論文の概要: Online Traffic Density Estimation using Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2504.03483v1
• Date: Fri, 04 Apr 2025 14:41:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 14:47:16.907651
• Title: Online Traffic Density Estimation using 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を用いたオンライン交通密度推定
• Authors: Dennis Wilkman, Kateryna Morozovska, Karl Henrik Johansson, Matthieu Barreau,
• Abstract要約: 本稿では,プローブ車からの測定値を用いた交通密度のオンライン近似手法を提案する。 提案手法は,空間内におけるリアルタイムトラフィック密度を連続的に推定し,各測定値のモデル同定を行う。
• 参考スコア（独自算出の注目度）: 5.888531936968298
• License:
• Abstract: Recent works on the application of Physics-Informed Neural Networks to traffic density estimation have shown to be promising for future developments due to their robustness to model errors and noisy data. In this paper, we introduce a methodology for online approximation of the traffic density using measurements from probe vehicles in two settings: one using the Greenshield model and the other considering a high-fidelity traffic simulation. The proposed method continuously estimates the real-time traffic density in space and performs model identification with each new set of measurements. The density estimate is updated in almost real-time using gradient descent and adaptive weights. In the case of full model knowledge, the resulting algorithm has similar performance to the classical open-loop one. However, in the case of model mismatch, the iterative solution behaves as a closed-loop observer and outperforms the baseline method. Similarly, in the high-fidelity setting, the proposed algorithm correctly reproduces the traffic characteristics.
• Abstract（参考訳）: 物理インフォームドニューラルネットワークの交通密度推定への応用に関する最近の研究は、エラーやノイズの多いデータに対する堅牢性から、将来の発展に有望であることが示されている。 本稿では,グリーンシールドモデルと高忠実度交通シミュレーションを考慮した2つの環境において,プローブ車両を用いた交通密度のオンライン近似手法を提案する。 提案手法は,空間内におけるリアルタイムトラフィック密度を連続的に推定し,各測定値のモデル同定を行う。 密度推定は、勾配降下と適応重みを用いてほぼリアルタイムで更新される。 完全なモデル知識の場合、結果として得られるアルゴリズムは古典的なオープンループと同様の性能を持つ。 しかし、モデルミスマッチの場合、反復解は閉ループオブザーバとして振る舞い、ベースライン法より優れる。 同様に、高忠実度設定では、提案アルゴリズムは交通特性を正しく再現する。

関連論文リスト

• Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
  トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。 スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。 その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
  論文  参考訳（メタデータ） (2025-02-03T14:23:23Z)
• DEEGITS: Deep Learning based Framework for Measuring Heterogenous Traffic State in Challenging Traffic Scenarios [0.0]
  本稿では,DeEGITS(Deep Heterogeneous Traffic State Measurement)を提案する。これは最先端の畳み込みニューラルネットワーク(CNN)技術を利用して,車両や歩行者を正確にかつ迅速に検出する包括的フレームワークである。 本研究では,データ融合によるトレーニングデータセットを強化し,車両と歩行者の同時検出を可能にする。 このフレームワークは混合交通条件における異種交通状態を測定するために試験される。
  論文  参考訳（メタデータ） (2024-11-13T04:49:32Z)
• 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)
• Event-Aided Time-to-Collision Estimation for Autonomous Driving [28.13397992839372]
  ニューロモルフィックなイベントベースカメラを用いて衝突時刻を推定する新しい手法を提案する。 提案アルゴリズムは, 事象データに適合する幾何モデルに対して, 効率的かつ高精度な2段階のアプローチで構成する。 合成データと実データの両方の実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-10T02:37:36Z)
• 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)
• 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)
• Short-term traffic prediction using physics-aware neural networks [0.0]
  道路上の車両のフラックスの短期予測を行うアルゴリズムを提案する。 このアルゴリズムは物理を意識したリカレントニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2021-09-21T15:31:33Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Spatio-Temporal Look-Ahead Trajectory Prediction using Memory Neural Network [6.065344547161387]
  本論文では,記憶神経ネットワークと呼ばれる新しい繰り返しニューラルネットワークを用いて,時空間的視線軌道予測の問題を解くことを試みる。 提案手法は計算量が少なく,LSTMやGRUを用いた他のディープラーニングモデルと比較すると,単純なアーキテクチャである。
  論文  参考訳（メタデータ） (2021-02-24T05:02:19Z)
• Incorporating Kinematic Wave Theory into a Deep Learning Method for High-Resolution Traffic Speed Estimation [3.0969191504482243]
  本研究では, 波動に基づく深部畳み込みニューラルネットワーク(Deep CNN)を提案し, スパースプローブ車両軌道から高分解能交通速度のダイナミクスを推定する。 我々は,既存の学習に基づく推定手法の堅牢性を改善するために,運動波理論の原理を取り入れるための2つの重要なアプローチを導入する。
  論文  参考訳（メタデータ） (2021-02-04T21:51:25Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。