論文の概要: Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian
Process: A New Insight into Machine Learning Applications
- arxiv url: http://arxiv.org/abs/2002.02374v1
- Date: Thu, 6 Feb 2020 17:22:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 09:52:44.976587
- Title: Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian
Process: A New Insight into Machine Learning Applications
- Title（参考訳）: 物理正規化ガウス過程を用いたマクロトラフィックフローモデリング:機械学習アプリケーションへの新たな洞察
- Authors: Yun Yuan, Xianfeng Terry Yang, Zhao Zhang, Shandian Zhe
- Abstract要約: 本研究では,古典的トラフィックフローモデルを機械学習アーキテクチャにエンコードする,物理正規化機械学習(PRML)という新しいモデリングフレームワークを提案する。
提案手法の有効性を実証するため,ユタ州I-15高速道路から収集した実世界のデータセットについて実験的検討を行った。
- 参考スコア（独自算出の注目度）: 14.164058812512371
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the wide implementation of machine learning (ML) techniques in
traffic flow modeling recently, those data-driven approaches often fall short
of accuracy in the cases with a small or noisy dataset. To address this issue,
this study presents a new modeling framework, named physics regularized machine
learning (PRML), to encode classical traffic flow models (referred as physical
models) into the ML architecture and to regularize the ML training process.
More specifically, a stochastic physics regularized Gaussian process (PRGP)
model is developed and a Bayesian inference algorithm is used to estimate the
mean and kernel of the PRGP. A physical regularizer based on macroscopic
traffic flow models is also developed to augment the estimation via a shadow GP
and an enhanced latent force model is used to encode physical knowledge into
stochastic processes. Based on the posterior regularization inference
framework, an efficient stochastic optimization algorithm is also developed to
maximize the evidence lowerbound of the system likelihood. To prove the
effectiveness of the proposed model, this paper conducts empirical studies on a
real-world dataset which is collected from a stretch of I-15 freeway, Utah.
Results show the new PRGP model can outperform the previous compatible methods,
such as calibrated pure physical models and pure machine learning methods, in
estimation precision and input robustness.
- Abstract（参考訳）: 最近、トラフィックフローモデリングに機械学習(ML)技術が広く実装されているにもかかわらず、これらのデータ駆動アプローチは、小さなデータセットやノイズの多いデータセットの場合、正確さに欠けることが多い。
そこで本研究では,従来の交通流モデル(物理モデルとして参照)をMLアーキテクチャにエンコードし,MLトレーニングプロセスの正規化を行うための,物理正規化機械学習(PRML)という新しいモデリングフレームワークを提案する。
より具体的には、確率物理学正規化ガウス過程(prgp)モデルを開発し、prgpの平均と核を推定するためにベイズ推論アルゴリズムを使用する。
シャドウGPによる推定を増大させるために, マクロトラフィックフローモデルに基づく物理正則化器も開発され, 物理知識を確率過程にエンコードするために, 拡張潜在力モデルを用いている。
また, 後続正則化推論の枠組みに基づいて, 確率的最適化アルゴリズムを開発し, システムの可能性の低いエビデンスを最大化する。
提案モデルの有効性を証明するため,ユタ州i-15高速道路から収集した実世界のデータセットについて実証実験を行った。
その結果、新しいprgpモデルは、推定精度と入力ロバスト性において、従来の互換性のある純粋物理モデルや純粋機械学習手法よりも優れることが示された。
関連論文リスト
- Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳（メタデータ） (2024-03-03T04:21:21Z) - Replication Study: Enhancing Hydrological Modeling with Physics-Guided
Machine Learning [0.0]
現在の水理モデリング手法は、データ駆動機械学習アルゴリズムと従来の物理モデルを組み合わせたものである。
結果予測におけるMLの精度にもかかわらず、科学的知識の統合は信頼性の高い予測には不可欠である。
本研究では,概念的水文モデルのプロセス理解とMLアルゴリズムの予測効率を融合した物理インフォームド機械学習モデルを提案する。
論文 参考訳（メタデータ） (2024-02-21T16:26:59Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳（メタデータ） (2022-10-15T17:57:43Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - 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) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Enhancing predictive skills in physically-consistent way: Physics
Informed Machine Learning for Hydrological Processes [1.0635248457021496]
本研究では,概念的水文モデルのプロセス理解と最先端MLモデルの予測能力を組み合わせた物理インフォームド機械学習(PIML)モデルを開発する。
提案したモデルを用いて,インドのナルマダ川流域における目標(流れ流)と中間変数(実際の蒸発吸引)の月次時間系列を予測する。
論文 参考訳（メタデータ） (2021-04-22T12:13:42Z) - Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized
Gaussian Process Approach [1.6242924916178285]
本研究では,実世界のランダム性を捉え,誤差を計測できる微視的交通モデルを提案する。
提案フレームワークの特長の一つは,自動車追従行動と車線変更行動の両方を1つのモデルで捉える能力である。
論文 参考訳（メタデータ） (2020-07-17T06:03:32Z) - Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian
Process: Generalized Formulations [5.827236278192557]
本研究では,物理正規化ガウス過程(PRGP)という新しいモデリングフレームワークを提案する。
この新しいアプローチは、物理モデル、すなわち古典的なトラフィックフローモデルをガウスのプロセスアーキテクチャにエンコードし、機械学習のトレーニングプロセスを規則化する。
提案手法の有効性を証明するため,ユタ州I-15高速道路から収集した実世界のデータセットについて実験的検討を行った。
論文 参考訳（メタデータ） (2020-07-14T17:27:23Z)
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。