Fugu-MT 論文翻訳(概要): Short-term traffic prediction using physics-aware neural networks

論文の概要: Short-term traffic prediction using physics-aware neural networks

arxiv url: http://arxiv.org/abs/2109.10253v1
Date: Tue, 21 Sep 2021 15:31:33 GMT
ステータス: 処理完了
システム内更新日: 2021-09-22 14:08:38.794677
Title: Short-term traffic prediction using physics-aware neural networks
Title（参考訳）: 物理認識ニューラルネットワークを用いた短期交通予測
Authors: Mike Pereira, Annika Lang, and Bal\'azs Kulcs\'ar
Abstract要約: 道路上の車両のフラックスの短期予測を行うアルゴリズムを提案する。このアルゴリズムは物理を意識したリカレントニューラルネットワークに基づいている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we propose an algorithm performing short-term predictions of the flux of vehicles on a stretch of road, using past measurements of the flux. This algorithm is based on a physics-aware recurrent neural network. A discretization of a macroscopic traffic flow model (using the so-called Traffic Reaction Model) is embedded in the architecture of the network and yields flux predictions based on estimated and predicted space-time dependent traffic parameters. These parameters are themselves obtained using a succession of LSTM ans simple recurrent neural networks. Besides, on top of the predictions, the algorithm yields a smoothing of its inputs which is also physically-constrained by the macroscopic traffic flow model. The algorithm is tested on raw flux measurements obtained from loop detectors.
Abstract（参考訳）: そこで本研究では,過去のフラックス測定値を用いて,道路走行中の車両のフラックスの短期予測を行うアルゴリズムを提案する。このアルゴリズムは物理認識リカレントニューラルネットワークに基づいている。ネットワークのアーキテクチャには、マクロトラヒックフローモデル(いわゆるトラヒックリアクションモデル)の離散化が組み込まれており、予測および予測された時空依存トラヒックパラメータに基づいてフラックス予測を行う。これらのパラメータはLSTMアンス単純なリカレントニューラルネットワークを継承して得られる。さらに, 予測の上位に, マクロな交通流モデルにより物理的に制約された入力の平滑化をアルゴリズムが生成する。このアルゴリズムはループ検出器から得られた生のフラックス測定で試験される。

関連論文リスト

A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
論文参考訳（メタデータ） (2024-06-02T05:41:25Z)
Dynamic Causal Graph Convolutional Network for Traffic Prediction [19.759695727682935]
本稿では,時間変動動的ネットワークを組み込んだトラフィック予測手法を提案する。次に、グラフ畳み込みネットワークを使用してトラフィック予測を生成します。実交通データを用いた実験結果から,提案手法の予測性能が優れていることを示す。
論文参考訳（メタデータ） (2023-06-12T10:46:31Z)
A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文参考訳（メタデータ） (2023-01-24T08:39:20Z)
Scalable computation of prediction intervals for neural networks via matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-05-06T13:18:31Z)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文参考訳（メタデータ） (2021-03-11T15:21:08Z)
Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural Network [6.065344547161387]
本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
論文参考訳（メタデータ） (2021-02-24T05:02:19Z)
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は現代のインテリジェント交通システムの発展に重要な役割を担っています動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文参考訳（メタデータ） (2020-12-25T01:40:29Z)
A fast noise filtering algorithm for time series prediction using recurrent neural networks [0.0]
本稿では,RNNの内部力学を考察し,そのような動作に必要な条件のセットを確立する。そこで我々は,新しい近似アルゴリズムを提案し,精度を損なうことなく予測プロセスを著しく高速化することを示した。
論文参考訳（メタデータ） (2020-07-16T01:32:48Z)
Traffic Flow Forecast of Road Networks with Recurrent Neural Networks [0.0]
効率的なインテリジェント交通システムには交通流の予測が不可欠である。本研究では, 様々なリカレントニューラルネットワークを用いて, この予測を行う。多くの場合、ゲート再帰単位を持つベクトル出力モデルは、テストセット上で最小の誤差を達成した。
論文参考訳（メタデータ） (2020-06-08T15:17:58Z)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。