論文の概要: Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized Gaussian Process Approach

• arxiv url: http://arxiv.org/abs/2007.10109v1
• Date: Fri, 17 Jul 2020 06:03:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 13:29:35.083530
• Title: Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized Gaussian Process Approach
• Title（参考訳）: 確率的微視的交通挙動のモデリング:物理正規化ガウス過程アプローチ
• Authors: Yun Yuan, Qinzheng Wang, Xianfeng Terry Yang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.6242924916178285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling stochastic traffic behaviors at the microscopic level, such as car-following and lane-changing, is a crucial task to understand the interactions between individual vehicles in traffic streams. Leveraging a recently developed theory named physics regularized Gaussian process (PRGP), this study presents a stochastic microscopic traffic model that can capture the randomness and measure errors in the real world. Physical knowledge from classical car-following models is converted as physics regularizers, in the form of shadow Gaussian process (GP), of a multivariate PRGP for improving the modeling accuracy. More specifically, a Bayesian inference algorithm is developed to estimate the mean and kernel of GPs, and an enhanced latent force model is formulated to encode physical knowledge into stochastic processes. Also, based on the posterior regularization inference framework, an efficient stochastic optimization algorithm is developed to maximize the evidence lower-bound of the system likelihood. To evaluate the performance of the proposed models, this study conducts empirical studies on real-world vehicle trajectories from the NGSIM dataset. Since one unique feature of the proposed framework is the capability of capturing both car-following and lane-changing behaviors with one single model, numerical tests are carried out with two separated datasets, one contains lane-changing maneuvers and the other doesn't. The results show the proposed method outperforms the previous influential methods in estimation precision.
• Abstract（参考訳）: 自動車追従や車線変更といった微視的なレベルでの確率的交通行動のモデル化は、交通の流れにおける個々の車両間の相互作用を理解する上で重要なタスクである。 物理正規化ガウス過程(PRGP)と呼ばれる最近開発された理論を応用し、確率的微視的トラフィックモデルを示し、実世界のランダム性を捉え、誤差を測定する。 従来の自動車追従モデルからの物理知識は、モデリング精度を向上させるための多変量PRGPの影ガウス過程(GP)の形で物理正則化器として変換される。 より具体的には、GPの平均と核を推定するためにベイズ推定アルゴリズムが開発され、物理的知識を確率過程にエンコードする拡張潜在力モデルが定式化されている。 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。 提案モデルの性能を評価するため,NGSIMデータセットを用いた実世界の車両軌道に関する実証的研究を行った。 提案フレームワークのユニークな特徴は,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。 その結果,提案手法は従来の推定精度の方法よりも優れていることがわかった。

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)
• 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)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving [62.053071723903834]
  マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。 粒子法を用いて最大形パラメータを学習することを検討する。 自動運転車から収集した実データに本手法を適用した。
  論文  参考訳（メタデータ） (2022-12-14T01:21:05Z)
• IDM-Follower: A Model-Informed Deep Learning Method for Long-Sequence Car-Following Trajectory Prediction [24.94160059351764]
  ほとんどの自動車追従モデルは生成的であり、最後のステップの速度、位置、加速度の入力のみを考慮する。 2つの独立したエンコーダと、次の軌道を逐次予測できる自己アテンションデコーダを備えた新しい構造を実装した。 シミュレーションとNGSIMデータセットの複数の設定による数値実験により、IMM-Followerは予測性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2022-10-20T02:24:27Z)
• 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)
• Scalable nonparametric Bayesian learning for heterogeneous and dynamic velocity fields [8.744017403796406]
  速度場データの不均一および動的パターンを学習するモデルを開発した。 複雑な多車間相互作用のNGSIMデータセットに対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-02-15T17:45:46Z)
• 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)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Real-Time Model Calibration with Deep Reinforcement Learning [4.707841918805165]
  本稿では,強化学習に基づくモデルパラメータ推定のための新しいフレームワークを提案する。 提案手法を2つのモデルベース診断試験ケースで実証し, 評価した。
  論文  参考訳（メタデータ） (2020-06-07T00:11:42Z)
• Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian Process: A New Insight into Machine Learning Applications [14.164058812512371]
  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。
  論文  参考訳（メタデータ） (2020-02-06T17:22:20Z)

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。