論文の概要: TrafficFlowGAN: Physics-informed Flow based Generative Adversarial
Network for Uncertainty Quantification
- arxiv url: http://arxiv.org/abs/2206.09319v1
- Date: Sun, 19 Jun 2022 03:35:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-25 23:28:56.524280
- Title: TrafficFlowGAN: Physics-informed Flow based Generative Adversarial
Network for Uncertainty Quantification
- Title（参考訳）: TrafficFlowGAN:不確実性定量化のための物理インフォームドフローに基づく生成逆ネットワーク
- Authors: Zhaobin Mo, Yongjie Fu, Daran Xu, Xuan Di
- Abstract要約: 動的システムの不確実性定量化(UQ)のための物理インフォームドフローベース生成逆ネットワーク(GAN)であるTrafficFlowGANを提案する。
このフローモデルは、データ可能性の最大化と、畳み込み判別器を騙すことができる合成データを生成するために訓練される。
我々の知る限りでは、UQ問題に対するフロー、GAN、PIDLの統合を最初に提案します。
- 参考スコア（独自算出の注目度）: 4.215251065887861
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes the TrafficFlowGAN, a physics-informed flow based
generative adversarial network (GAN), for uncertainty quantification (UQ) of
dynamical systems. TrafficFlowGAN adopts a normalizing flow model as the
generator to explicitly estimate the data likelihood. This flow model is
trained to maximize the data likelihood and to generate synthetic data that can
fool a convolutional discriminator. We further regularize this training process
using prior physics information, so-called physics-informed deep learning
(PIDL). To the best of our knowledge, we are the first to propose an
integration of flow, GAN and PIDL for the UQ problems. We take the traffic
state estimation (TSE), which aims to estimate the traffic variables (e.g.
traffic density and velocity) using partially observed data, as an example to
demonstrate the performance of our proposed model. We conduct numerical
experiments where the proposed model is applied to learn the solutions of
stochastic differential equations. The results demonstrate the robustness and
accuracy of the proposed model, together with the ability to learn a machine
learning surrogate model. We also test it on a real-world dataset, the Next
Generation SIMulation (NGSIM), to show that the proposed TrafficFlowGAN can
outperform the baselines, including the pure flow model, the physics-informed
flow model, and the flow based GAN model.
- Abstract（参考訳）: 本稿では,動的システムの不確実性定量化(UQ)のための物理インフォームドフローベース生成逆ネットワークであるTrafficFlowGANを提案する。
TrafficFlowGANは、データ可能性を明確に見積もるために、正規化フローモデルをジェネレータとして採用している。
このフローモデルは、データ可能性の最大化と、畳み込み判別器を騙すことができる合成データを生成するために訓練される。
さらに,従来の物理情報,いわゆる物理インフォームド・ディープ・ラーニング(PIDL)を用いて,このトレーニングプロセスを標準化する。
我々の知る限りでは、UQ問題に対するフロー、GAN、PIDLの統合を最初に提案します。
提案モデルの性能を示す例として,部分観測データを用いて交通変数(交通密度や速度など)を推定することを目的とした交通状態推定(TSE)を挙げる。
確率微分方程式の解を学習するために,提案モデルを適用した数値実験を行う。
その結果,提案モデルの堅牢性と精度,および機械学習代理モデルの学習能力が示された。
また、実世界のデータセットであるNGSIM(Next Generation SIMulation)を用いて、提案したTrafficFlowGANが、純粋なフローモデル、物理インフォームドフローモデル、フローベースGANモデルなど、ベースラインより優れていることを示す。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。
我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。
高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文 参考訳（メタデータ） (2024-03-25T11:29:32Z) - A Priori Uncertainty Quantification of Reacting Turbulence Closure Models using Bayesian Neural Networks [0.0]
反応流モデルにおける不確実性を捉えるためにベイズニューラルネットワークを用いる。
我々は、BNNモデルが、データ駆動クロージャモデルの不確実性の構造に関するユニークな洞察を提供することができることを示した。
このモデルの有効性は,様々な火炎条件と燃料からなるデータセットに対する事前評価によって実証される。
論文 参考訳（メタデータ） (2024-02-28T22:19:55Z) - Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳（メタデータ） (2023-11-22T15:07:59Z) - Uncertainty quantification and out-of-distribution detection using
surjective normalizing flows [46.51077762143714]
本稿では,深層ニューラルネットワークモデルにおける分布外データセットの探索的正規化フローを用いた簡単なアプローチを提案する。
本手法は, 流通外データと流通内データとを確実に識別できることを示す。
論文 参考訳（メタデータ） (2023-11-01T09:08:35Z) - Language-Guided Traffic Simulation via Scene-Level Diffusion [46.47977644226296]
本稿では,シーンレベルの条件拡散モデルであるCTG++について述べる。
まず,現実的で制御可能なトラフィックを生成する時間的バックボーンを備えたシーンレベルの拡散モデルを提案する。
次に、大きな言語モデル(LLM)を用いて、ユーザクエリを、拡散モデルをクエリに準拠した生成に導く損失関数に変換する。
論文 参考訳（メタデータ） (2023-06-10T05:20:30Z) - A Denoising Diffusion Model for Fluid Field Prediction [0.0]
本研究では,FluidDiff という非線形流体場予測のための新しい拡散生成モデルを提案する。
拡散過程を実行することにより、モデルは高次元力学系の複雑な表現を学習することができる。
ランゲヴィンサンプリングは、指定された初期条件下での流れ状態の予測を生成するために使用される。
論文 参考訳（メタデータ） (2023-01-27T11:30:40Z) - STDEN: Towards Physics-Guided Neural Networks for Traffic Flow
Prediction [31.49270000605409]
物理原理とデータ駆動モデルの統合の欠如は、この分野の開発を制限する重要な理由である。
本稿では,交通流力学の物理機構を深層ニューラルネットワークの枠組みに組み込む,時空間微分方程式ネットワーク(STDEN)という物理誘導型ディープラーニングモデルを提案する。
北京の3つの実世界の交通データセットの実験では、我々のモデルは最先端のベースラインをかなり上回っている。
論文 参考訳（メタデータ） (2022-09-01T04:58:18Z) - Quantifying Uncertainty In Traffic State Estimation Using Generative
Adversarial Networks [4.737519767218666]
本稿では, 生成逆数ネットワークに基づく物理インフォームドディープラーニング(PIDL)を用いた交通状態推定(TSE)の不確かさの定量化を目的とする。
2つの物理モデル、Lighthill-Whitham-Richards (LWR) とAw-Rascle-Zhang (ARZ) がPhysGANの物理成分として比較される。
その結果,ARZベースのPhysGANはLWRベースのPhysGANよりも優れた性能を示した。
論文 参考訳（メタデータ） (2022-06-19T08:10:15Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic
Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。
モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
論文 参考訳（メタデータ） (2022-02-21T19:45:15Z)
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。