On the stochastic fundamental diagram for freeway traffic

最近在做MFD相关的一些工作，但是面临一个问题，也就是Q-K曲线具有一定的随机性，如果单纯用一根曲线来拟合MFD，那么Q-K点势必是分布在曲线的两侧的，那么该如何解决该问题呢？其中一个办法就是随机MFD，《On the stochastic fundamental diagram for freeway traffic: Model development, analytical properties, validation, and extensive applications》这篇文章也就是来解决这一问题的。

1.文章概述

总的来说，文章提出了一种新的MFD拟合方式，这并不是提出了一种新的MFD形式，而是提出了一种考虑随机性的MFD拟合方式。在介绍这种方式之前需要先介绍一下加权最小二乘拟合MFD的方式。

1. 优化方程如下所示：目的就是求解出$v_f$和$K_{jam}$，其中wi就是每个样本的权重，样本权重获取方式详细见论文，大致思想就是相邻两个状态的点之间距离越大就权重越大，这样越稀疏的地方就给予越大的权重。需要说明的是这里的公式都是greenshields模型，其他模型作者也给出了证明，没有放在这里了。
   
2. 求解出上面的优化方程就得到了$v_f$和$K_{jam}$，这样一来也就解决了MFD拟合问题。

在介绍完加权最小二乘方式拟合MFD后作者提出了一种Stochastic speed-density models，该模型首先定义了一个参数α，α的含义是使用calibrated percentile based curve 下面的点的残差比上所有数据的残差的比值。公式形式如下：


那么就带来了一个问题，如何去拟合得到the 100αth percentile based speed-density line，这个问题也就是我在用加权最小二乘方法拟合的时候，同时需要满足上面提到的α等式，作者证明了这样一个拟合求解问题等于下面的优化问题：

在之后作者又给出了很多这个方法的解析性质，包括Analytical properties: continuity, differentiability, and convexity。关于这些证明的内容在此不再阐述了，具体可以看文章。

2.实例验证

下图就是Greenshields Model用作者提出的the 100αth percentile based speed-density line标定的结果，α取不同的值就得到了不同的speed-density line，这些lines实际上就给出了给定密度条件下速度的一个分布。

3.工程化实现方式

part B中是给出了具体的数学公式来推导出优化方程，因此只需要实现这个优化方程便可以求解出随机MFD了，但是他给出的是speed-density公式的优化方程，这边我给出一种更容易实现的近似化方法。
总的来说使用二分法解决该优化问题。
input： 流密速数据、α

1. 首先用所有数据进行最小二乘法拟合，得到MFD，根据论文中的公式计算得到α’；
2. 若得到的α’>α，则取出MFD以下的所有点，使用这些点再次拟合得到新的MFD，得到新的α’；若得到的α’<α，则取出MFD以上的所有点，使用这些点再次拟合得到新的MFD，得到新的α’；若得到的α’==α，则终止，拟合得到MFD即αth percentile based MFD。
3. 对于新得到的α’再次进行上述比较，除了step 2提到的情况，若新得到的α’介于α和上一次得到的α’之间，则取出两次MFD之间的点拟合新的MFD，得到α’。
4. 重复step 3的过程，迭代终止条件可设置为这两个条件中的任意一个：1）迭代次数达到预设值的N次(e.g 30)；2）α’与input的α小于X（e.g 3%）
5. 输出最终得到MFD的参数即为αth percentile based MFD，同时输出最终的α’，若终止条件为2），则可以不输出α’

参考文献

[1] A, Q. X. , B, Z. J. , & C, W. S. . (2017). On the stochastic fundamental diagram for freeway traffic: model development, analytical properties, validation, and extensive applications - sciencedirect. Transportation Research Part B: Methodological, 104, 256-271.