异质性区域下的宏观基本图构建

这是我们发表在Physica A: Statistical Mechanics and its Applications期刊上的一篇论文，主要是对现在的宏观基本图构建进行了一定的优化，论文详见：https://www.sciencedirect.com/science/article/pii/S0378437123000869

1.论文概述

论文主要是针对现在的宏观基本图需要在同质性区域进行构建，否则会出现hysteresis loop phenomenon、bifurcation phenomenon、The critical state of the area obtained from MFD is not accurate这三个现象或问题。为了解决这些问题，我们提出了一个新的宏观基本图构建方法，该方法的主要思路是对每个路段，增加一个路段系数，该系数反应该路段是否能很好表征网络的交通状态，对于可以很好表征网络的路段则赋予较大的系数，对于不能很好反应网络状态的路段则赋予较小的系数。该系数在计算网络平均流量、网络平均密度和网络平均速度时会起到作用。从公式的表象来看，是给每个路段赋予了不同的权重，能反应网络交通状态的路段给予较大的权重，不能反应的路段给予较小的权重。总体上可以这样理解，但是实际上有一些细微的差别，因为网络流密速的计算是需要符合一定的定义的，只有符合该定义才是交通流理论中的流密速，否则交通流理论中常用的公式可能不能满足，详见我写的这篇博客可以对交通流理论中的三参数定义有更深的理解，在这篇博客中我就不做过多的介绍了。
论文框架为：

2.方法论

论文中用到的方法主要包括：

• 时段划分：有序样品聚类算法
• 路段簇划分：kmeans聚类算法
• 宏观基本图：newell model、greenshields model和一篇part b论文提出一种宏观基本图
• 宏观基本图优化：差分进化算法

这些方法都是比较常见的算法，唯一需要说明一下的是宏观基本图算法是包含在差分进化算法之中的，也就是说每一次优化的过程中都会拟合一次宏观基本图，并获得临界状态来进行区域态势研判。
其他方法论就不再赘述了，要是有不清楚的可以留言或私戳我。

3.数据

本研究中所使用的的数据第一是仿真数据，仿真数据我们使用sumo来产生的，技术步骤可以详细参考我写的另一篇博客，点击即可传送。仿真数据结果显示，我们提出的方法是明显优于传统方法的。
第二种数据是真实数据，分别是用昆明和青岛的数据来做的，因为这些数据涉及到科研合作项目，所以较难公开。尤其是其中的昆明数据，所以在discussion中我们的分析主要是对青岛的数据展开的。现实数据最大的问题在于，很难找到下降段的数据，这个问题我导师也说现实中基本一定存在，但是我们也看到很多相关论文是有明显的下降段的数据的，如果有相关研究者愿意提供这样的一份数据将不胜感激。我们的模型在包含下降段的真实数据中可能可以发挥出更好的效果。

参考文献

若觉得对自己的研究有一定帮助，可以引用下面这篇论文：
W. Yao, N. Chen, H. Su et al., A novel self-adaption macroscopic fundamental diagram considering network heterogeneity, Physica A (2023), doi: https://doi.org/10.1016/j.physa.2023.128531.