交通渋滞の数理（最適速度モデルとファントムジャム）

Q: 交通渋滞の数理（最適速度モデルとファントムジャム）とは何ですか？

番号 n の車両の位置を x_n(t)、前走車との車間距離を \Delta x_n(t) = x_{n+1}(t) - x_n(t) とする。 坂東・長谷部・新山ら（1995）による最適速度モデル（OVモデル）の運動方程式は次式で表される。 \frac{d^2 x_n}{dt^2} = a \Big( V(\Delta x_n) - \frac{dx_n}{dt} \Big) ここで a はドライバーの感応度係数（反応時間の逆数）、V(\Delta x) は車間距離 \Delta x に応じてドライバーが目標とする「最適速度関数」である。一般にシグモイド関数（双曲線正接関数 \tanh）を用いて滑らかな飽和特性を表現する。 V(\Delta x) = \tanh(\Delta x - 2) + \tanh(2)

Q: 交通渋滞の数理（最適速度モデルとファントムジャム）は社会やプログラミングでどのように使われていますか？

高速道路交通管制・自動運転隊列走行（Platooning）の車間制御: NEXCOの渋滞予測AIや自動運転トラックの隊列走行制御（CACC: Cooperative ACC）では、車車間通信（V2V）で前方の加減速情報をミリ秒単位で先読みし、感応度 a を最適化して string stability（車列全体の減衰安定性）を保証している。

事故も信号もないのに、なぜ高速道路で自然渋滞が発生するのかを解き明かす非線形追従モデル

この単元の発見をシェア

3行要約（Key Takeaways / AIOサマリー）

1: 「自然渋滞（ファントムジャム）」は、先頭車両のわずかなブレーキ遅れが後方の車間距離不足と連鎖して後退伝播する物理現象
2: 日本の物理学者・名大グループが提唱した「最適速度モデル（Optimal Velocity Model: OVモデル）」により、交通流の相転移（自由流から渋滞相への変化）が完全に数式化された
3: ドライバーの感応度 $a$ と車間距離 $h$ の関係により、一定密度を超えると線形安定性が崩壊し、自発的クラスタリング（渋滞の塊）が発生する

なぜこれを学ぶのか？ — 現実社会とテクノロジーでの価値

Purpose & Motivation

なぜ生まれたのか？

事故も信号もない高速道路で「なぜか突然発生する謎の渋滞」のメカニズムを、人間のブレーキ反応遅れの物理連鎖として解明するために誕生した。

身につく武器・思考力

車間距離を詰めすぎることの危険性を数理的に理解し、スムーズな車間維持（ACCクルーズコントロール）が社会全体の渋滞を消滅させる理屈が身につく。

実社会・ITでの活躍現場

•NEXCO各社による高速道路サグ部・トンネル手前でのLEDペースメーカーライト（速度回復誘導）
•自動運転トラックの隊列走行（Platooning）における協調型車間制御（CACC）
•大規模テーマパークやイベント会場における歩行者群衆雪崩・滞留シミュレーション
•インターネット回線におけるTCPパケット詰まり（輻輳制御アルゴリズム）

Layer 1 — 直感・シミュレーター

環状道路上の車列シミュレータを観察しよう。「1台急ブレーキ！」ボタンを押すと、減速した赤い車の塊が、車の進行方向とは「逆向き（時計回り方向）」に波（衝撃波）として後方へ伝播していく様子を確認できる。「感応度 $a$ 」を大きくすると、ドライバーが素早く反応して渋滞を自然解消できる。

環状線の車両密度（台数）18 台

ドライバー感応度 $a$（反応速度）1.5

0.8 (鈍感・急ブレーキ連鎖)2.5 (機敏・車間維持)

スムーズに巡航中（交通流は安定平衡）

信号も事故もなくても、わずかなブレーキ遅れが後方に増幅して完全な渋滞クラスター（ファントムジャム）が生まれます

赤色＝減速・停止した渋滞車両｜青色＝スムーズに走行中の車両（進行方向：反時計回り）

直感チェック！ミニクイズ

環状道路を等間隔・一定速度で走る車列において、自然渋滞（ファントムジャム）が自発的に発生する根本要因はどれか？

Layer 2 — 定義・受験・証明

定義

番号 $n$ の車両の位置を $x_n(t)$ 、前走車との車間距離を $\Delta x_n(t) = x_{n+1}(t) - x_n(t)$ とする。坂東・長谷部・新山ら（1995）による最適速度モデル（OVモデル）の運動方程式は次式で表される。

\frac{d^2 x_n}{dt^2} = a \Big( V(\Delta x_n) - \frac{dx_n}{dt} \Big)

ここで $a$ はドライバーの感応度係数（反応時間の逆数）、 $V(\Delta x)$ は車間距離 $\Delta x$ に応じてドライバーが目標とする「最適速度関数」である。一般にシグモイド関数（双曲線正接関数 $\tanh$ ）を用いて滑らかな飽和特性を表現する。

V(\Delta x) = \tanh(\Delta x - 2) + \tanh(2)

公式・数理モデル

\frac{d^2 x_n}{dt^2} = a \Big( V(\Delta x_n) - \frac{dx_n}{dt} \Big)

証明・導出

一様流の線形安定性解析（渋滞発生の限界条件）：

全車が等車間距離 $b$ 、一定速度 $V(b)$ で走行する平衡解 $x_n^{(0)}(t) = b n + V(b)t$ に対し、微小摂動 $y_n(t) = x_n(t) - x_n^{(0)}(t)$ を加える。 OV方程式を線形化すると、

\ddot{y}_n(t) = a \Big( V'(b) (y_{n+1}(t) - y_n(t)) - \dot{y}_n(t) \Big)

フーリエ級数展開 $y_n(t) = e^{i k n + z t}$ を代入して特性方程式を導出すると、

z^2 + a z - a V'(b) (e^{i k} - 1) = 0

長波長極限（ $k \to 0$ ）においてテイラー展開を行うと、固有値 $z$ の実部は次のように求まる。

\text{Re}(z) = \left( V'(b) - \frac{a}{2} \Big) k^2 + \mathcal{O}(k^4)

摂動が増幅せず一様流が安定であるための条件は $\text{Re}(z) < 0$ 、すなわち、

V'(b) < \frac{a}{2} \quad \Longleftrightarrow \quad a > 2 V'(b)

ドライバーの反応が鈍く $a < 2 V'(b)$ となると、交通流は線形不安定化し、ごくわずかな初期の車間ムラが時間とともに指数関数的に増幅され、最終的に車列が「低速渋滞部」と「高速自由流部」の2相に自発的分離する（渋滞の相転移）。

押さえておきたいポイント

高速道路の「サグ部（緩やかな上り坂の始まり）」で先頭が無自覚にわずかに減速することが、大渋滞の最大のトリガーとなる
ACC（アダプティブ・クルーズ・コントロール）搭載車が全体の20%程度混ざるだけで、車間距離の急変が吸収され、高速道路全体の自然渋滞が劇的に消滅することがシミュレーションで実証されている
渋滞波（ファントムジャム）の伝播速度は約20km/hで後方へ逆走することが東大・名大の実車実験で確認されている

参照基準・学習指導要領との対応

本トピックの内容・数理モデルは、文部科学省学習指導要領（算数・数学・情報）および国際標準カリキュラムに準拠し、エンジニアリング現場の実装事例と照らし合わせてMath World Lab編集部により検証・作成されています。

Layer 3 — 工学応用・現場実装

高速道路交通管制・自動運転隊列走行（Platooning）の車間制御

NEXCOの渋滞予測AIや自動運転トラックの隊列走行制御（CACC: Cooperative ACC）では、車車間通信（V2V）で前方の加減速情報をミリ秒単位で先読みし、感応度 $a$ を最適化して string stability（車列全体の減衰安定性）を保証している。

1// 最適速度（OV）モデルの1ステップ更新
2function updateTrafficOV(
3  positions: number[],
4  velocities: number[],
5  sensitivity: number = 1.5, // ドライバー感応度 a
6  dt: number = 0.05
7) {
8  const n = positions.length;
9  const newPositions = [...positions];
10  const newVelocities = [...velocities];
11
12  for (let i = 0; i < n; i++) {
13    const leaderIdx = (i + 1) % n;
14    // 環状線での車間距離計算 (周長 L = 1000m)
15    let headway = positions[leaderIdx] - positions[i];
16    if (headway < 0) headway += 1000;
17
18    // 最適速度 V(h) = tanh(h/20 - 2) * 15 + 15 (m/s)
19    const vOptimal = Math.max(0, (Math.tanh(headway / 20 - 2) + 1) * 15);
20
21    // 加速度 a * (V(h) - v)
22    const acceleration = sensitivity * (vOptimal - velocities[i]);
23
24    newVelocities[i] = Math.max(0, velocities[i] + acceleration * dt);
25    newPositions[i] = (positions[i] + newVelocities[i] * dt) % 1000;
26  }
27
28  return { positions: newPositions, velocities: newVelocities };
29}