論文の概要: Physics-Informed Deep Learning for Traffic State Estimation

• arxiv url: http://arxiv.org/abs/2101.06580v1
• Date: Sun, 17 Jan 2021 03:28:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 02:39:13.247223
• Title: Physics-Informed Deep Learning for Traffic State Estimation
• Title（参考訳）: 交通状態推定のための物理インフォームド深層学習
• Authors: Rongye Shi, Zhaobin Mo, Kuang Huang, Xuan Di, Qiang Du
• Abstract要約: 交通状態推定(TSE)は、部分的に観測されたデータを用いて道路セグメント上の交通変数(例えば密度)を再構築する。 本論文では,少量の観測データを用いて高品質なTSEを効率的に実行するための物理情報深層学習(PIDL)フレームワークについて紹介する。
• 参考スコア（独自算出の注目度）: 3.779860024918729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic state estimation (TSE), which reconstructs the traffic variables (e.g., density) on road segments using partially observed data, plays an important role on efficient traffic control and operation that intelligent transportation systems (ITS) need to provide to people. Over decades, TSE approaches bifurcate into two main categories, model-driven approaches and data-driven approaches. However, each of them has limitations: the former highly relies on existing physical traffic flow models, such as Lighthill-Whitham-Richards (LWR) models, which may only capture limited dynamics of real-world traffic, resulting in low-quality estimation, while the latter requires massive data in order to perform accurate and generalizable estimation. To mitigate the limitations, this paper introduces a physics-informed deep learning (PIDL) framework to efficiently conduct high-quality TSE with small amounts of observed data. PIDL contains both model-driven and data-driven components, making possible the integration of the strong points of both approaches while overcoming the shortcomings of either. This paper focuses on highway TSE with observed data from loop detectors, using traffic density as the traffic variables. We demonstrate the use of PIDL to solve (with data from loop detectors) two popular physical traffic flow models, i.e., Greenshields-based LWR and three-parameter-based LWR, and discover the model parameters. We then evaluate the PIDL-based highway TSE using the Next Generation SIMulation (NGSIM) dataset. The experimental results show the advantages of the PIDL-based approach in terms of estimation accuracy and data efficiency over advanced baseline TSE methods.
• Abstract（参考訳）: 道路セグメント上の交通変数(例えば密度)を部分的に観測したデータを用いて再構成する交通状態推定(TSE)は、インテリジェント交通システム(ITS)が人々に提供するべき効率的な交通制御と運用において重要な役割を果たす。 何十年もの間、TSEはモデル駆動アプローチとデータ駆動アプローチの2つの主要なカテゴリに分岐してきた。 前者はLighthill-Whitham-Richards (LWR) モデルのような既存の物理トラフィックフローモデルに強く依存しており、これは現実世界のトラフィックの限られたダイナミクスを捉えるだけで、低品質な推定が可能であり、後者は正確で一般化可能な推定を行うために大量のデータを必要とする。 そこで本研究では,物理インフォームド・ディープ・ラーニング(PIDL)フレームワークを導入し,少ないデータ量で高品質なTSEを実現する。 pidlにはモデル駆動コンポーネントとデータ駆動コンポーネントの両方が含まれており、両方のアプローチの強みを統合でき、両方の欠点を克服できる。 本稿では,交通密度を交通変数として用いて,ループ検出器からの観測データを用いた高速道路TSEに焦点を当てた。 本稿では,グリーンシールド型LWRと3パラメータ型LWRの2つの物理トラフィックフローモデル,すなわちグリーンシールド型LWRと3パラメータ型LWRの解法とモデルパラメータの探索について述べる。 次に、次世代シミュレーション(NGSIM)データセットを用いてPIDLベースのハイウェイTSEを評価する。 実験結果から, 先進ベースラインTSE法よりも推定精度とデータ効率の点でPIDLに基づくアプローチの利点が示された。

関連論文リスト

• Efficient and Robust Freeway Traffic Speed Estimation under Oblique Grid using Vehicle Trajectory Data [19.01488741469791]
  斜め交通速度を正確に推定するための効率的でロバストな低ランクモデルを提案する。 提案手法は,TSEシナリオにおけるルート平均角誤差(RMSE)を最大12%改善する。 最先端のSOTA(State-of-the-art)メソッドよりも20倍以上高速に動作します。
  論文  参考訳（メタデータ） (2024-11-06T15:13:40Z)
• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• Knowledge-data fusion oriented traffic state estimation: A stochastic physics-informed deep learning approach [12.08072226345806]
  本研究では,交通状態推定のための物理インフォームドディープラーニング(SPIDL)を提案する。 SPIDLの主な貢献は、ニューラルネットワークトレーニング中の決定論的モデルにおける1対1の速度密度関係に起因する"過度に集中的なガイダンス"に対処することにある。 実世界のデータセットにおける実験から,提案したSPIDLモデルがスパースデータシナリオにおける正確なトラフィック状態推定を実現することが示唆された。
  論文  参考訳（メタデータ） (2024-09-01T07:34:40Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Incorporating Nonlocal Traffic Flow Model in Physics-informed Neural Networks [0.15346678870160887]
  非局所LWRモデルを組み込んだ新しいPIDLフレームワークを提案する。 固定長カーネルと可変長カーネルの両方を導入し、必要な数学を開発する。 その結果, 局所LWRモデルを用いたPIDL法の改良が示された。
  論文  参考訳（メタデータ） (2023-08-22T22:41:33Z)
• Estimating Link Flows in Road Networks with Synthetic Trajectory Data Generation: Reinforcement Learning-based Approaches [7.369475193451259]
  本稿では,限られた交通量と車両軌道データを組み合わせることで,道路網内のリンクフローを推定する問題に対処する。 本稿では,車両の連接動作を逐次決定問題として定式化する,新しい生成モデルフレームワークを提案する。 発生した人口車両軌跡が観測された交通量と軌跡データと一致していることを確認するために,逆強化学習と制約強化学習に基づく2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-06-26T13:14:52Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• A Physics-Informed Deep Learning Paradigm for Traffic State Estimation and Fundamental Diagram Discovery [3.779860024918729]
  本稿では,基礎図形学習器(PIDL+FDL)を用いた物理インフォームド深層学習という,改良されたパラダイムに寄与する。 PIDL+FDLはML用語をモデル駆動コンポーネントに統合し、基本図(FD)の機能形式、すなわち交通密度から流れや速度へのマッピングを学ぶ。 PIDL+FDLを用いて、人気のある1次・2次トラフィックフローモデルの解法とFD関係の再構築を行う。
  論文  参考訳（メタデータ） (2021-06-06T14:54:32Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)

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。