Understanding traffic is an important challenge in different scientific fields. While there are many approaches to constructing traffic models, most of them rely on origin–destination data and have difficulties when phenomena should be investigated that have an effect on the origin–destination matrix. A macroscopic traffic model is introduced that is novel in the sense that no origin–destination data are required as an input. This information is generated from mobility behavior data using a hybrid approach between agent-based modeling to find the origin and destination points of each vehicle and network techniques to find efficiently the routes most likely used to connect those points. The simulated road utilization and resulting congestion is compared to traffic data to quantitatively evaluate the results. Traffic jam avoidance behavior is included in the model in several variants, which are then all evaluated quantitatively. The described model is applied to the City of Graz, a typical European city with about 320,000 inhabitants. Calculated results correspond well with reality. The introduced traffic model, which uses mobility data instead of origin–destination data as input, was successfully applied and offers unique advantages compared to traditional models: Mobility behavior data are valid for different systems, while origin–destination data are very specific to the region in question and more difficult to obtain. In addition, different scenarios (increased population, more use of public transport, etc.) can be evaluated and compared quickly.

中文翻译：

---

在基于代理的网络模型中包括避免交通拥堵。

了解交通是不同科学领域的一项重要挑战。虽然有许多构建交通模型的方法，但它们中的大多数都依赖于起点-目的地数据，并且在研究对起点-目的地矩阵有影响的现象时存在困难。引入了一种宏观交通模型，该模型在不需要起点-目的地数据作为输入的意义上是新颖的。该信息是从移动行为数据中生成的，使用基于代理的建模之间的混合方法来查找每辆车的起点和目的地点，并使用网络技术来有效地找到最有可能用于连接这些点的路线。将模拟的道路利用率和由此产生的拥堵与交通数据进行比较，以定量评估结果。交通拥堵避免行为包含在模型中的几个变体中，然后都进行了定量评估。所描述的模型适用于格拉茨市，这是一座拥有约 320,000 居民的典型欧洲城市。计算结果与实际情况相符。引入的交通模型使用移动数据而不是起点-目的地数据作为输入，得到了成功应用，并且与传统模型相比具有独特的优势：移动行为数据适用于不同的系统，而起点-目的地数据则非常特定于区域有问题，更难获得。此外，可以快速评估和比较不同的情景（人口增加、公共交通使用量增加等）。所描述的模型适用于格拉茨市，这是一座拥有约 320,000 居民的典型欧洲城市。计算结果与实际情况相符。引入的交通模型使用移动数据而不是起点-目的地数据作为输入，得到了成功应用，并且与传统模型相比具有独特的优势：移动行为数据适用于不同的系统，而起点-目的地数据则非常特定于区域有问题，更难获得。此外，可以快速评估和比较不同的情景（人口增加、公共交通使用量增加等）。所描述的模型适用于格拉茨市，这是一座拥有约 320,000 居民的典型欧洲城市。计算结果与实际情况相符。引入的交通模型使用移动数据而不是起点-目的地数据作为输入，得到了成功应用，并且与传统模型相比具有独特的优势：移动行为数据适用于不同的系统，而起点-目的地数据则非常特定于区域有问题，更难获得。此外，可以快速评估和比较不同的情景（人口增加、公共交通使用量增加等）。使用流动性数据而不是起点-目的地数据作为输入，已成功应用，与传统模型相比具有独特的优势：流动性行为数据适用于不同的系统，而起点-目的地数据非常特定于相关区域且难度更大获得。此外，可以快速评估和比较不同的情景（人口增加、公共交通使用量增加等）。使用流动性数据而不是起点-目的地数据作为输入，已成功应用，与传统模型相比具有独特的优势：流动性行为数据适用于不同的系统，而起点-目的地数据非常特定于相关区域且难度更大获得。此外，可以快速评估和比较不同的情景（人口增加、公共交通使用量增加等）。