論文の概要: Incorporating Nonlocal Traffic Flow Model in Physics-informed Neural Networks

• arxiv url: http://arxiv.org/abs/2308.11818v1
• Date: Tue, 22 Aug 2023 22:41:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-24 16:26:01.544996
• Title: Incorporating Nonlocal Traffic Flow Model in Physics-informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークにおける非局所交通流モデルの導入
• Authors: Archie J. Huang, Animesh Biswas, Shaurya Agarwal
• Abstract要約: 非局所LWRモデルを組み込んだ新しいPIDLフレームワークを提案する。 固定長カーネルと可変長カーネルの両方を導入し、必要な数学を開発する。 その結果, 局所LWRモデルを用いたPIDL法の改良が示された。
• 参考スコア（独自算出の注目度）: 0.15346678870160887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This research contributes to the advancement of traffic state estimation methods by leveraging the benefits of the nonlocal LWR model within a physics-informed deep learning framework. The classical LWR model, while useful, falls short of accurately representing real-world traffic flows. The nonlocal LWR model addresses this limitation by considering the speed as a weighted mean of the downstream traffic density. In this paper, we propose a novel PIDL framework that incorporates the nonlocal LWR model. We introduce both fixed-length and variable-length kernels and develop the required mathematics. The proposed PIDL framework undergoes a comprehensive evaluation, including various convolutional kernels and look-ahead windows, using data from the NGSIM and CitySim datasets. The results demonstrate improvements over the baseline PIDL approach using the local LWR model. The findings highlight the potential of the proposed approach to enhance the accuracy and reliability of traffic state estimation, enabling more effective traffic management strategies.
• Abstract（参考訳）: 本研究では,物理インフォームドディープラーニングフレームワークにおける非局所LWRモデルの利点を活用することにより,交通状態推定手法の進歩に寄与する。 古典的なLWRモデルは有用ではあるが、現実の交通の流れを正確に表現するには不十分である。 非局所LWRモデルは、下流の交通密度の重み付け平均として速度を考慮し、この制限に対処する。 本稿では,非局所LWRモデルを組み込んだ新しいPIDLフレームワークを提案する。 固定長カーネルと可変長カーネルの両方を導入し、必要な数学を開発する。 提案したPIDLフレームワークは,NGSIMおよびCitySimデータセットのデータを用いて,さまざまな畳み込みカーネルやルックアヘッドウィンドウを含む包括的な評価を行う。 その結果, 局所LWRモデルを用いたPIDL法の改良が示された。 提案手法が交通状態推定の精度と信頼性を高める可能性を示し,より効果的な交通管理戦略を実現する。

関連論文リスト

• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• Deep Learning Methods for Adjusting Global MFD Speed Estimations to Local Link Configurations [4.2185937778110825]
  本研究では,MFDに基づくネットワーク平均速度とネットワーク構成を統合し,リンクの個々の速度を正確に推定するローカル補正係数(LCF)を提案する。 ネットワークの空間的構成と時間的ダイナミクスの両方をキャプチャするために、新しいディープラーニングフレームワークを使用します。 本モデルは,集約モデルの計算的利点を保ちながら,リンクレベルの交通速度推定の精度を向上させる。
  論文  参考訳（メタデータ） (2024-05-23T07:37:33Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• 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)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Physics Informed Deep Learning: Applications in Transportation [1.1929584800629671]
  近年の機械学習 - 物理インフォームド・ディープ・ラーニング (PIDL) - は、交通状態推定などの輸送アプリケーションに特有の利点をもたらす。 本稿では,まず,交通流理論の保存則を物理として説明し,PIDLニューラルネットワークのアーキテクチャを示し,未観測領域の交通条件を学習する上での有効性を実証する。
  論文  参考訳（メタデータ） (2023-02-23T21:07:00Z)
• 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)
• 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)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)
• Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
  ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。 チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。 最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-02-24T22:18:54Z)
• FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for Optical Flow Estimation [72.41370576242116]
  フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。 ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。 実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-01-17T07:13:51Z)

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。