論文の概要: Intelligent Road Inspection with Advanced Machine Learning; Hybrid
Prediction Models for Smart Mobility and Transportation Maintenance Systems
- arxiv url: http://arxiv.org/abs/2001.08583v1
- Date: Sat, 18 Jan 2020 19:12:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 05:13:30.795310
- Title: Intelligent Road Inspection with Advanced Machine Learning; Hybrid
Prediction Models for Smart Mobility and Transportation Maintenance Systems
- Title（参考訳）: 高度機械学習を用いたインテリジェント道路検査 : スマートモビリティと交通保守システムのためのハイブリッド予測モデル
- Authors: Nader Karballaeezadeh, Farah Zaremotekhases, Shahaboddin Shamshirband,
Amir Mosavi, Narjes Nabipour, Peter Csiba, Annamaria R. Varkonyi-Koczy
- Abstract要約: 本稿では,インテリジェント道路検査のための新しい機械学習モデルを提案する。
提案モデルでは, 落下重量偏向計(FWD)による表面偏向データを用いて, 舗装条件指数(PCI)の予測を行う。
解析結果は,平均相対誤差(APRE),平均絶対相対誤差(AAPRE),根平均二乗誤差(RMSE),標準誤差(SD)の4つの基準を用いて検証された。
- 参考スコア（独自算出の注目度）: 1.0773924713784704
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prediction models in mobility and transportation maintenance systems have
been dramatically improved through using machine learning methods. This paper
proposes novel machine learning models for intelligent road inspection. The
traditional road inspection systems based on the pavement condition index (PCI)
are often associated with the critical safety, energy and cost issues.
Alternatively, the proposed models utilize surface deflection data from falling
weight deflectometer (FWD) tests to predict the PCI. Machine learning methods
are the single multi-layer perceptron (MLP) and radial basis function (RBF)
neural networks as well as their hybrids, i.e., Levenberg-Marquardt (MLP-LM),
scaled conjugate gradient (MLP-SCG), imperialist competitive (RBF-ICA), and
genetic algorithms (RBF-GA). Furthermore, the committee machine intelligent
systems (CMIS) method was adopted to combine the results and improve the
accuracy of the modeling. The results of the analysis have been verified
through using four criteria of average percent relative error (APRE), average
absolute percent relative error (AAPRE), root mean square error (RMSE), and
standard error (SD). The CMIS model outperforms other models with the promising
results of APRE=2.3303, AAPRE=11.6768, RMSE=12.0056, and SD=0.0210.
- Abstract（参考訳）: 移動・輸送維持システムにおける予測モデルは機械学習を用いて劇的に改善されている。
本稿では,インテリジェント道路検査のための新しい機械学習モデルを提案する。
舗装条件指標(PCI)に基づく従来の道路検査システムは、しばしば重要な安全、エネルギー、コスト問題と関連付けられている。
また,提案モデルでは,落下重量偏向計(fwd)による表面偏向データを用いてpciの予測を行う。
機械学習手法は、単一多層パーセプトロン(MLP)と放射基底関数(RBF)ニューラルネットワーク、およびそれらのハイブリッドである、すなわち、レバンス・マルカート(MLP-LM)、スケールド共役勾配(MLP-SCG)、帝国主義競合(RBF-ICA)、遺伝的アルゴリズム(RBF-GA)である。
さらに、この結果を組み合わせて、モデリングの精度を向上させるために、committee machine intelligent systems (cmis) 法が採用された。
分析の結果は、平均%相対誤差(apre)、平均絶対パーセント相対誤差(aapre)、根平均二乗誤差(rmse)、標準誤差(sd)の4つの基準を用いて検証された。
CMISモデルはAPRE=2.3303、APRE=11.6768、RMSE=12.0056、SD=0.0210の有望な結果で他のモデルより優れている。
関連論文リスト
- Deep Learning-Based Cyber-Attack Detection Model for Smart Grids [6.642400003243118]
監視制御とデータ取得(SCADA)により、受信した負荷データに対するデータ完全性サイバー攻撃(DIA)を防止するために、人工知能に基づく新しいサイバー攻撃検出モデルを開発した。
提案モデルでは、まず回帰モデルを用いて負荷データを予測し、処理後、教師なし学習法を用いて処理データをクラスタ化する。
提案したEE-BiLSTM法は,他の2つの手法と比較して,より堅牢かつ高精度に動作可能である。
論文 参考訳（メタデータ） (2023-12-14T10:54:04Z) - Model-Based Reparameterization Policy Gradient Methods: Theory and
Practical Algorithms [88.74308282658133]
Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。
近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。
本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
論文 参考訳（メタデータ） (2023-10-30T18:43:21Z) - AirIMU: Learning Uncertainty Propagation for Inertial Odometry [29.093168179953185]
ストラップダウン慣性測定装置(IMU)を用いた慣性計測(IO)は多くのロボット応用において重要である。
データ駆動手法により不確実性、特に非決定論的誤差を推定するハイブリッド手法であるAirIMUを提案する。
ハンドヘルドデバイス,車両,および262kmの軌道をカバーするヘリコプターなど,さまざまなプラットフォーム上での有効性を実証する。
論文 参考訳（メタデータ） (2023-10-07T17:08:22Z) - Learning Residual Model of Model Predictive Control via Random Forests
for Autonomous Driving [13.865293598486492]
自律運転における予測制御(MPC)の大きな問題は、システムモデルの予測と計算の矛盾である。
本稿では、MPC追跡精度をプログラム(QP)問題最適化として再構成し、プログラム(QP)が効果的に解けるようにする。
論文 参考訳（メタデータ） (2023-04-10T03:32:09Z) - RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed
Neural Network [6.309365332210523]
本稿では、単純なODEとデータの一部をトレーニングしたニューラルネットワークを用いて、PINN(RAMP-Net)を介してロバスト適応MPCフレームワークを提案する。
我々は,SOTA回帰に基づく2つのMPC法と比較して,0.5～1.75m/sの追跡誤差を7.8%から43.2%,8.04%から61.5%削減した。
論文 参考訳（メタデータ） (2022-09-19T16:11:51Z) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳（メタデータ） (2022-09-01T17:05:20Z) - KNODE-MPC: A Knowledge-based Data-driven Predictive Control Framework
for Aerial Robots [5.897728689802829]
我々は、知識に基づくニューラル常微分方程式(KNODE)というディープラーニングツールを用いて、第一原理から得られたモデルを拡張する。
得られたハイブリッドモデルは、名目上の第一原理モデルと、シミュレーションまたは実世界の実験データから学習したニューラルネットワークの両方を含む。
閉ループ性能を改善するため、ハイブリッドモデルはKNODE-MPCとして知られる新しいMPCフレームワークに統合される。
論文 参考訳（メタデータ） (2021-09-10T12:09:18Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Edge Federated Learning Via Unit-Modulus Over-The-Air Computation
(Extended Version) [64.76619508293966]
本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。
ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。
車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
論文 参考訳（メタデータ） (2021-01-28T15:10:22Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳（メタデータ） (2020-07-17T01:52:34Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。