論文の概要: Quantifying Uncertainty In Traffic State Estimation Using Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2206.09349v1
• Date: Sun, 19 Jun 2022 08:10:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-25 21:10:37.345839
• Title: Quantifying Uncertainty In Traffic State Estimation Using Generative Adversarial Networks
• Title（参考訳）: 生成逆ネットワークを用いた交通状態推定の不確かさの定量化
• Authors: Zhaobin Mo, Yongjie Fu, Xuan Di
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.737519767218666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper aims to quantify uncertainty in traffic state estimation (TSE) using the generative adversarial network based physics-informed deep learning (PIDL). The uncertainty of the focus arises from fundamental diagrams, in other words, the mapping from traffic density to velocity. To quantify uncertainty for the TSE problem is to characterize the robustness of predicted traffic states. Since its inception, generative adversarial networks (GAN) have become a popular probabilistic machine learning framework. In this paper, we will inform the GAN based predictions using stochastic traffic flow models and develop a GAN based PIDL framework for TSE, named ``PhysGAN-TSE". By conducting experiments on a real-world dataset, the Next Generation SIMulation (NGSIM) dataset, this method is shown to be more robust for uncertainty quantification than the pure GAN model or pure traffic flow models. Two physics models, the Lighthill-Whitham-Richards (LWR) and the Aw-Rascle-Zhang (ARZ) models, are compared as the physics components for the PhysGAN, and results show that the ARZ-based PhysGAN achieves a better performance than the LWR-based one.
• Abstract（参考訳）: 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。 焦点の不確実性は、基本的な図から生じ、言い換えれば、交通密度から速度へのマッピングである。 TSE問題の不確実性を定量化するためには、予測された交通状態の堅牢性を特徴づけることである。 誕生以来、gan(generative adversarial networks)は一般的な確率的機械学習フレームワークとなっている。 本稿では,確率的トラフィックフローモデルを用いてGANに基づく予測を報知し,PhysGAN-TSEと名付けられたTSEのためのGANベースのPIDLフレームワークを開発する。 実世界のデータセットであるNGSIM(Next Generation SIMulation)データセットで実験を行うことにより,本手法は純粋なGANモデルや純粋なトラフィックフローモデルよりも,不確実な定量化のためにより堅牢であることが示されている。 2つの物理モデル、lighthill-whitham-richards (lwr) と aw-rascle-zhang (arz) をphysganの物理要素として比較した結果、arzベースのphysganはlwrベースのモデルよりも優れた性能を達成していることが示された。

関連論文リスト

• 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)
• 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)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Controlled physics-informed data generation for deep learning-based remaining useful life prediction under unseen operation conditions [3.6750425865066925]
  本研究は,制御された物理インフォームドデータ生成手法と深層学習に基づく予後予測モデルを組み合わせたものである。 新たに制御された物理インフォームド生成逆数ネットワーク (CPI-GAN) を開発し, 合成劣化軌道を生成する。 生成された軌道はRUL予測の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-04-23T17:34:26Z)
• DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models [53.67562579184457]
  本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。 本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。 提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-01-31T13:42:36Z)
• 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)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• TrafficFlowGAN: Physics-informed Flow based Generative Adversarial Network for Uncertainty Quantification [4.215251065887861]
  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。
  論文  参考訳（メタデータ） (2022-06-19T03:35:12Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• Physically Explainable CNN for SAR Image Classification [59.63879146724284]
  本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。 提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。 実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-10-27T03:30:18Z)
• Physics-Informed Deep Learning for Traffic State Estimation [3.779860024918729]
  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。
  論文  参考訳（メタデータ） (2021-01-17T03:28:32Z)

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。