論文の概要: Physics-informed Machine Learning of Parameterized Fundamental Diagrams

• arxiv url: http://arxiv.org/abs/2208.00880v1
• Date: Mon, 1 Aug 2022 14:13:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-02 14:15:43.966427
• Title: Physics-informed Machine Learning of Parameterized Fundamental Diagrams
• Title（参考訳）: パラメータ化基本図の物理インフォームド機械学習
• Authors: James Koch, Thomas Maxner, Vinay Amatya, Andisheh Ranjbari, Chase Dowling
• Abstract要約: 本稿では,道路フラックスの工学的制約や物理法則を尊重する機械学習手法を提案する。 これらの図の生成にコンテキスト情報を導入するのにどのように使用できるかを示す。
• 参考スコア（独自算出の注目度）: 0.1799933345199395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fundamental diagrams describe the relationship between speed, flow, and density for some roadway (or set of roadway) configuration(s). These diagrams typically do not reflect, however, information on how speed-flow relationships change as a function of exogenous variables such as curb configuration, weather or other exogenous, contextual information. In this paper we present a machine learning methodology that respects known engineering constraints and physical laws of roadway flux - those that are captured in fundamental diagrams - and show how this can be used to introduce contextual information into the generation of these diagrams. The modeling task is formulated as a probe vehicle trajectory reconstruction problem with Neural Ordinary Differential Equations (Neural ODEs). With the presented methodology, we extend the fundamental diagram to non-idealized roadway segments with potentially obstructed traffic data. For simulated data, we generalize this relationship by introducing contextual information at the learning stage, i.e. vehicle composition, driver behavior, curb zoning configuration, etc, and show how the speed-flow relationship changes as a function of these exogenous factors independent of roadway design.
• Abstract（参考訳）: 基本的な図は、いくつかの道路(または道路の集合)の構成における速度、流れ、密度の関係を記述する。 これらの図は典型的には反映しないが、速度-流れの関係が構成、天気などの外生変数の関数としてどのように変化するかは、文脈情報として表される。 本稿では,道路フラックスの既知の工学的制約と物理法則を尊重する機械学習手法を提案する。 モデル課題はニューラル正規微分方程式(Neural ODE)を用いたプローブ車両軌道再構成問題として定式化される。 提案手法では, 交通データを妨害する可能性のある非理想化道路セグメントに対して, 基本図を拡張する。 シミュレーションデータでは,車両構成,運転行動,帯状化の抑制などの学習段階における文脈情報を導入し,道路設計に依存しないこれらの外因性要因の関数として,速度-流れの関係がどのように変化するかを示す。

関連論文リスト

• Data Scoping: Effectively Learning the Evolution of Generic Transport PDEs [0.0]
  輸送PDEは、質量、運動量、エネルギー保存を記述する時間依存偏微分方程式(PDE)によって制御される。 ディープラーニングアーキテクチャは、これらのPDEのシミュレーションと根本的に相容れない。 本稿では,局所特性を予測するための情報範囲を制限するために,線形時間複雑性を持つ分散データスコーピング手法を提案する。
  論文  参考訳（メタデータ） (2024-05-02T14:24:56Z)
• Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting [35.0288931087826]
  交通流予測は、過去のネットワークと交通条件に基づいて将来の交通状況を予測することを目的としている。 この問題は、遠時ニューラルネットワーク(GNN)を用いた交通データにおける複雑な時間相関をモデル化することによって、典型的に解決される。 既存の手法は、近隣情報を線形に集約するメッセージパッシングのパラダイムに従っている。 本稿では,交通流予測のための動的ハイパー構造学習(DyHSL)モデルを提案する。
  論文  参考訳（メタデータ） (2023-09-21T12:44:55Z)
• Inverting the Fundamental Diagram and Forecasting Boundary Conditions: How Machine Learning Can Improve Macroscopic Models for Traffic Flow [0.0]
  高速道路を走行する車両のフラックスと速度のデータを,固定センサで収集し,車線および車種別に分類したデータセットについて検討する。 1) 渋滞がセンサの下に現れる場合, 2) 今後センサの下に通過する車両の総量を推定する。 これらの情報片は、センサ間のトラフィックフローのダイナミクスを記述したLWRベースの1次1次マルチクラスモデルの精度を向上させるために使用される。
  論文  参考訳（メタデータ） (2023-03-21T11:07:19Z)
• A Transferable Intersection Reconstruction Network for Traffic Speed Prediction [1.321203201549798]
  本稿では,フレキシビリティの確保に基づく空間情報の導入を目的としたIRNetを提案する。 本稿では,道路網のトポロジを単純化した仮想交差点を,同じ構造の仮想交差点に再構築する。
  論文  参考訳（メタデータ） (2022-07-22T12:13:56Z)
• RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent Vehicle in Complex Environments [72.04891523115535]
  本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。 実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
  論文  参考訳（メタデータ） (2022-07-16T12:40:17Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• HDGT: Heterogeneous Driving Graph Transformer for Multi-Agent Trajectory Prediction via Scene Encoding [76.9165845362574]
  運転シーンをノードやエッジの異なる異種グラフとしてモデル化するバックボーンを提案する。 空間的関係符号化では、ノードの座標とエッジの座標は局所ノード中心座標系に含まれる。 実験結果から,HDGTは軌道予測のタスクに対して最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-04-30T07:08:30Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel Attention-Based Spatio-Temporal Graph Convolutional Networks [4.318655493189584]
  建設工事の影響下での交通速度予測モデルを提案する。 このモデルは、強力なアテンションベースの時間グラフ畳み込みアーキテクチャに基づいているが、様々なチャネルを利用して異なる情報ソースを統合する。 このモデルは、2つのベンチマークデータセットと、北バージニアの散らかった道路の角で収集した新しいデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-10-04T16:07:37Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• 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)

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。