論文の概要: Fourier neural operator for learning solutions to macroscopic traffic
flow models: Application to the forward and inverse problems
- arxiv url: http://arxiv.org/abs/2308.07051v2
- Date: Fri, 8 Dec 2023 07:24:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 18:40:43.533868
- Title: Fourier neural operator for learning solutions to macroscopic traffic
flow models: Application to the forward and inverse problems
- Title(参考訳): マクロトラヒックフローモデルの学習解のためのフーリエニューラル演算子:前方および逆問題への応用
- Authors: Bilal Thonnam Thodi and Sai Venkata Ramana Ambadipudi and Saif Eddin
Jabari
- Abstract要約: 非線形双曲型偏微分方程式の解を学習するためのニューラルネットワークフレームワークについて検討する。
オペレータは、不均一でスパースなトラフィック入力データを完全なマクロなトラフィック状態にマッピングするように訓練される。
リングロードネットワークと都市信号化道路の密度動態の予測に優れた精度が得られた。
- 参考スコア(独自算出の注目度): 7.429546479314462
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning methods are emerging as popular computational tools for solving
forward and inverse problems in traffic flow. In this paper, we study a neural
operator framework for learning solutions to nonlinear hyperbolic partial
differential equations with applications in macroscopic traffic flow models. In
this framework, an operator is trained to map heterogeneous and sparse traffic
input data to the complete macroscopic traffic state in a supervised learning
setting. We chose a physics-informed Fourier neural operator ($\pi$-FNO) as the
operator, where an additional physics loss based on a discrete conservation law
regularizes the problem during training to improve the shock predictions. We
also propose to use training data generated from random piecewise constant
input data to systematically capture the shock and rarefied solutions. From
experiments using the LWR traffic flow model, we found superior accuracy in
predicting the density dynamics of a ring-road network and urban signalized
road. We also found that the operator can be trained using simple traffic
density dynamics, e.g., consisting of $2-3$ vehicle queues and $1-2$ traffic
signal cycles, and it can predict density dynamics for heterogeneous vehicle
queue distributions and multiple traffic signal cycles $(\geq 2)$ with an
acceptable error. The extrapolation error grew sub-linearly with input
complexity for a proper choice of the model architecture and training data.
Adding a physics regularizer aided in learning long-term traffic density
dynamics, especially for problems with periodic boundary data.
- Abstract(参考訳): トラフィックフローの前方および逆問題を解くための一般的な計算ツールとして、ディープラーニング手法が登場している。
本稿では,非線形双曲偏微分方程式の解を学習するためのニューラルネットワークフレームワークと,マクロトラヒックフローモデルへの応用について検討する。
このフレームワークでは、教師付き学習設定において、不均一でスパースなトラフィック入力データを完全なマクロトラフィック状態にマッピングするようにオペレータを訓練する。
物理インフォームドされたフーリエニューラル演算子($\pi$-FNO)を演算子として選択し、個別保存法則に基づく物理損失が、トレーニング中に問題を正規化し、衝撃予測を改善する。
また、ランダムな定値入力データから生成されたトレーニングデータを用いて、ショックおよび希少解を体系的にキャプチャする。
LWRトラヒックフローモデルを用いた実験から,リングロードネットワークと都市信号化道路の密度動態の予測に優れた精度が得られた。
また,2~3ドルの車両待ち行列と1~2ドルの交通信号サイクルからなる単純な交通密度ダイナミクスを用いてオペレータを訓練することができ,不均質な車両待ち行列分布と複数の交通信号サイクルの密度ダイナミクスを許容可能な誤差で予測できることがわかった。
モデルアーキテクチャとトレーニングデータの適切な選択のために、外挿誤差は入力複雑性とともに線形に増大した。
特に周期境界データの問題に対する長期交通密度ダイナミクスの学習を支援する物理正規化器の追加。
関連論文リスト
- Graph Construction with Flexible Nodes for Traffic Demand Prediction [44.1996864038085]
本稿では,自由フローティング交通モードに適したグラフ構築手法を提案する。
グラフ内のノードのフレキシブルな位置決めを決定するために,新しい密度ベースクラスタリングアルゴリズム (HDPC-L) を提案する。
深セン自転車シェアリングデータセットとハイコウライドシェアリングデータセットの2つの実世界のデータセットに関する総合的な実験は、この手法がモデルの性能を大幅に改善することを示している。
論文 参考訳(メタデータ) (2024-03-01T04:38:51Z) - Learning "Look-Ahead" Nonlocal Traffic Dynamics in a Ring Road [2.2481284426718533]
基礎図とルックアヘッドカーネルを学習するために,物理インフォームドニューラルネットワークを開発した。
学習した非局所LWRは,3つの異なるシナリオにおいて,より正確な交通波伝搬予測が得られることを示す。
論文 参考訳(メタデータ) (2023-12-05T14:00:32Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳(メタデータ) (2023-09-01T16:59:21Z) - Traffic incident duration prediction via a deep learning framework for
text description encoding [9.424574945499842]
本稿では,限られた情報から入射時間を予測するための新しい融合フレームワークを提案する。
申請地域はサンフランシスコ市であり、交通事故記録と過去の交通渋滞情報の両方が豊富である。
論文 参考訳(メタデータ) (2022-09-19T03:16:13Z) - 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) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳(メタデータ) (2021-09-29T07:51:49Z) - 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) - A Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳(メタデータ) (2020-12-21T17:39:51Z) - 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) - 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)
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。