論文の概要: Learning "Look-Ahead" Nonlocal Traffic Dynamics in a Ring Road
- arxiv url: http://arxiv.org/abs/2312.02770v1
- Date: Tue, 5 Dec 2023 14:00:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 15:30:26.874891
- Title: Learning "Look-Ahead" Nonlocal Traffic Dynamics in a Ring Road
- Title（参考訳）: 環状道路における非局所交通力学の「Look-Ahead」学習
- Authors: Chenguang Zhao, Huan Yu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.2481284426718533
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The macroscopic traffic flow model is widely used for traffic control and
management. To incorporate drivers' anticipative behaviors and to remove
impractical speed discontinuity inherent in the classic
Lighthill-Whitham-Richards (LWR) traffic model, nonlocal partial differential
equation (PDE) models with ``look-ahead" dynamics have been proposed, which
assume that the speed is a function of weighted downstream traffic density.
However, it lacks data validation on two important questions: whether there
exist nonlocal dynamics, and how the length and weight of the ``look-ahead"
window affect the spatial temporal propagation of traffic densities. In this
paper, we adopt traffic trajectory data from a ring-road experiment and design
a physics-informed neural network to learn the fundamental diagram and
look-ahead kernel that best fit the data, and reinvent a data-enhanced nonlocal
LWR model via minimizing the loss function combining the data discrepancy and
the nonlocal model discrepancy. Results show that the learned nonlocal LWR
yields a more accurate prediction of traffic wave propagation in three
different scenarios: stop-and-go oscillations, congested, and free traffic. We
first demonstrate the existence of ``look-ahead" effect with real traffic data.
The optimal nonlocal kernel is found out to take a length of around 35 to 50
meters, and the kernel weight within 5 meters accounts for the majority of the
nonlocal effect. Our results also underscore the importance of choosing a
priori physics in machine learning models.
- Abstract（参考訳）: マクロトラヒックフローモデルは交通制御と管理に広く使われている。
To incorporate drivers' anticipative behaviors and to remove impractical speed discontinuity inherent in the classic Lighthill-Whitham-Richards (LWR) traffic model, nonlocal partial differential equation (PDE) models with ``look-ahead" dynamics have been proposed, which assume that the speed is a function of weighted downstream traffic density. However, it lacks data validation on two important questions: whether there exist nonlocal dynamics, and how the length and weight of the ``look-ahead" window affect the spatial temporal propagation of traffic densities.
本稿では,リングロード実験によるトラヒックトラジェクトリデータを採用し,物理インフォームドニューラルネットワークを設計し,データに最も適合する基本図とルックアヘッドカーネルを学習し,データ差分と非局所モデル差分を組み合わせた損失関数を最小化することにより,データ強化された非局所LWRモデルを再発明する。
その結果, 学習した非局所LWRは, 停止振動, 混雑, 自由交通の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を行うことがわかった。
まず,実際のトラヒックデータを用いて`look-ahead'効果の存在を実証する。
最適非局所核の長さは35mから50m程度であり、5m以内の核重量が非局所効果の大部分を占めることが判明した。
また,機械学習モデルにおける優先物理の選択の重要性も強調した。
関連論文リスト
- Fourier neural operator for learning solutions to macroscopic traffic
flow models: Application to the forward and inverse problems [7.429546479314462]
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。
論文 参考訳（メタデータ） (2023-08-14T10:22:51Z) - Newell's theory based feature transformations for spatio-temporal
traffic prediction [0.0]
本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。
この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。
私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
論文 参考訳（メタデータ） (2023-07-12T06:31:43Z) - FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph [10.675666104503119]
本稿では,詳細な深部交通推論をedIと呼ぶ。
道路間の関係をモデル化するために,交通信号に基づくきめ細かい交通グラフを構築した。
私たちは、都市レベルのきめ細かい交通予測を最初に実施しました。
論文 参考訳（メタデータ） (2023-06-19T14:03:42Z) - 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) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳（メタデータ） (2022-03-23T11:33:27Z) - 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) - 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) - 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)
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。