rojo ()] y

k ln(kj /k) [Greenberg, en azul (.)], con = 1, kj = 1, y la curva
q = mkek [magenta, ()], con = 9, m = 9.
Las constantes se pueden determinar en las primeras dos relaciones usando

la condicin de que U se anularse para k = kj (densidad de embotellamiento:
jam). De aqu se obtiene la relacin fundamental del flujo q (= kU ) como
funcin de k para cada modelo:

k
q = k 1 [Greenshields]
kj
kj
q = k ln( ) [Greenberg]
k
q = mk exp (k) [Newell].
En la ltima relacin aparece una constante arbitraria m. Las grficas de

estas relaciones fundamentales se muestran en la Figura 6.2.
6.2. Modelo simple de carfollowing sin

retardo
Consideremos el modelo simple
u0k (t) = {uk1 (t) uk (t)} (6.8)

con coeficiente de sensitividad constante. Se supone que la velocidad y la

posicin del lder x0 (t), u0 (t) son conocidas para toda t. El problema consiste
en describir las posiciones y velocidades de los seguidores k = 1, 2, . . . , n.
Por supuesto es necesario dar las posiciones y velocidades iniciales de los
seguidores xk (0), uk (0), k = 1, 2, . . . , n. Procediendo recursivamente: conoci-
do uk1 (t) uk (t) se obtiene por el mtodo del factor integrante:
u0k (t) + uk (t) = uk1 (t),
et (u0k (t) + uk (t)) = et uk1 (t),
d t
e uk (t) = et uk1 (t).
dt
Integrando con las condicin inicial uk (0) tambin dada,
Z t
t
e uk (t) uk (0) = e uk1 ( ) d
0
Z t
t
uk (t) = e uk (0) + e uk1 ( ) d , (6.9)
0
para k = 1, 2, . . . .
Proyecto 1. Suponga que el lder se mueve a velocidad constante u0 (t) = U ,
y que los seguidores parten del reposo uk (0) = 0, k = 1, 2, . . .. Encuentre las
velocidades uk (t).
Solucin. Aplicando recursivamente la solucin (6.9) para k = 1, 2
Z t
t
u1 (t) = e u1 (0) + e u0 ( ) d
0
Z t
t
= U e e d = U et (et 1)
0
= U (1 et ).
Z t
t
u2 (t) = e u2 (0) + e u1 ( ) d
0
Z t
t
= U e (e 1) d
t
t0
= Ue e t 1

= U 1 (1 + t)et .
Ejercicio 6.2. Pruebe por induccin que

2 t2 3 t3 k1 tk1 t
uk (t) = U 1 1 + t + + + + e . (6.10)
2! 3! (k 1)!
Proyecto 2. Encuentre las posiciones xk (t).

Solucin. se probarn algunos resultados preliminares en forma de un lema
y un ejercicio:
Lemma 6.2.1. Sea Pn (t) un polinomio de grado n, entonces
Z t (n1) (n)
Pn (0) Pn0 (0) Pn (0) Pn (0)
Pn ( )e d = + + + n+1
0 2 n
!
0 (n1) (n)
Pn (t) Pn (t) Pn (t) Pn (t)
+ + + n+1 ) et .
2 n
Demostracin. Integramos por partes una vez
Z Z t
t
1 t 1 0
Pn ( )e
d = e Pn ( ) 0 + e Pn ( ) d
0 0
Z
u = Pn ( ), dv = e d 1 t 1 t 0
= (Pn (0) Pn (t)e ) + P ( )e d.
du = Pn0 ( )d, v = 1 e 0 n
Aplicando nuevamente la regla a la ltima integral tenemos
Z t
Pn ( )e d =
0
Z
1 1 1 0 1 t 00
(Pn (0) Pn (t)et ) + 0 t
(P (0) Pn (t)e ) + P ( )e
d
n 0 n
Z t
1 1 0 1
= (Pn (0) Pn (t)et ) + 0 t
(P (0) Pn (t)e ) + 2 P 00 ( )e d.
2 n 0 n
Y por induccin,
Z t
Pn ( )e d =
0
1 1
= (Pn (0) Pn (t)et ) + 2 (Pn0 (0) Pn0 (t)et ) + +
Z t
1 (n1) (n1) t 1
(P (0) Pn (t)e ) + n P (n) ( )e d
n n 0 n
1 1
= (Pn (0) Pn (t)et ) + 2 (Pn0 (0) Pn0 (t)et ) + +
Z t
1 (n1) (n1) t 1 (n)
(P (0) Pn (t)e ) + n Pn (0) e d
n n 0
1 1
= (Pn (0) Pn (t)et ) + 2 (Pn0 (0) Pn0 (t)et ) + +

1 1
n
(Pn(n1) (0) Pn(n1) (t)et ) + n+1 Pn(n) (0)(1 et )

0 (n1) (n)
Pn (0) Pn (0) Pn (0) Pn (0)
= + + + +

2 n n+1 !
(n1) (n)
Pn (t) Pn0 (t) Pn (t) Pn (t)
+ 2
+ + n
+ n+1 et

(n) (n)
donde se usa el hecho de que Pn (0) = Pn (t), por ser un polinomio de
grado n.
Ejercicio 6.3. Complete los pasos necesarios para obtener una frmula de
recurrencia para las posiciones xk (t)
Z t
xk (t) = xk (0) + uk ( ) d (6.11)
0
Z t
2 t2 3 t3 k1 tk1
= xk (0) + U 1 1 + t + + + + e d
0 2! 3! (k 1)!
= xk (0) + U t
Z t
2 2 3 3 k1 k1
U 1 + + + + + e d (6.12)
0 2! 3! (k 1)!
Z t
= xk (0) + U t U P ( )e d, (6.13)
0
donde
2 t2 3 t3 k1 tk1
P (t) = 1 + t + + + + .
2! 3! (k 1)!
que tiene grado k 1. Para usar el Lema 6.2.1 necesitamos calcular2
P (t) 1
= P (t)

P 0 (t) 1 k1 tk1
= P (t)
2 (k 1)!

P 00 (t) 1 k1 tk1 k2 tk2
= P (t)
3 (k 1)! (k 2)!

P (3) (t) 1 k1 tk1 k2 tk2 k3 tk3
= P (t)
4 (k 1)! (k 2)! (k 3)!
..
.
(k2)
P (t) 1 k1 tk1 k2 tk2 k3 tk3 2 t2
= P (t) ...
k1 (k 1)! (k 2)! (k 3)! 2!

P (k1) (t) 1 k1 tk1 k2 tk2 k3 tk3 2 t2
= P (t) ... t .
k (k 1)! (k 2)! (k 3)! 2!
Sumando se obtiene
P (t) P 0 (t) P (k1) (t)
+ 2 + +
k
k2 k1
k t k3 tk2 t2
= P (t) (k 1) (k 2) ... 2 t
(k 1)! (k 2)! 2!
k k2 tk1 k3 tk2
= P (t) . . . t2 t
(k 2)! (k 3)!
k2 k2
k t k3 tk3
= P (t) t + + . . . + t + 1
(k 2)! (k 3)!
k1 k1
k t
= P (t) t + P (t)
(k 1)!

k k1 tk
= t P (t) + . (6.14)
(k 1)!
2
Observe que:
P 0 (t) 3 2 k1 k2 P 00 (t) k1 tk3
2 = 12 + 2 t + 2!t + + (k2)!
t
3 = 1
3 2 + 3 t + + (k3)!
2 2 k2 k2

k3 tk3
= 1 1 + t + 2!t + + (k2)!
t
= 1
1 + t + + (k3)!
Evaluando en t = 0,
P (0) P 0 (0) P (k1) (0) k k
+ 2
+ + k
= P (0) = . (6.15)

Por lo tanto usando (6.15), (6.14), la integral en el Lema 6.2.1 es:
Z t
k k k1 tk
P ( )e d = t P (t) + et . (6.16)
0 (k 1)!
Volviendo a (6.13), se tiene, usando (6.16)
Z t
xk (t) = xk (0) + U t U P ( )e d,
0
k k k1 tk t
= xk (0) + U t U t P (t) + e
(k 1)!

k k k1 tk
= xk (0) + U t +U t P (t) + et (6.17)
(k 1)!
que es la expresin para las posiciones xk (t).
En la Figura 6.3 se muestra la simulacin del modelo (6.8) con los par-
metros del Proyecto 1 para n = 50 autos. La velocidad del lder es U = 2
(unidades de velocidad) y el parmetro es = 0.5. La posicin inicial de
los autos es xk (0) = k, para k = 0, 1, 2, . . . , n. Se muestran los grficos de
posicin velocidad y aceleracin como funcin del tiempo usando las frmulas
explcitas (6.10) y (6.17).
Proyecto 3. El lder se mueve oscilando peridicamente alrededor de la

velocidad promedio U = 1: u0 (t) = 1 + 0.25 sin(2t). Obtenga las grficas de
velocidad aceleracin ak (t), velocidad uk (t) y posicin xk (t). Las condiciones
iniciales para el lder son u0 (0) = 1, x0 (0) = 0; para los seguidores xk (0) =
k, uk (0) = 0.
En las Figura 6.4, 6.5 y 6.6 se muestra la simulacin con n = 15 autos.
En este caso es difcil encontrar una frmula explcita para las velocidades y
posiciones, uk (t) y xk (t), por lo que se calculan numricamente de manera re-
cursiva para el nmero finito de autos (n = 15) con los parmetros indicados,
automticamente usando Mathematica r.
Proyecto 4. Realice la simulacin con el lder moviendse a velocidad cons-

tante hasta t = 0 cuando frena sbitamente. Vase el perfil en la Figura 6.7.
Posicin
10
Tiempo
20 40 60 80 100
-10
-20
-30
-40
-50
Velocidad
1.5
0.5
Tiempo
20 40 60 80 100
Aceleracion
0.5
0.4
0.3
0.2
0.1
Tiempo
20 40 60 80 100
Figura 6.3: Posicin, velocidad y aceleracin para el modelo de car

following (6.8)
Posicin
10
Tiempo
10 20 30 40
-5
-10
-15
Posicin
10
Tiempo
10 20 30 40
-5
-10
-15
Posicin
10
Tiempo
10 20 30 40
-5
-10
-15
Posicin
Tiempo
10 20 30 40
-5
-10
-15
Figura 6.4: Posiciones con el lder acelerando y desacelerando peridicamente

alrededor de una velocidad promedio. En el grfico superior se muestran todos
los autos, en los grficos sucesivos se han omitido 1, 2 y 3 autos respectiva-
mente para apreciar los detalles.
Velocidad
1.2
0.8
0.6
0.4
0.2
Tiempo
10 20 30 40 50
Velocidad
0.8
0.6
0.4
0.2
Tiempo
10 20 30 40 50
Velocidad
1
0.8
0.6
0.4
0.2
Tiempo
10 20 30 40 50
Velocidad
1
0.8
0.6
0.4
0.2
Tiempo
10 20 30 40 50
Figura 6.5: Velocidades con el lder acelerando y desacelerando peridica-

mente alrededor de una velocidad promedio. En el grfico superior se mues-
tran todos los autos, en los grficos sucesivos se han omitido 1, 2 y 3 autos
respectivamente para apreciar los detalles.
Aceleracin
0.4
0.2
Tiempo
10 20 30 40 50
-0.2
-0.4
Aceleracin
0.5
0.4
0.3
0.2
0.1
Tiempo
10 20 30 40 50
-0.1
Aceleracin
0.2
0.15
0.1
0.05
Tiempo
10 20 30 40 50
Aceleracin
0.12
0.1
0.08
0.06
0.04
0.02
Tiempo
10 20 30 40 50
Figura 6.6: Aceleraciones con el lder acelerando y desacelerando peridica-

mente alrededor de una velocidad promedio. En el grfico superior se mues-
tran todos los autos, en los grficos sucesivos se han omitido 1, 2 y 3 autos
respectivamente para apreciar los detalles.
1
0.8
0.6
0.4
0.2
-2 -1 1 2
Figura 6.7: Velocidad del lder Proyecto 4.
Vase tambin la referencia [52] donde se hace un anlisis detallado para un

modelo no lineal.
Solucin. Los resultados de la simulacin para n = 10 autos con = .8 se

muestran en la Figura 6.8. Discuta los resultados.
Proyecto 5. Realice la simulacin con la velocidad del lder dado por

0 t<0
u0 (t) =
1 t0
Interprete los resultados.

Posicin
2
Tiempo
10 20 30 40
-2
-4
-6
-8
-10
Velocidad
1.0
0.8
0.6
0.4
0.2
Tiempo
-10 0 10 20 30 40 50
Aceleracin
Tiempo
10 20 30 40
-0.2
-0.4
-0.6
-0.8
Figura 6.8: Proyecto 4. Posicin, velocidad y aceleracin de la caravana de

autos con movimiento del lder remarcado en rojo
6.3. LA FUNCIN DE TRANSFERENCIA 113
6.3. La funcin de transferencia

Sean x(t), y(t) la entrada y salida de un sistema lineal, x(s), y(s) sus
transformadas de Laplace. Admitiremos la forma ms general posible en la
relacin funcional entre x(t) y y(t) en trminos de la integral de convolucin
Z t
y(t) = g(t )x( ) d.
0
En este caso g(t) recibe el nombre de funcin impulso de respuesta. Sus

transformadas de Laplace estn relacionadas por
y(s) = G(s)x(s),
donde G(s) se llama la funcin de transferencia. Este es un concepto til e

importante pues encapsula el comportamiento de la salida en funcin de la
entrada, y se puede representar por un diagrama de bloques.
Ejemplo 6.17. Si x(t) es una funcin de impulso x(t) = (t), la delta de

Dirac, entonces L((t)) = 1 y
y(s) = G(s),
es decir la salida coincide con la funcin de transferencia.
Ejemplo 6.18. Si x(t) es una funcin escaln unitario

0 si t < 0,
x(t) =
1 si t 0
entonces L(x(t)) = 1/s y

G(s)
y(s) = ,
s
es decir la salida es la funcin de transferencia con un polo en el orgen
aadido.
Ejemplo 6.19. Si G(s) es la funcin de transferencia la funcin G(j) se

llama la funcin de transferencia en frecuencia. Los grficos de Bode permiten
describir el efecto de la funcin de transferencia en la amplitud y la fase,
en una escala logartmica (con frecuencia se usa el decibel = 20 log10 ). El
x(s) y(s) y(s)

- G(s) - = G(s)
x(s)
x(s) y(s) y(s)
- G1 (s) - G2 (s) - = G2 (s)G1 (s)
x(s)
- G1 (s) -
x(s) ? y(s)
y(s)
- + - = G1 (s) + G2 (s)
x(s)
- G2 (s) -6
x(s) y(s)
- - -
+ G(s) y(s)
=
G(s)
6 x(s) 1 + G(s)
Diagrama de bloque Funcin de transferencia
Figura 6.9: Diagramas de bloque y funciones de transferencia
diagrama de Bode es el grfico de 20 log10 |G(j)| y Arg G(j) versus la

frecuencia .
Las funciones de transferencia obedecen reglas algebraicas simples que

se ilustran en los diagramas de la Figura 6.9. Por ejemplo, la funcin de
transferencia de dos sistemas lineales en serie es la suma de las funciones de
transferencia.
Ejemplo 6.20. Considere la ecuacin lineal con coeficientes constantes
dy
+ y(t) = kx(t) (6.18)
dt
donde x(t) se considera la entrada y y(t) la salida, su diagrama de bloques

es como en la Figura 6.10. Supngase para simplificar que x(0) = y(0) = 0.
Tomando transformada de Laplace,
sy(s) + y(s) = kx(s)

6.3. LA FUNCIN DE TRANSFERENCIA 115
x(s) y(s)
- k -
G(s) = 1+ s
Figura 6.10: Diagrama de bloques de la ecuacin diferencial 6.18
y despejando
y(s) k
G(s) = = .
x(s) 1 + s
Observe3 que el denominador es el polinomio caracterstico asociado al sis-
tema (6.18).
Ejemplo 6.21. El sistema acoplado

dy
1 + y(t) = k1 x(t)
dt
dz
2 + z(t) = k2 y(t) (6.19)
dt
con condiciones iniciales homogneas y(0) = z(0) = x(0)
= z(0)
= 0, tiene el
diagrama de bloques de la Figura 6.11. Luego su funcin de transferencia es
z(s) k2 k1 k1 k2
G(s) = = G2 (s)G1 (s) = = . (6.20)
x(s) 1 + 2 s 1 + 1 s (1 + 2 s)(1 + 1 s)
3
La ecuacin 6.18 se puede expresar como la integral de convolucin
Z
k t (tu)/
y(t) = e x(u) du.
0
En efecto completando el factor integrante en 6.18, tenemos

d t/ k
e y(t) = et/ x(t)
dt
e integrando con la condicin inicial y(0) = 0,
Z
k t u/
y(t) = et/ e x(u) du
0
Z t
k (tu)/
= e x(u) du
0
x(s) y(s) z(s)

- G1 (s) = k1 - G1 (s) = k1 -
1+2 s 1+2 s
Figura 6.11: Diagrama de bloques del sistema 6.19
Observe que este ejemplo es en realidad una ecuacin de segundo orden:

d2 z dz dy
1 2 + 1 = k 2 1
dt2 dt dt
= k2 (y(t) + k1 x(t))
= k2 y(t) + k2 k1 x(t)
dz
= 2 z(t) + k2 k1 x(t)
dt
o bien
d2 z dz
1 22
+ (1 + 2 ) + z(t) = k2 k1 x(t). (6.21)
dt dt
Al tomar transformada de Laplace,
1 2 s2 z(s) + (1 + 2 )sz(s) + z(s) = k2 k1 x(s).
Luego su funcin de transferencia es
z(s) k2 k1
G(s) = = ,
x(s) 1 + (1 + 2 )s + 1 2 s2
la cual coincide con (6.20). Nte que aqu tambin el denominador coincide
con el polinomio caracterstico del sistema (6.21).
Los ejemplos anteriores muestran algunas propiedades generales. Con-

sidere el sistema con coeficientes constantes:
Xn m
di y X dj x
i i = j j (6.22)
i=1
dt j=1
dt
con entrada x y salida y. Tomando condiciones iniciales homogneas para x,

y y sus derivadas, se tiene tomando transformada de Laplace,
n
X m
X
i si y(s) = j sj x(s)
i=1 j=1
6.4. ESTABILIDAD 117
de donde Pm i
y(s) j=1 j s
G(s) = = Pn i
. (6.23)
x(s) i=1 i s
La funcin de transferencia es una funcin racional formada por el cociente

del los polinomios caractersticos de entrada y salida.
6.4. Estabilidad
En la teora de carfollowing se habla de estabilidad local y estabilidad
asinttica. La primera se refiere al comportamiento del seguidor relativo al
lder: Nos preguntamos si pequeas perturbaciones en el movimiento del k
simo auto pueden producir grandes variaciones en el seguidor, fenmeno
que naturalmente llamaramos inestabilidad. El segundo se refiere al com-
portamiento del n-simo seguidor en relacin al lder, o bien cmo se propa-
ga una perturbacin a lo largo del platoon de vehculos, las oscilaciones del
lder se amortiguan o crecen? son permanentes? A continuacin, vamos a
precisar.
Definicin 6.4.1. Decimos que el sistema LTI y(s) = G(s)x(s) es estable,

si para todo > 0 existe > 0 tal que si para toda s tal que |x(s)| <
entonces |y(s)| < . Decimos que el sistema LTI es asintticamente estable
si es estable y adems lims0 sy(s) = 0.
Es conveniente primero seleccionar un estado de equilibrio. En nuestro

caso, es natural suponer que inicialmente todos los vehculos llevan la misma
velocidad. Tomando un sistema de referencia que se mueva a esta velocidad,
se puede suponer que las condiciones iniciales de cada auto son cero.
En particular, los polos de la funcin de transferencia determinan la esta-
bilidad del sistema; si todos los polos estn situados en el semiplano <(s) < 0
del plano complejo, entonces se tiene estabilidad. Si el sistema 6.22 tiene coe-
ficientes reales entonces los polos aparecen por pares conjugados y dan or-
gen a oscilaciones, cuando son complejos. Estas oscilaciones se amortiguan si
<(s) < 0 o crecen si <(s) > 0.
Veamos esto con cierta generalidad. Supongamos que
p(s)
G(s) = (6.24)
q(s)
es una funcin de transferencia racional con el grado de p menor que el grado

de q (dividiendo si es necesario). El denominador se puede factorizar como
q(s) = (s s1 )m1 (s s2 )m2 (s sg )mg , siendo mi , las multiplicidades de
las races si , i = 1, 2, . . . , g, entonces usando fracciones parciales se puede
escribir g mi
X X Aiki
G(s) =
i=1 k =1
(s si )ki
i
de donde g mi
X X Aiki x(s)
y(s) = ki
.
i=1 k =1
(s si )
i
Por cada trmino en la sumatoria, la solucin y(t) contiene una contribucin

de la forma
Z t 1 si
1 x(s) e
L
= x(t ) d
(s si ) 0 ( 1)!
Z t
(t )1 esi (t )
= x( ) d (6.25)
0 ( 1)!
Z t
si t (t )1 esi
= e x( ) d (6.26)
0 ( 1)!
con entero positivo. En la ltima expresin se hace evidente la presencia
del factor esi t que tiende a cero, si y slo si <(si ) < 0. En resumen:
Teorema 6.4.2. El sistema 6.22 es estable frente a perturbaciones en la
entrada x(t) si y slo si, los polos de la funcin de transferencia tienen parte
real negativa.
La funcin de transferencia puede ser trascendente. Por ejemplo la ecuacin
diferencial con retardo
y 0 (t + ) + y(t) = x(t)
al tomar trasformada de Laplace se obtiene
es sy(s) + y(s) = x(s)
y despejando
x(s)
y(s) = .
1 + ses
6.4. ESTABILIDAD 119
y la estabilidad estar determinada por la situacin de los ceros de la ecuacin

trascendente
1 + ses = 0.
Consideremos una funcin de transferencia general (6.24) y suponga que si
es un cero simple de q(s), luego existe una funcin continua r(s) tal que
r(si ) 6= 0 y
q(s) = (s si )r(s)
(vase [1]). Intentemos la descomposicin anloga a fracciones parciales
p(s) A B(s)
= + (6.27)
q(s) (s s1 ) r(s)
con p(s), q(s) de clase C 1 ; se busca determinar la constante A y la funcin
continua B(s). Igualdando los numeradores se obtiene la ecuacin
Ar(s) + B(s si ) = p(s).
Poniendo s = si , se obtiene
p(si )
A= .
r(si )
Con A determinado, se puede entonces tomar
p(s) Ar(s)
B(s) = .
s si
Veamos que B est bien definida en s = si . Como el numerador se anula en
s = si , por definicin de A, por la regla de LHspital se obtiene
B(si ) = lm p0 (s) Ar0 (s) = p0 (si ) Ar0 (si )
ssi
es decir B(s) es continua.

Con la descomposicin se tiene

A B(s)
y(s) = + x(s).
(s si ) r(s)
En particular el trmino
Ax(s)
(s si )
da una contribucin en y(t) con el factor esi t .
En resumen el teorema anterior es vlido cuando la funcin de transfer-
encia es trascendente pero con p(s), q(s) de clase C 1 .
Teorema 6.4.3. El sistema con funcin de tranferencia (6.24) con p(s), q(s)
de clase C 1 , es estable frente a perturbaciones en la entrada x(t) si y slo
si, los ceros de q(s) son de orden finito, vgr., si q(si ) = 0, existen m entero
positivo y r(s) continua tal que
q(s) = (s si )m r(s)
tiene parte real negativa.
6.4.1. Estabilidad local del modelo simple

Analicemos la estabilidad local del modelo simple (6.8)
u0f (t) = (ul (t) uf (t))
donde ul (t) se considera la entrada y uf (t) la salida. Tomando transformada

de Laplace se tiene
(s + )uf (s) = ul (s)
y la funcin de transferencia es

G(s) = .
s+
Como se considera positiva, los polos de G(s) son todos negativos, y la
solucin es localmente estable.
6.4.2. Estabilidad asinttica del modelo simple

Consideremos un platoon de vehculos
u0n (t) = (un1 (t) un (t)), n = 1, 2, . . . , N (6.28)
donde el lder u0 (t) se considera la entrada. Observe que en el dominio de

Laplace, el diagrama de bloques es el de la Figura 6.12 luego, para el n-simo
vehculo la funcin de transferencia es
n

G(s) =
s+
y nuevamente el sistema es asintticamente estable.

6.5. MODELO CON RETARDO 121
u0 (s) u1 (s) un (s)

- - - - -
s+ s+ s+
Figura 6.12: Diagrama de bloques de 6.28
6.5. Modelo con retardo

En esta seccin presentamos la solucin analtica del modelo simple (6.8)
con retardo
u0k (t + ) = (uk1 (t) uk (t)). (6.29)
El objetivo es estudiar el comportamimento de los seguidores bajo las sigu-
ientes estrategias del lder:
El lder se mueve con velocidad constante: u0 (t) = U. Los seguidores

parten del reposo y estn situados una unidad detrs de otro.
El lder se mueve a velocidad constante U para t < 0 y posteriormente

acelera y desacelera peridicamente con una frecuencia , de modo que

U t 0,
u0 (t) =
U + sin(t) t > 0.
El lder se mueve con velocidad constante para t < 0 y frena brusca-

mente:
u0 (t) = U (1 H(t)).
El lder permanece en reposo para t < 0 y acelera sbitamente para

t > 0:
u0 (t) = U H(t).
En ambos casos H(t) es la funcin escaln unitario de Heaviside.

La solucin analtica general fu obtenida por Tse-Sun Chow [1958] (ver
referencia [6]). Aqu presentamos las soluciones particulares para las condi-
ciones iniciales para los carros seguidores,
uk (t) = 0, t , k = 1, 2, . . . , n.
Se resolvern las ecuaciones de manera recursiva y se usar la transformada

de Laplace para abordar el problema del retardo.
Tomando transformada en (6.29) e integrando por partes el lado izquierdo
se tiene Z
est u0k (t) dt = (
uk1 (s) Uk (s))
0
donde las barras y el argumento s respresentan transformadas de Laplace. El

lado izquierdo es
Z
est u0k (t + ) dt
0
Z

= e uk (t + )0 + s
st
est uk (t + ) dt =
0
Z
= uk () + s es( ) uk ( ) d

Z Z
s s
= uk () + se e uk ( ) d se es uk ( ) d
0 0
Z
= uk () + ses uk (s) ses es uk ( ) d.
0
Despejando se obtiene
Z
1 se
uk (s) = u
k1 (s) + u k () + es uk ( ) d,
+ ses + ses + ses 0
k = 1, 2, . . . (6.30)
6.5.1. El lder movindose con velocidad constante

Las condiciones iniciales en el intervalo [0, ] se ilustran en la Figura 6.13
La relacin de recurrencia (6.30) se reduce a

uk (s) = uk1 (s).
+ ses
Para k = 1 se tiene
U
u1 (s) =
s( + ses )
Figura 6.13: Condiciones iniciales del primer problema
y en general
k U
uk (s) = .
s( + ses )k
Solucin para el caso k = 1
u1 (s)
1
U U es U es s
= = 2 = 1+ e
s( + ses ) s 1 + s es s2 s

U es s 2 2s 3 3s j
j js
= 1 e + 2e 3e + + (1) j e +
s2 s s s s

s 2 2s 3 3s j
j+1
(j+1)s
= U e 3e + 4e + + (1) j+2 e + .
s2 s s s
El trmino entre parntesis es la transformada de Laplace de
((t ))2
H(t )(t ) H(t 2) +
2!
((t 3))3 ((t (j + 1)))j+1
H(t3) + +(1)j H(t(j+1)) + ,
3! (j + 1)!
por lo tanto
X
(1)j
u1 (t) = U H(t (j + 1)) [(t (j + 1))]j+1 .
j=0
(j + 1)!
Observe que la suma anterior es finita, ya que al sumar sobre j = 0, 1, 2, . . .,

eventualmente t (j + 1) 0 donde la funcin de Heaviside se anula. Si J
el mayor entero positivo j tal que (J + 1) t entonces 0 t dt/e 1
y la solucin se escribe en este caso como
dt/e1
X (1)j
u1 (t) = U H(t (j + 1)) [(t (j + 1))]j+1 . (6.31)
j=0
(j + 1)!
6.5.2. La solucin general

Tenemos
un (s)
n U n U
= = n
s( + ses )n sn ens 1 + s es
n
U n ens s
= 1+ e
sn+1 s
n ns X j
U e j (n + j 1)! js
= (1) e
sn+1 j=0
j!(n 1)! sj
X
(n + j 1)! n+j (n+j)s
= U (1)j e
j=0
j!(n 1)! sn+j+1
( )
X (n + j 1)! n+j n+j
t
= UL (1)j H(t (n + j))
j=0
j!(n 1)! (n + j)!
( )
X (1)j
= UL H(t (n + j)) [(t (n + j))]n+j .
j=0
j!(n 1)!(n + j)
Por lo tanto
(
)
X (1)j
un (t) = U H(t (n + j)) (t)n+j . (6.32)
j=0
j!(n 1)!(n + j)
Nuevamente la solucin se puede escribir

dt/en
X (1) j
n+j
un (t) = U H(t (n + j)) (t (n + j)) .
j!(n 1)!(n + j)
j=0
(6.33)
(a) (b)
(c) (d)
Figura 6.14: Simulacin del modelo con retardo para valores de = 0.8,
= 1, U = 1 (sup). (a) Etapa inicial; (b) Etapa intermedia; (c) Colisin;
(d) Detalle (inf).
El el caso k = 1:

dt/e1
X (1)j
j+1
u1 (t) = U H(t (j + 1)) (t)
(j + 1)!
j=0
corresponde a tomar n = 1 en la expresin (6.33).
6.5.3. Estabilidad local del modelo simple con retardo

La funcin de transferencia del modelo local es
uf (t + ) = (ul (t) uf (t).
Con ul (t) la entrada y uf (t) la salida, la funcin de transferencia es

G(s) =
+ ses
y la estabilidad local estar determinada por las raices de la ecuacin trascen-

dente dependiente del parmetro de retraso
+ ses = 0.
Haciendo el cambio de variable = s, la ecuacin anterior se reduce a
C + e = 0.
con C = , que ahor analizeremos. Escribiendo = + i, la ltima

ecuacin se reduce a
cos + sin = 0 (6.34)

C + e ( cos sin ) = 0 (6.35)
La primera ecuacin no depende del parmetro C. La segunda se puede

escribir, despus de multiplicar por cos y de usar (6.36), como
cos + sin = 0, (6.36)

C cos + e = 0. (6.37)
En la Figura 6.15 se muestra en la evolucin de los polos de la funcin

de transferencia, variando el parmetro C en el rango de 0 C 4. Existen
siempre polos sobre el eje imaginario, dados por = 0, cos = 0. para
todo del valor de C. Otros polos tiene parte real negativa grande, fuera de
la ventana del grfico que dan origen a oscilaciones que decaen rpidamente
a cero con t. Los polos con parte real pequea, varan a lo largo de la curva
central en forma de trinche. En la Figura 6.16 se la evolucin del polo a
lo largo de la rama ABC, para valores de C = 4, 0.3 y valores crticos de
C = /2, 1/e. Denotemos por s0 = 0 + i0 el polos sobre la curva ABC.
Podemos entonces concluir lo siguiente:
(a) Si C > /2, entonces s0 est sobre AB y 0 > 0, y existen oscilaciones

de amplitud creciente.
(b) Si C = /2, entonces 0 = 0, y el movimiento es oscilatorio sin amor-

tiguamiento.
(c) Si 1/e < C < /2, entonces s0 est sobre BC, de modo que 0 < 0 y
0 > 0 y el movimiento es oscilatorio con amplitud decreciente.
C=0.1 C=0.3 C=0.4 C=0.5

15 15 15 15
10 10 10 10
5 5 5 5
-4-3-2-1 1 2 -4-3-2-1 1 2 -4-3-2-1 1 2 -4-3-2-1 1 2

-5 -5 -5 -5
C=0.6 C=0.8 C=1 C=4

15 15 15 15
10 10 10 10
5 5 5 5
-4-3-2-1 1 2 -4-3-2-1 1 2 -4-3-2-1 1 2 -4-3-2-1 1 2

-5 -5 -5 -5
Figura 6.15: Evolucin de los polos
(d) Si C 1/e, entonces s0 est sobre CD, de modo que 0 < 0, 0 = 0 y

el movimiento es no oscilatorio amortiguado.
El valor de bifurcacin es C = 1e , por lo que se puede considerar que si
C < 1/e el sistema es estable. Los detalles pueden verse en [5]
6.5.4. Estabilidad asinttica del modelo simple con re-

tardo
La funcin de tranferencia se puede obtener del diagrama de bloques
mostrado en la Figura 6.17. Luego, para el n-simo vehculo la funcin de
transferencia es n

G(s) = .
ses +
Por lo tanto los polos son los mismos que antes, excepto que tienen multi-
plicidad. Por cada raiz si hay una contribucin en la solucin xn (t) de la
forma 6.26.
Proyecto 3. Reproduzca las simulaciones numricas del modelo simple con

retardo de la referencia [5].
C=4 C=Pi
--
3
2
3
2 A
B 2 A
1
B
1
C
D
-2 -1.5 -1 -0.5 0.5 1 1.5 C
D
-2 -1.5 -1 -0.5 0.5 1 1.5
-1
-1
-2
-2
-3 -3
C=0.3
3
3
2 A
2 A
B
1 B
1
C
D C
-2 -1.5 -1 -0.5 0.5 1 1.5 D
-2 -1.5 -1 -0.5 0.5 1 1.5
-1
-1
-2
-2
-3 -3
Figura 6.16
u0 (s) u1 (s) un (s)

- - - - -
ses + ses + ses +
Figura 6.17: Diagrama de bloques del sistema simple con retardo.

Captulo 7
Autmatas celulares
Una contribucin reciente a los modelos de partculas de trfico vehicular

son los modelos de salto. En esto modelos el camino se representa por cadenas
de celdas que estn ocupadas por a lo ms una partcula. El movimiento
tiene lugar saltando entre celdas. La posicin de las partculas es actualizada
simultnea y paralelamente. Estos modelos se conocen tambin con el nombre
de Autmatas Celulares (en lo sucesivo abreviado AC).
Los autmatas celulares son sistemas que evolucionan en el tiempo en
base a reglas locales. Tanto el tiempo como el espacio fase, son discretos. A
diferencia de los sistemas dinmicos discretos en los que el espacio fase es una
variedad diferenciable, en la que tienen sentido los conceptos de aproximacin
tangente y en general el Clculo, en la teora de los Autmatas Celulares el
espacio fase adolece de estos conceptos. A un instante dado el estado de un
autmata se describe por un vector (AC lineal) o matriz multidimensional
(un AC bidimensional puede modelar por ejemplo el trfico de vehculos en
una red vial, o el trfico peatonal), donde cada entrada puede tomar un
conjunto discreto de valores.
Por ejemplo, en el caso de un AC unidimensional, el autmata est en el
(t)
estado xi , i = 1, 2, . . . , N es la longitud y t es el tiempo. El valor discreto
(t)
xi {E1 , E2 , . . . , Eg } se puede representar grficamente por una escala de
color. Por ejemplo si solo dos estados son posibles, g = 2 y se puede tomar 0
o 1, blanco o negro.
El uso de modelos de AC se remonta a Gerlough [1959], los cuales fueron
extendidos por Cremer y colaboradores [1986]. Biham, Middleton y Levine
[1992] usaron un modelo de AC con velocidad mxima para trfico bidi-
mensional, y unidimensional de uno o varios carriles. Con ello pusieron el
129
130 CAPTULO 7. AUTMATAS CELULARES
tema en boga entre la comunidad de la mecnica estadstica. En el mismo

ao Nagel y Schreckenberg [47], [49], propusieron un modelo con velocidad
mxima vmax = 5 que se compar favorablemente con datos reales, el cual
fu retomado y extendido subsecuentemente por diversos autores (vase la
bibliografa en [48]).
Son tres al menos, las razones que han motivalo la teora de AC en este
contexto: (a) la rapidez computacional y el paralelismo lo cual ha permiti-
do simulaciones a gran escala; (b) la combinacin de la simplicidad en la
formulacin de los modelos y la complejidad de las fases; (c) en la actuali-
dad existen dos proyectos que se basan en la metodologa de los AC para el
desarrollo de autopistas en EEUU [75] y Alemania [76]. Desde el punto de
vista terico los modelos de CA constituyen un puente entre los modelos de
dinmica de fludos y los de carfollowing que permite aclarar la conexin
entre ambos. Al respecto vanse [22], [53], [54], [55].
En los AC usualmente se consideran reglas que involucran los primeros o
segundos vecinos, raramente ms. La ley de evolucin en el caso determins-
tico es de la forma
(t+1) (t) (t) (t)
xi = f (xi1 , xi , xi+1 ),
(t)
donde xi es el estado del sitio i al tiempo t y en el caso estocstico
(t+1) (t) (t) (t)
xi = f (xi1 , xi , xi+1 , t )
donde t es ruido blanco por ejemplo.
7.1. El modelo de Nagel-Schreckenberg

En el modelo de Nagel y Schreckenberg (en lo sucesivo AC NaSch) la ca-
rretera consta de L celdas (cada una corresponde aproximadamente a 7.5 m)
y N es el nmero de autos. Cada celda puede estar vaca u ocupada por un
slo vehculo. Con xn {1, 2, . . . , L} se denota la posicin del nsimo auto.
La velocidad de cada veculo vn , n = 1, 2, . . . , N puede tomar los vmax + 1
valores 0, 1, 2, . . . , vmax . El estado de la carretera al tiempo t + 1 a partir del
estado al tiempo t se puede obtener aplicando las siguiente reglas a todos los
carros al mismo tiempo (dinmica en paralelo):
Paso 1: aceleracin:
vn mn(vn + 1, vmax ).
7.1. EL MODELO DE NAGEL-SCHRECKENBERG 131
Paso 2: Frenado:
vn mn(vn , gn 1).
Paso 3: Aleatorizacin:
vn max(vn 1, 0), con probabilidad p.
Paso 4: Manejo:
xn xn + v n .
La primera regla refleja el impulso del conductor de acelerar hasta la
mxima velocidad permitida vmax . Para evitar accidentes, los cuales estn
prohibidos explcitamente por el modelo, el conductor debe frenar si su ve-
locidad excede el espacio en frente de l. El factor aleatorio intenta modelar
el comportamiento individual de los conductores, tales como fluctuacin a
mxima velocidad, sobrereaccin al frenar y aceleracin retardada ruidosa.
El modelo de NaSch es mnimo en el sentido de que si se quita el factor es-
tocstico no se observan atascamientos y an el orden en la aplicacin de las
reglas da origen a un comportamiento totalmente distinto. En el lmite de-
termstico, sin la regla de aleatorizacin, y vmax = 1 se obtiene el Autmata
Celular de Wolfram con la regla 184 (vase el Manual de Mathematicar .)
Cada unidad discreta de tiempo corresponde aproximadamente a 1 segun-
do. Por supuesto para poder comparar con datos reales, es necesario hacer
una conversin a las unidades de longitud, tiempo a partir de las unidades
enteras del AC.
En la referencia [47] se calcula el diagrama fundamental de la siguiente
manera: Considrese un lugar i y un tiempo largo T . La densidad promedio
en el lugar i es
t0 +T
1 X
= ni (t), (7.1)
T t=t +1
0
donde ni (t) = 0 si el sitio i est vaco o 1 si est ocupado. De la misma

manera el flujo promedio entre los lugares i e i + 1 es
t0 +T
1 X
q = ni,i+1 (t), (7.2)
T t=t +1
0
donde ni,i+1 (t) = 1 si se detecta un auto entre los sitios i e i + 1, 0 en caso

contrario. De esta manera se obtienen diversos valores ( , q) para construir
el diagrama fundamental.
En el Cuadro 7.1 se muestra una simulacin del modelo de NaSch en una

carretera de longitud L = 70 y N = 10 autos, con condiciones peridicas:
xN +1 = xN , vN +1 = vN en 40 unidades de tiempo. Este es un escenario
de baja densidad de autos. Puede observarse que la mayora de los autos
avanzan de izquiera a derecha, aunque llegan a formarse embotellamientos
formados por bloques de ceros que significan autos detenidos. Sin embargo
todos ellos consiguen sobrepasar el embotellamiento. Claramente se observan
dos patrones de ceros, que se desplaza a la izquierda en forma de ondas de
embotellamiento.
En el Cuadro 7.2 se muestra la simulacin en 40 unidades de tiempo con
N = 50 autos, con los mismos parmetros que antes. Se puede apreciar la
presencia de muchos autos detenidos y otros con bajas velocidades (1 o 2). Los
patrones de embotellamiento forman ahora ondas gruesas que se desplazan
en sentido contrario al avance de los autos.
En la Figura marginal 7.1 se muestra la simulacin extendida a 40 unidades
de tiempo. Un pixel negro indica ocupacin, las velocidades no se indican en
este diagrama de Rastro, pero permiten ver el complejo patrn de embote-
llamiento y de bifurcaciones.
En la Figura marginal 7.2 se muestran 400 unidades de tiempo, haciendo
Figura 7.1: Pa-
evidente los patrones gruesos de embotellamiento en pixeles obscuros.
trones de embotel-
lamiento en el Proyecto 4. En este proyecto se pide reproducir la relacin fundamental a
model NaSch a baja partir del modelo de NaSch para varios valores del parmetro p.
densidad En la Figura 7.3 se muestran los diagramas fundamentals calculados me-
diante el modelo de NaSch en la referencia [34] y calculados con el programa
en Mathematica que se lista al final de esta Seccin y la metodologa que se
mencion antes.
7.2. El modelo de NaSch dos carriles
Proyecto 5. El modelo idealizado unidimensional de de NaSch tendra que

ser modificado para poder comparar sus predicciones con datos reales. En
este proyecto que se pide desarrollar un modelo de AC unidimensional para
Figura 7.2: Pa- dos carriles (vase [34]), modificando las reglas del original de la siguiente
trones de embotel- manera: Si el conductor quiere cambiar de carril debe tomar en cuenta los
lamiento en el espacios gs y gp (vase la Figura 7.4 ) en el carril vecino para evitar colisiones.
model NaSch a baja Las reglas de cambio pueden ser simtricas o asimtricas con respecto a los
densidad
7.2. EL MODELO DE NASCH DOS CARRILES 133
....2......4.......2...........4............2.5...5.........5......5.5
.2....2.........5....2.............4........0...2.....4.........4..0..
....3....3.........3...2...............4.....1....2.......4.......2.1.
........4....4.......2...2..................5.1.....2..........5..0..1
1..........3.....4......3...3................1.1......2..........20...
.1.............4......5...2.....4............0..1.......2........00...
..1................4....2...2........5.......0...1........2......0.1..
...1...................4...3..2..........4....1....2.........3...0...2
.2...2....................3..2..2...........3..1.....2..........3.1...
...2...2....................2..2..2..........1...2......3.......0..1..
.....2....3...................2..2..2.........1....2.......3....0....2
.2......3....3..................2..2..2.........2....2.........4.1....
...2.......3....3.................2..2..2.........2....2.......0..1...
......3.......3....3...............1..1....3........2.....3....0....2.
2........3.......3....3.............1..1.......4......2......3.0......
...3........3........4...3...........1...2..........5....3....10......
.......4.......3.......2.....4........1....2...........3.....400......
............5.....3.......3.......5....1......3...........3..000......
................4....3.......3........4.1........3.........1.000......
....................4...3........4.....1..2.........3.......100.1.....
.......................3...3..........5..2..2..........3....000..1....
..........................3....4.......1..1....3...........400.1...2..
.............................3......5....2.1......3........00.1.1....2
..3.............................3.......40..1........3.....0.10..1....
.....3.............................3....0.1...2.........3...100...1...
.........4............................3.0..1.....3........2.00.1...1..
.............4........................0..1..1........4....0.00..1....2
.2...............4....................0....2.1..........3.0.00....2...
....3................4................0....0...2........0.0.00.......3
..3....3..................5...........0....0......3.....0.0.00........
.....3....3....................5......0.....1........3...1.10.1.......
.........4...3......................5.0.......2........2..100...2.....
...........2....3...................0.0..........3......1.00.1....2...
..............3.....4...............0.0.............3...0.00...2.....3
..3..............3......4...........0.0...............2.0.0.1.....3...
......4..............4......4.......0.0................10..1.1.......3
..3.......4..............4.......5..0.0................00..0..1.......
......4.......4...............5...1..1.1...............00..0...1......
...........5......4.............2..1..1.1..............0.1.0....1.....
................5......5.........1..1.0..1.............0..10......2...
....................4......4......1..1.1..1............0..00........2.
Cuadro 7.1: Modelo NaSch con baja densidad de autos. Los puntos represen-
tan lugares vacos. El tiempo avanza en la direccin vertical hacia abajo la
posicin de izquiera a derecha.
.3..45...4213242.4.312522534..5111.44541353.542252..321...134..35424.3
...20..2.0000000.0.00000000.1.000.100000000.00000..200..2.00.1.00000.0
1..0.1.0.000000.10.0000000.10.000.000000000.00000..000..0.00.0.0000.1.
..20.0..100000.10.10000000.0.100.1000000000.00000..000..0.0.1.1000.10.
..00.0..000000.00.00000000.0.000.0000000000.00000..000..0.0.0.0000.00.
..0.10..00000.10.10000000.1.1000.000000000.100000..000...10.0.000.10.1
...10.1.00000.0.10000000.10.0000.000000000.00000.1.000...0.10.000.0.10
1..00.0.0000.1.100000000.00.0000.000000000.00000..100.1..0.0.1000.0.0.
..20.1.10000.0.00000000.100.000.1000000000.0000.1.00.1.1.0.0.0000..10.
..00.0.00000.0.0000000.1000.00.10000000000.0000..100..10.0.0.000.1.00.
..00.0.00000.0.0000000.000.100.0000000000.1000.1.00.1.00..10.000.0.00.
..0.1.100000.0.0000000.000.000.000000000.10000.0.0.1.10.1.00.000.0.0.1
1.0.0.000000..10000000.000.000.00000000.100000.0.0.0.0.1.100.00.1.1.1.
0.0..100000.1.00000000.00.100.10000000.1000000.0.0.0..10.000.00..10.0.
.10..00000.10.0000000.100.000.0000000.10000000..1.1.1.00.000.00..00.0.
.00..00000.0.1000000.1000.00.10000000.00000000..0.0..100.000.00..00..1
.00..0000.10.0000000.0000.00.0000000.10000000.1.0.0..000.00.10.1.00..0
.00..0000.0.1000000.10000.00.0000000.00000000..1.1.1.00.10.100..100..0
.00..0000.0.000000.100000.00.0000000.00000000...10.0.00.0.100.1.000..0
.00..0000.0.000000.00000.100.000000.100000000...00.0.00.0.000..100.1.0
.00..000.10.00000.100000.00.100000.100000000.1..00.0.00..100.1.00.10.0
.0.1.000.00.0000.1000000.0.1000000.000000000...20.1.10.1.000..100.0.10
..10.00.100.0000.000000.1.10000000.00000000.1..00.0.00.0.00.1.000.0.00
1.0.10.1000.000.1000000.0.0000000.10000000.1.1.00..10.10.0.1.1000.0.0.
.10.0.10000.000.0000000.0.0000000.00000000.0.0.00..00.00.0..1000.1.10.
.00..10000.1000.0000000.0.000000.10000000.10..100..00.0.1.1.0000..100.
.00..00000.000.10000000.0.00000.10000000.100..00.1.0.10.0.0.000.1.00.1
.00..00000.000.0000000.10.0000.100000000.000..0.1.10.00.0.0.00.10.0.10
.00..00000.00.1000000.10.10000.000000000.00.1..10.0.100.0.0.00.0.1.100
.00..0000.10.1000000.100.0000.1000000000.0.1.1.0.1.1000.0..100.0.0.000
.00..0000.0.10000000.00.10000.0000000000..1.10.0.0.000.10..000..10.000
.00..0000..100000000.00.00000.000000000.1..100.0..100.10.1.00.1.00.000
.00..000.1.000000000.00.0000.1000000000..1.00.1.1.00.100.0.0.10.0.1000
.0.1.000..1000000000.0.10000.0000000000..0.00.0.0.0.100.10..100.0.0000
..1.1000..000000000.1.100000.0000000000..0.0.10.0..1000.00..00.10.0000
1.0.0000..000000000.0.000000.000000000.1.0.0.00..1.000.100..00.0.1000.
0.0.000.1.00000000.1.1000000.000000000..10..100..0.000.000..00..10000.
0.0.000.0.0000000.1.10000000.00000000.1.00..00.1..1000.000..00..00000.
0.0.000..1000000.10.0000000.100000000.0.0.1.0.1..20000.000..0.1.00000.
.10.000..0000000.00.0000000.000000000..10.0.0..1.0000.100.1.0.0.00000.
.00.000..000000.100.0000000.000000000..00..1.1..10000.000.0..1.10000.1
Cuadro 7.2: Modelo NaSch con alta densidad de autos. Es notoria la persis-
tencia del patrn de embotellamiento
7.3. EL MODELO VDR 135
Flujo
0.4
0.3
0.2
0.1
densidad
0.2 0.4 0.6 0.8 1.0
Figura 7.3: (Izq.) Diagrama fundamental del modelo NaSch (vmax = 5) para
distintos valores de p (tomado de [34]). Claramente el diagrama se divide en
un rgimen libre con pendiente positiva y un rgimen atascado con pendi-
ente negativa. La dependencia de la capacidad (mximo flujo) respecto del
parmetro de aleatoriedad p es tambin notable. La densidad y el flujo se
denotan por y J respectivamente. (Der.) Diagrama fundamental calculado
en Mathematica.
carriles. En general la actualizacin en el modelo de dos carriles consta de dos

sub pasos: en el primero los vehculos pueden cambiar de carril en paralelo
siguiendo las reglas de cambio y en el siguiente los autos avanzan siguiendo
las reglas del modelo NaSch. Consulte las referencias [60], [73] y [8].
Una implementacin del modelo de dos carriles con regla de cambio
simtrica se muestra al final de esta Seccin. En la Figura 7.5 se muestra
la simulacin para ambos carriles con los siguientes parmetros: L = 700,
p = .6, pLR = .5, vmax = 5. El nuevo parmetro pLR es la probabilidad de
rebasar una vez que hay suficiente espacio para hacerlo.
7.3. El modelo VDR

En el modelo de aleatorizacin dependiente de la velocidad (VDR por sus
siglas en ingls), el parmetro p = p(v) depende de la velocidad. Con ello
se pretende modelar el comportamiento de lento arranque (slowtostart) de
manera ms realista. La suposicin ms simple es suponer

p0 si v = 0
p(v) =
p si v > 0
Figura 7.4: Modelo de NaSch de dos carriles
Figura 7.5: Simulacin del modelo de NaSch de dos carriles: (a) Derecho. (b)
Izquierdo.
7.4. EL AUTMATA AC-184 DE WOLFRAM 137
Figura 7.6: Diagrama fundamental del modelo VDR (vmax = 5, p0 = 0.5,

p = 0.01, L = 10, 000) partiendo de dos condiciones iniciales distintas. Se
observa un estado completamente atascado con pendiente negativa y uno
homogneo con pendiente positiva. La regin metaestable es 1 < < 2 .
con dos parmetros estocsticos p0 y p con p0 p. Para p0 = p se recupera

el modelo original de NaSch. En la Figura 7.6 se muestra el diagrama fun-
damental para este modelo. Se puede notar la dependencia de la capacidad
(flujo mximo) del parmetro de aleatoriedad.
Proyecto 6. Una peculiaridad del modelo VDR es la aparicin de atas-

camientos. En la Figura 7.6 se muestra una simulacin del modelo VDR con
los valores de los parmetros que se indican. Claramente se ve el desarrollo
de un atascamiento su su propagacin en color rojo. Reproduzca este tipo de
comportamiento simulando el modelo VDR.
7.4. El autmata AC-184 de Wolfram

El lmite derminstico del AC de NaSch cuando p = 0 y vmax = 1, equivale
a saltarse el paso aleatorio y ocupar el sitio de enfrente si est desocupado.
Esta es la defincicin del AC de Wolfram con la regla 184 en su notacin.
Este modelo fu introducido por Biham y colaboradores [2] con vmax = 1.
Ha sido fuente de resultados en otros trabajos y se ha usado para modelar
trfico bidimensional [12],[37],[46].
La notacin AC 184/n significa el modelo AC con la regla 184 de Wolfram
y vmax = n. El nombre de la regla viene de la manera de codificar la regla de
Figura 7.7: Diagrama espaciotemporal del modelo VDR con = 0.15,

L = 400, p = 0.01 t p0 = 0.5. El estado homogneo inicial no se destruye
inmediatamente, si no aproximadamente en 93,000 unidades de tiempo. En
el rgimen de salida del atascamiento la densidad se reduce en comparacin
a la densidad promedio.
transicin temporal ilustrada en la siguiente tabla

Patrn al tiempo t 111 110 101 100 011 010 001 000
Estado de la celda
1 0 1 1 1 0 0 0
central al tiempo t + 1
La regla 184 se ha usado en diversos contextos: trfico vehicular, deposi-
cin superficial, aniquilacin balstica (vase [78]). En el contexto que nos
interesa la regla se interpreta como se muestra en la Figura 7.8.
Proyecto 7. El AC184 presenta un fenmeno conocido como transicin de
Figura 7.8: Interpretacin de la regla 184 en trfico vehicular.

fase para un valor = 0.5 de la densidad de autos. Realice la simulacin en

Mathematicarusando el comando CelullarAutomaton. Consulte el manual
en lnea.
Programa NaSch
CA de Nagel-Schreckenberg.
(* Comando para graficar un arreglo de enteros

en escala de blanco y negro *)
RasterGraphics[state_?MatrixQ,colors_Integer:2,opts___]:=
Graphics[Raster[Reverse[1-state/(colors-1)]],
AspectRatio->(AspectRatio/.{opts}/.AspectRatio->Automatic),opts]
<<"Combinatorica"
L=70;
p= .6;vmax=5;
(* Acomoda aleatoriamente un nmero numcars de autos en

una lnea de longitud L:numcars < L *)
initialconditions[numcars_]:=Block[{list,roundup,carlist,pos,xlist0,vlist0},
carlist=Table[i,{i,1,numcars}];
list=RandomPermutation[L];
roundup[x_]:=If[Evaluate[MemberQ[carlist,x]],1,0];
SetAttributes[roundup,Listable];
xlist0=roundup[list];
pos=Position[xlist0,1];
vlist0=Table[0,{i,1,L}];
vels=Table[IntegerPart[vmax RandomReal[]+1],{numcars}];
vlist0=ReplacePart[vlist0,Thread[pos-> vels]];
Return[{xlist0,vlist0}];
]
(* Avanza un paso*)
Advance[{x0_,v0_}]:=Block[{xj,vj,pj,jnew,dj,position0,x0new,v0new},
position0=Flatten[Position[x0,1]];ncars0=Length[position0];
x0new=x0;
v0new=v0;
For[j=ncars0,j>=1,j--,
pj=position0[[j]];
vj=v0new[[pj]];
If[j==ncars0,dj=L-pj+position0[[1]]-2,
dj=position0[[j+1]] -pj-1
];
If[vj<vmax,vj=vj+1];
If[vj>dj,vj=dj];
If[vj>0&& RandomReal[]<p,vj=vj-1];
jnew=pj+vj;
x0new=ReplacePart[x0new,{Mod[jnew,L,1]-> 1,pj-> 0}];
v0new=ReplacePart[v0new,{Mod[jnew,L,1]-> vj,pj-> 0}];
];
Return[{x0new,v0new}];
] (*fin de Advance *)
(*Construye el formato de puntos para lugares vacios;

para lugares ocupados el valor de velocidad*)
formatOrbit[OrbitpositionsAndvelocities_List]:=
Block[{positions, velocities,vformated,lengthOrbit,
lengthLane,d,size},
d=Dimensions[OrbitpositionsAndvelocities];
lengthOrbit=First[d];
lengthLane=Last[d];
size=lengthOrbit*lengthLane;
positions=Flatten[Part[#,1] & /@ OrbitpositionsAndvelocities];
velocities=Flatten[Part[#,2] & /@ OrbitpositionsAndvelocities];
For[j=1,j<=size,j++,
If[positions[[j]]==0,
velocities=ReplacePart[velocities,j-> "."]
];
];
vformated=Partition[velocities,lengthLane];
Return[
ToString[
Style[TableForm[
vformated,TableSpacing->{0,0}],FontSize->6]
]
];
] (*Termina formatOrbit *)
(* de rbita a posiciones *)
orbitToPositions[OrbitpositionsAndvelocities_List]:=
Block[{positions},
Return[Part[#,1] & /@ OrbitpositionsAndvelocities]
]
Ejemplo de una simulacin por 40 unidades de tiempo *)
ic = initialconditions[10];
list = NestList[Advance, ic, 40];
formatOrbit[list]
positions = orbitToPositions[list];
Show[RasterGraphics[positions, 2, AspectRatio -> 2]]
Programa NaSch de dos carriles

CA de dos lineas. Basado en "Two-lane traffic rules for cellular automata:
A systematic approach" Nagel, et al.Phys Rev. E, 58, 1998.
(*Comando para graficar un arreglo de enteros en escala de blanco y negro*)

RasterGraphics[state_?MatrixQ,colors_Integer:2,opts___]:=
Graphics[Raster[Reverse[1-state/(colors-1)]],AspectRatio->
(AspectRatio/.{opts}/.AspectRatio->Automatic),opts]
(*Se usar RandomPermutation *)

<<"Combinatorica"
(* Parmetros *)
L=700;
p= .6;pLR=.5;vmax=5;
(* Acomoda aleatoriamente un nmero numcars de autos en

una lnea de longitud L:numcars < L *)
initialconditions[numcars_]:=
Block[{list,roundup,carlist,pos,xlist0,vlist0},
carlist=Table[i,{i,1,numcars}];
list=RandomPermutation[L];
roundup[x_]:=If[Evaluate[MemberQ[carlist,x]],1,0];
SetAttributes[roundup,Listable];
xlist0=roundup[list];
pos=Position[xlist0,1];
vlist0=Table[0,{i,1,L}];
vels=Table[IntegerPart[vmax RandomReal[]+1],{numcars}];
vlist0=ReplacePart[vlist0,Thread[pos-> vels]];
Return[{xlist0,vlist0}];
]
(* Condiciones iniciales para los dos carriles *)

initialconditions2Lane[numcars_]:=
{initialconditions[numcars],initialconditions[numcars]}
(* Rebasa por el carril izquierdo o

avanza un paso en carril derecho *)
AdvanceLR[{{x0_,v0_},{x1_,v1_}}]:=
Block[{xj,vj,pj,jnew,dj,position0,position1,x0new,v0new,x1new,v1new},
(* {x0_,v0_} carril derecho ; {x1_,v1_} carril izquierdo*)
x1new=x1;
v1new=v1;
x0new=x0;
v0new=v0;
For[j=ncars0,j>=1,j--,
pj=position0[[j]];
vj=v0new[[pj]];
If[j==ncars0,dj=L-pj+position0[[1]]-2,
dj=position0[[j+1]] -pj-1
];
If[vj<vmax,vj=vj+1];
If[vj>dj,vj=dj];
If[vj== dj && RandomReal[]<pLR,

(*intenta cambiar de carril*)
gapminus=pj-vmax;
gapplus=pj+vj;
lengthgap=vmax+vj;(*ancho del gap*)
If[gapminus<1,
x1padL=PadLeft[x1new,L-gapminus+1,x1new];
scangap=Take[x1padL,{1,vmax+1}];
,(*else*)
(*toma los lugares desde gapminus hasta pj *)
scangap=Take[x1new,{gapminus,pj}] ;
];
If[gapplus>L,
x1padR=PadRight[x1new,L+vj,x1new];
(* extiende x1 al tamao L+vj repitiendo sus elementos *)
scangap=Join[scangap,Take[x1padR,{pj+1,gapplus}]];
, (*else*)
scangap=Join[scangap,Take[x1new,{pj+1,gapplus}]];
];
If[scangap==Table[0,{lengthgap+1}] , (* si el gap esta vacio*)

(*rebasa y toma la posicion en el carril izquierdo*)
x1new= ReplacePart[x1new,pj-> 1];
(*mantiene la velocidad que tenia en el carril derecho*)
v1new=ReplacePart[v1new,pj-> vj];
(*deja libre el lugar j en el carril dercho*)
x0new=ReplacePart[x0new,pj-> 0];
(*deja en cero la velocidad en el lugar j*)
v0new=ReplacePart[v0new,pj-> 0];
];
, (*else no rebasa*)
If[vj>0&& RandomReal[]<p,vj=vj-1];
jnew=pj+vj;
x0new=ReplacePart[x0new,{Mod[jnew,L,1]-> 1,pj-> 0}];
v0new=ReplacePart[v0new,{Mod[jnew,L,1]-> vj,pj-> 0}];
x1new=x1new;
v1new=v1new;
];
];
Return[{{x0new,v0new},{x1new,v1new}}];
] (*fin de AdvanceLR *)
(*Construye el formato de puntos para lugares vacios;

para lugares ocupados el valor de velocidad*)
formatOrbit[OrbitpositionsAndvelocities_List]:=
Block[{positionsRight,positionsLeft, velocitiesLeft,
velocitiesRight,vformated,lengthOrbit,lengthLane,d,size},
d=Dimensions[OrbitpositionsAndvelocities];
lengthOrbit=First[d];
lengthLane=Last[d];
size=lengthOrbit*lengthLane;
positionsRight=
Flatten[Part[Part[#,1],1] & /@ OrbitpositionsAndvelocities];
positionsLeft=
velocitiesRight=
velocitiesLeft=
If[positionsRight[[j]]==0,
velocitiesRight=ReplacePart[velocitiesRight,j-> "."]]];
vRformated=Partition[velocitiesRight,lengthLane];
If[positionsLeft[[j]]==0,
velocitiesLeft=ReplacePart[velocitiesLeft,j-> "."]]];
vLformated=Partition[velocitiesLeft,lengthLane];
separator={Table["-",{lengthLane}]};
vs=Join[vRformated,separator,vLformated];
Return[ToString[Style[TableForm[vs,TableSpacing->{0,0}],FontSize->6]]];
] (*Termina formatOrbit *)
(*De Orbita a posiciones *)

orbitToPositions[OrbitpositionsAndvelocities_List]:=
Block[{positionsR,positionsL},
positionsR=Part[Part[#,1],1] & /@ OrbitpositionsAndvelocities;
positionsL=Part[Part[#,2],1] & /@ OrbitpositionsAndvelocities;
Return[{positionsR,positionsL}]
]
Flip[{left_,right_}]:={right,left}
(*Reglas simtrica para rebasar un carril a otro *)

SymmetricAdvance :=Flip[AdvanceLR[Flip[AdvanceLR[#]]]]&
Ejemplo de una simulacin por 400 unidades de tiempo.

ic2 = {initialconditions[400], initialconditions[400]};
FullOrbit = NestList[SymmetricAdvance, ic2, 400];
{positionsRight, positionsLeft} = orbitToPositions[FullOrbit];
Show[RasterGraphics[positionsRight, 2, AspectRatio -> 1]]

Captulo 8
Conclusiones y perspectivas
A lo largo del material presentado en este libro hemos recorrido diversos

aspectos que nos permiten abordar el problema del flujo vehicular. Es claro
que este problema ha sido estudiado ampliamente desde diferentes puntos
de vista. Por una parte la medicin de ciertas cantidades, permite tener una
caracterizacin sistemtica del trfico. La obtencin y posterior tratamien-
to de los datos requiere grandes esfuerzos de monitoreo, adems de enfoques
numricos para efectuar la estadstica apropiada. En este aspecto, hemos vis-
to que el diagrama fundamental juega un papel sumamente importante, no
solo para la caracterizacin emprica sino tambin para la modelacin que
corresponde. Son muchos los modelos que se han trabajado en la literatura a
fin de entender un poco las caractersticas del trnsito. Existen varios enfo-
ques para abordar el problema y nos hemos dedicado, aunque someramente,
a la modelacin macro y microscpica.
Ciertamente, los temas escogidos para este libro corresponden a los in-
tereses de los autores y responden a los objetivos del curso para el que fueron
seleccionados. Sin embargo, no son ni con mucho, los nicos posibles en el
campo del flujo vehicular. Quedar al lector interesado profundizar en la
literatura correspondiente.
Ahora bien, qu podemos decir acerca del posible desarrollo en este cam-
po?
Con respecto a la modelacin macroscpica debemos mencionar que dada
la nolinealidad de las ecuaciones que modelan el problema, el estudio formal
del campo apenas empieza. Por ejemplo, los estudios de estabilidad a nivel no-
lineal han arrojado resultados interesantes en cuanto al origen de la formacin
de cmulos y su consecuente manifestacin en trminos de embotellamien-
147
148 CAPTULO 8. CONCLUSIONES Y PERSPECTIVAS
tos. Las regiones de inestabilidad tienen algunas propiedades que invitan a

la realizacin de un estudio detallado en el espacio de los parmetros del
modelo y que estn relacionados con el comportamiento de los conductores.
Otro aspecto a tomar en cuenta en la modelacin macroscpica lo constituye
el estado de las vas de transporte, por ejemplo en el caso del trfico en las
carreteras, el tomar en cuenta el estado de la carretera (peralte, cambios de
pendiente, etc. ) puede conducir a alteraciones o a la necesidad de cambios
en la modelacin. Por otra parte, la modelacin macroscpica presentada
en este libro solamente considera el flujo en un carril, pero pueden hacerse
tratamientos para tomar en cuenta dos o ms carriles y la interaccin entre
ellos. Asimismo, la presencia de tipos diferentes de vehculos en un carril pro-
duce efectos que no hemos abordado (presencia de autos y autobuses, entre
otros). El anlisis de las transiciones entre el flujo libre, sincronizado y con-
gestionado, as como la histresis que se presenta, es tambin otro aspecto
que merece un estudio cuidadoso, desde todos los puntos de vista. En este ca-
so, la literatura del tema [29] y [31] ha avanzado un poco, desgraciadamente,
por la dificultad del problema solamente se ha hecho en forma cualitativa.
Para la modelacin microscpica tenemos otro panorama, pues el avance
en esta direccin depende de la capacidad de cmputo. Recordemos que
en el enfoque microscpico, cada vehculo se sigue individualmente en su
movimiento. Ello permite introducir caractersticas propias de cada conduc-
tor, situaciones especiales relacionadas con el estado de la carretera, etc.
Asimismo, con los enfoques microscpicos es posible considerar redes de car-
reteras, con semforos o cruceros, etc. En la literatura y en los medios exis-
ten simulaciones para demostracin, en las cuales el lector puede cambiar el
valor de algunos parmetros y darse cuenta del efecto producido en el trn-
sito; ello permite familiarizarse un poco con la modelacin correspondiente.
Histricamente hablando, la modelacin a travs del enfoque microscpico ha
sido extremadamente popular y son muchos los modelos que se encuentran
en la literatura. Claramente los resultados de dichos modelos estn adap-
tados a situaciones particulares, pero an as, cualitativamente presentan
algunas propiedades comunes. La dificultad de este tipo de modelacin es-
t en que la caracterizacin del modelo puede requerir un gran nmero de
parmetros, cuya relacin con los fenmenos puede ser lejana. Por ejemplo,
si consideramos la forma de manejo de cada conductor, el movimiento de los
vehculos se ve modificado por factores incontrolables. Lo mismo sucede si
consideramos los detalles de una carretera, en estos casos cada modelo solo
se aplica a la situacin particular. Ciertamente esto es valioso en el sentido
149
de que para aplicaciones particulares ese es el camino a seguir. Veamos, si se

desea construir una vialidad en un lugar especfico de una regin predetermi-
nada, necesitamos tomar en cuenta las condiciones de los puntos de origen y
destino, la cantidad de vehculos que transitan la regin, las condiciones de
elevacin del terreno, etc. Los resultados solamente podrn aplicarse a esa
regin particular.
En cuanto al enfoque cintico podemos mencionar que representa un so-
porte terico para los modelos macroscpicos que se construyen a partir de
dicho tipo de modelacin. Sin embargo, por s mismos constituyen una fuente
de problemas interesantes y que no estn resueltos. Con el objeto de dar un
panorama de este enfoque, podemos decir que se inici alrededor de 1970 con
los trabajos de Prigogine. Desde este perspectiva se considera una descripcin
intermedia entre la micro y la macroscpica, basndose en la construccin de
la llamada funcin de distribucin. sta nos da el nmero de vehculos que
para un tiempo t estn en la posicin x de la carretera y con una rapidez
instantnea v. La funcin de distribucin cambia con el tiempo y entonces
la cuestin que sigue tiene que ver con la propuesta de una ecuacin que
describa su evolucin. Las ecuaciones cinticas que se proponen para estu-
diar el flujo vehicular guardan una analoga muy cercana con la ecuacin
de Boltzmann, que describe el comportamiento de una gas. Sin embargo,
las ecuaciones para el trfico vehicular contienen particularidades propias de
dicho flujo. Por ejemplo, el movimiento de los vehculos ocurre en una di-
reccin ( no hay una funcin de distribucin istropa), el momento lineal y
su energa no se conservan. En otras palabras, si imaginamos a los vehculos
como partculas, stas seran partculas autopropulsadas, lo cual desde el
punto de vista cintico da un esquema diferente a los gases. En la literatura
se han propuesto varias ecuaciones cinticas para describir el cambio tempo-
ral de la funcin de distribucin, la ms conocida y exitosa es la ecuacin de
Paveri-Fontana (PF). La ecuacin PF es integrodiferencial y no es lineal, de
manera que la solucin general no se ha construido, no obstante es posible
deducir modelos macroscpicos a partir de ella, cuando se hacen modelos
para la llamada velocidad deseada de los conductores. La ecuacin PF sola-
mente se aplica a un carril en la carretera y en regimen de trnsito libre, de
manera que el considerar varios tipos de autos, varios carriles de circulacin,
la presencia de semforos en una vialidad y muchos otros problemas estn
lejos de formularse en este enfoque.
Para terminar diremos que el estudio del flujo vehicular es un campo
abierto a la investigacin tanto terica, como prctica. Las consecuencias
150 CAPTULO 8. CONCLUSIONES Y PERSPECTIVAS
del entendimiento que se logre con la modelacin puede usarse de manera

prctica, dando resultados que sean de utilidad para la sociedad.
Bibliografa
[1] R. Burden y J.D. Faires, Numerical methods 2a. Ed. Pacific Grove, CA
: Brooks/Cole Pub. Co., 1998.
[2] O. Biham, A. Middleton, and D. Levine, Phys. Rev. A 46, R6124 (1992).
[3] P.G. Ciarlet. Introduction a lAnalyse numrique matricielle et a

loptimisation. Masson. 1989.
[4] R. Courant, K.O. Friedrichs y H. Lewy. Uber die partiellen Differenzen-

gleichungen der Mathematischen Physik. Math. Ann. 100, 32-74. (1928)
[5] F. E. Chandler, R. Herman, and E. W. Montroll. Traffic Dynamics:

Studies in Car Following, Operations Research, 6, pp. 165-184 , (1958).
[6] Tse-Sun Chow. Operational analysys of a trafficdynamics problem. Op-

erations Research, vol. 6, no. 6, 827834. (Nov.-Dec. 1958).
[7] D. Chowdhury, D.E. Wolf and M. Schreckengberg. Physica A 235, 417

(1997).
[8] D. Chowdhury, L. Santen, A. Schadschneider, Statistical Physics of ve-

hicular Traffic and Some Related Systems, Phys Rep. 329, 199-329.
2000.
[9] D. Chowdhury, L. Santen, A. Schadschneider; Simulation of Vehicular

Traffic: A Statistical Physics Perspective, Comp. Sci. Eng. Sep-Oct.
(2000), 80-87.
[10] L. C. Edie. Car-Following and Steady State Theory for Non-Congested

Traffic. Operations Research 9(1), pp. 66-76 (1961).
151
152 BIBLIOGRAFA
[11] L. C. Edie, R. S. Foote, R. Herman, and R. W. Rothery. Analysis of

Single Lane Traffic Flow. Traffic Engineering, 21, 27 (1963).
[12] J. Freund and T. Pschel, Physica A 219, 95 (1995).
[13] M. Fukuki, K. Nishinari, D. Takahashi, y Y. Ishibashi, Metastable flows

in an extended Burges Cellular Automaton traffic model. En Traffic and
Granular Flow. Fuki, M., Sugiyama, Schreckenberg, M. y Wolf, D.E.
(eds). 2001.
[14] D. Gazis, R. Herman, R.B.Potts. Car-following theory of steady-state

flow. Operations Research, vol. 7, no.4, 499-505. (jul-aug, 1959)
[15] Gene H. Golub y Charles F. Van Loan. Matrix Computations. Third

edition. 1996.
[16] H. Greenberg y A. Daou. Operations Research 8, p. 52, (1960).
[17] B. D. Greenshields; in Proc Highway Res. Board 14 448. (1935)
[18] R.B. Guenther y J.W. Lee; "Partial Differential Equations of Mathe-

matical Physics and Integral Equations."Dover. 1988.
[19] Haight. Mathematical theories of traffic flow. Academic Press (1963).

Biblioteca UAM-I: HE369 H2.
[20] R. Herman, E. W. Montroll, R. B. Potts, R. W. Rotherty. Traffic dy-

namics: analysis of stability in car following. Operations Research, vol.
7, no.1, 86-106. (jan.-feb., 1959)
[21] R. Herman. Theory of traffic flow. Proc. of the symposium on the theory
of traffic flow held at the GM Research Labs. Warren, Mich. (USA).
Elsevier Pub. Co. (1061). Biblioteca UAM-I. HE332 I6.4. F.A.
[22] Helbing, D., Phys. Rev. E 51, 3164 (1995).
[23] D. Helbing, Traffic and related self-driven many-particle systems, Revs.

Mod. Phys. 73 (2001), 1067-1141.
[24] D. Helbing; Gas-kinetic derivation of Navier-Stokes-like traffic equa-

tions, Phys. Rev. E 53 2366-2381. (1996)
BIBLIOGRAFA 153
[25] Helbing, D., Treiber, M., Comput. Sci. Eng., 89, Sep.-Oct. (1999).
[26] Helbing, D., Treiber, M., Granular Matter 1, 21 (1998).
[27] P. M. Jordan; Growth and decay of shock and acceleration waves in a

traffic flow model with relaxation, Physica D 207, 220-229. (2005)
[28] B.S. Kerner and H. Rehborn. Experimental properties of complexity in

traffic flow. Physical Review E volumen 53, nmero 5, R4275Rr4278
(1996).
[29] B. S. Kerner. The Physics of Traffic, Springer. 2004.
[30] B.S. Kerner, P. Konh auser, Cluster effect in initially homogeneous traf-
fic flow, Phys. Rev. E 48 R2335-R2338. (1993)
[31] B. S. Kerner, Introduction to Modern Traffic Flow Theory and Control,

Springer. 2009.
[32] P.D. Lax. The formation and Decay of Shock Waves, The American
Mathematical Montly. Vol. 79. No. 3. 227-241. (1972).
[33] Leveque, R. J., Finite Volumne Methods for Hyperbolic Problems, Cam-
bridge. 2002.
[34] W. Knospe, M. Schreckenberg, R. Barlovic, H. Klpfel. Statistical

Physics of cellular automata models for traffic flow.
[35] W. Knospe, L. Santen, A. Schadschneider, M. M. Schreckenberg. To-

wards a realistic microscopic description of highway traffic. J. Phys A:
Math. Gen 33, L477-L485. (2000).
[36] M. J. Lighthill, G. B. Whitham; On Kinematic Waves.II. A Theory of

Traffic Flow on Long Crowded Roads Proc. Royal Soc. London A Math.
Phys. Sci. 229, 317-345. (1955).
[37] F.C. Martinez, J.A. Cuesta, J.M. Molera, and R. Brito, Phys. Rev. E
51, R835 (1995).
[38] R.M. Mattheij, S.W. Riennstra y J.H.M. Ten Thije Boonkkamp. Partial
Differential Equations. Modeling, Analysis and Computation, Mono-
graphs on Mathematical Modeling and Computation. SIAM. 2005.
154 BIBLIOGRAFA
[39] Marques Jr. W., Velasco, R. M., J. Stat. Mech. P02012 (2010).
[40] E.W. Montroll, Theory of Traffic Flow, ed. R. Herman, Elsevier (1961).
[41] Mndez, A. R., Velasco, R. M., Transp. Res. Part B 42, 782 (2008).
[42] Mndez, A. R., Velasco, R. M., J. Non-Newtonian Fluid Mech. 165,

1020 (2010).
[43] Mndez, A. R., Tesis Doctoral UAM-I (2008).
[44] K.W. Morton y D. F. Mayers. Numerical Solution of Partial Differential

Equations, Cambridge University Press. Second Edition. 2005.
[45] T. Nagatani, Phys. Rev. E 48, 3290 (1993).
[46] T. Nagatani, The physics of traffic jams, Rep. Prog. Phys. 65, 1331-
1386. (2002).
[47] K. Nagel, M. Schreckenberg. A cellular automaton model for freeway

traffic. J. Phys. I France 2, 2221-2229. (1992).
[48] K. Nagel. Particle hopping models and traffic flow theory. Phisical Re-
view E, Vol. 53, No. 5, 46554672 (1996).
[49] K. Nagel. Ph. D thesis (no publicada). Universidad de Cologne (1995).
[50] K. Nagel, D. E. Wolf, P. Wagner, P. Simon. Two-lane traffic rules for

celluar automata: A systematic approach. Physical Reviwe E. vol. 58,
no. 2 , 1425-1437. (1998).
[51] P. Nelson. Synchronized traffic flow from a modified Lighthill-Witham

model, Phys. Rev. E. 61. 2000.
[52] G.F. Newell. Nonlinear effects in the dynamics of car following. Opera-
tions Research, Vo. 9, No.2, 209229 (1961).
[53] K. Nishinari, M. Fukui, A. Schadschneider. A stochastic cellular automa-

ton model for traffic flow with multiple metastable states. J. Phys A:
Math. Gen 37 (2004), 3101-3110.
BIBLIOGRAFA 155
[54] K. Nishinari and D. Takahashi. Analytical properties of ultradiscrete

Burgers equation and rule-184 cellular automaton. J. Phys. A: Math.
Gen. 31 (1998) 5439-5450.
[55] J. Matsukidaira and K. Nishinari. EulerLagrange correspondence of

cellular automaton for trafficflow models. Unknown reference.
[56] Paveri-Fontana, S. L., Trnasp. Res. 9, 225 (1975).
[57] L. A. Pipes. An Operational Analysis of Traffic Dynamics. Journal of

Applied Physics 24, pp. 271-281, (1953).
[58] Prigogine, I., Herman, R., Kinetic Theory of Vehicular Traffic. Elsevier.
1971.
[59] P. I. Richards; Op. Res. 4, 42. (1956).
[60] M. Rickert, K. Nagel, M. Schreckengerg and A. Latour. Physica A 29,

6531 (1996).
[61] R.W. Rothery. Car following models. Cap. 4.
[62] A. Samarsky y A. Tijonov. Ecuaciones de la Fsica Matemtica, Edi-

torial MIR. 3 edicin. 1983.
[63] S.S. Shen; A course on Nonlinear Waves, Kluwer (1993).
[64] V. Shvetsov, D. Helbing; Macroscopic Dynamics of Multilane Traffic,

Phys. Rev. E 59 (1999), 6328-6339.
[65] Sugiyama, Y., Nakayama, A., Fukui, M., Hasebe, K., Kikuchi, M., Nishi-
nari, K., Tadaki, S.-i, Yukawa, S. en Traffic and Granular Flow03 edita-
do por Hoogerndoorn, S. P., Luding, S., Bovy, P. H. L., Schreckenberg,
M., Wolf, D. E., Springer (2005).
[66] R.M. Velasco; Introduccin a la Hidrodinmica Clsica, FCE. 2005.
[67] R. M. Velasco, W. Marques Jr.; Improved Second-order model for ve-

hicular traffic, manuscrito (2005).
[68] R.M. Velasco, W. Marques Jr.; Navier-Stokes-like equations for traffic

flow, Phys. Rev. E 72, 046102 (2005).
156 BIBLIOGRAFA
[69] R. M. Velasco, P. Saavedra; Macroscopic Models in Traffic Flow , Qual-

itative Theory on Dynamical Systems 7,Num 1. 237 (2008).
[70] R. M. Velasco, P. Saavedra; A first order Model in Traffic Flow, Physica

D. Nonlinear Phenomena. Elsevier. Vol. 228. No. 2. (2007).
[71] R. M. Velasco y P. Saavedra; Clusters in the Helbing Improved Model,

Cellular Automata. 9th Internacional Conference on Cellular Automata
for Research and Industry. ACRI 2010. Springer. pp 633-636. (2010).
[72] C. Wagner, C. Hoffmann, R. Sollacher, J. Wagenhuber, B. Schurmann,

Second-order continuum traffic model, Phys. Rev. E 54 (1996) 5073-
5085.
[73] P. Wagner, K. Nagel, D.E. Wolf. Physica A 234, 687. (1997).
[74] G.B. Whitham; Linear and Nonlinear Waves, Wiley (1999).
[75] TRANSIMS: The Transportation Analysis and Simulation System

Project No. TSA-DO/SA, Los Alamos National Laboratory. See
http://www-transms.tsasa.lanl.govl.
[76] Cooperative Research Project "Verkehrsverbund NRW,/o Center

for Parallel Computing, University of Cologne, Germany, 1995. See
http://www.zpr.uni-koeln.de/GroupBachem/ VERKEHR.PG/
[77] Zhang, H. M., Transp. Res. Part B 36, 275 (2002).
[78] http://en.wikipedia.org/wiki/Rule_184

Flujo Vehicular PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Flujo Vehicular PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Modelacin de problemas de flujo vehicular

Taller de Modelacin Matemtica II

4. Solucin de EDP de primer orden 47

4.3. Ondas de choque . . . . . . . . . . . . . . . . . . . . . . . . . 55

7. Autmatas celulares 129

8. Conclusiones y perspectivas 147

En este libro se presentan varios aspectos de la modelacin matemti-

cin de la distancia al auto de enfrente, o de la diferencia de velocidades. La

pueden resolver analticamente, de ah la necesidad por estudiar los mtodos

El trnsito vehicular tanto en carreteras como en redes urbanas ha repre-

1.1. Revisin histrica

Figura 1.1: Puente Lincoln (izq.) y la avenida Merrit (der.)

punto de observacin. De esta manera se midieron el tiempo de trnsito de

Figura 1.2: Velocidad de trfico vs. densidad en el puente Lincoln (izq.) y la

en secuencia el tipo de vehculo que pasaba por el punto de observacin,

Velocidad(m/sec) headway (m) Densidad (veh/km) No. de vehculos.

Cuadro 1.3: Datos de trfico del tnel Holland.

1.2. Modelacin preliminar del flujo vehicular

donde k es la densidad, q el flujo y c un parmetro de estado. Como u = u(x, t)

Figura 1.3: Relacin flujodensidad normalizada

Observe que para kj /k = e se obtiene el flujo mximo q = ckj o velocidad

El problema del trnsito de vehculos en carreteras ha tenido grandes

2.1. Obtencin de datos experimentales

La Figura 2.1 muestra la distribucin tpica de los dispositivos y las me-

funcin de la densidad. El comportamiento representado en esta figura es

para la velocidad como funcin del tiempo y, la relacin flujodensidad en los

Trnsito sincronizado, tanto en las grficas de velocidad-distancia-tiempo

Figura 2.3: La Figura (a) representa la grafica el comportamiento de la ve-

de induccin simple permiten determinar los tiempos en que los vehculos

t0 , (t1 ) = tiempo que el carro entra (sale) del detector.

t = t0 t01 = ventaja temporal (time headway).

t0 t11 = tiempo libre (time clearance).

t11 t1 = tiempo muerto (dead-time).

q = N/T = flujo vehicular (veh/seg),

donde el ndice identifica al vehculo y los superndices sealan la entrada

v = rapidez del vehculo .

l = longitud del vehculo .

Que permiten obtener datos para:

d = v t = ventaja espacial (headway).

s = d l1 = espacio libre (distance clearance).

A su vez, la densidad2 se calcula a travs de la relacin

o momentos de orden superior. El la Figura 2.11 se ilustra el comportamien-

2.2. Datos para experimentos reales

Figura 2.5: Relaciones empricas velocidaddensidad con diferentes defini-

1. En la regin de baja densidad el flujo depende linealmente de la densi-

2. Para una cierta densidad intermedia cr , el flujo tiene un mximo en

3. Para > cr hay una discontinuidad que empieza en cr y es tpico del

4. Cuando V < Vsep tenemos trfico congestionado, en la Figura Vsep =

5. Hay una regin de densidad c1 c2 = cr en la cual puede haber

Figura 2.6: Diagrama fundamental tpico, donde se muestran las caracters-

6. La regin de trfico congestionado corresponde a datos sumamente dis-

En la regin de trfico congestionado es posible distinguir dos fases dife-

2.2.1. Correlaciones velocidad-densidad

la Figura 2.11 observamos que la varianza decrece en la regin de densidad

2.3. Diagrama fundamental

Figura 2.7: En la figura se muestra el ajuste emprico para la velocidad-

Existen otras correlaciones que cualitativamente tienen el mismo compor-

donde Vmax , max corresponden a la velocidad y densidad mximas y los

donde c = 44 veh/km, = 2.57 4 = 0.53. El diagrama fundamental

Q() = Ve (). (2.5)

Figura 2.8: La figura muestra el ajuste correspondiente a las expresiones de

Figura 2.9: Diagrama fundamental de acuerdo con la expresin de Ve2 .

2.3.1. Separacin temporal