論文の概要: Closed-Loop Neural Operator-Based Observer of Traffic Density

• arxiv url: http://arxiv.org/abs/2504.04873v1
• Date: Mon, 07 Apr 2025 09:28:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 20:41:12.642264
• Title: Closed-Loop Neural Operator-Based Observer of Traffic Density
• Title（参考訳）: 閉ループ型ニューラル演算子を用いた交通密度オブザーバ
• Authors: Alice Harting, Karl Henrik Johansson, Matthieu Barreau,
• Abstract要約: 静止路側センサからのスパース計測による交通密度推定の問題点を考察する。 提案手法はフーリエ・ニューラル演算子を用いて高忠実度顕微鏡レベルのシミュレーションからマクロなトラフィックフローのダイナミクスを学習する。 ループを閉じるために、予測密度とセンサからのスパース測定を組み合わせた補正演算子と開ループ演算子を結合する。
• 参考スコア（独自算出の注目度）: 6.432798111887824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of traffic density estimation with sparse measurements from stationary roadside sensors. Our approach uses Fourier neural operators to learn macroscopic traffic flow dynamics from high-fidelity microscopic-level simulations. During inference, the operator functions as an open-loop predictor of traffic evolution. To close the loop, we couple the open-loop operator with a correction operator that combines the predicted density with sparse measurements from the sensors. Simulations with the SUMO software indicate that, compared to open-loop observers, the proposed closed-loop observer exhibit classical closed-loop properties such as robustness to noise and ultimate boundedness of the error. This shows the advantages of combining learned physics with real-time corrections, and opens avenues for accurate, efficient, and interpretable data-driven observers.
• Abstract（参考訳）: 静止路側センサからのスパース計測による交通密度推定の問題点を考察する。 提案手法はフーリエ・ニューラル演算子を用いて高忠実度顕微鏡レベルのシミュレーションからマクロなトラフィックフローのダイナミクスを学習する。 推論中、オペレータは、トラフィック進化のオープンループ予測器として機能する。 ループを閉じるために、予測密度とセンサからのスパース測定を組み合わせた補正演算子と開ループ演算子を結合する。 SUMOソフトウェアを用いたシミュレーションは、オープンループオブザーバと比較して、ノイズに対するロバスト性や誤差の最終的な有界性といった古典的な閉ループ特性を示すことを示している。 これは、学習した物理とリアルタイムの補正を組み合わせる利点を示し、正確で効率的で解釈可能なデータ駆動オブザーバのための道を開く。

関連論文リスト

• Online Traffic Density Estimation using Physics-Informed Neural Networks [5.888531936968298]
  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。
  論文  参考訳（メタデータ） (2025-04-04T14:41:22Z)
• ON-Traffic: An Operator Learning Framework for Online Traffic Flow Estimation and Uncertainty Quantification from Lagrangian Sensors [0.0]
  この研究は、新しいディープ演算子であるOn-Trafficを導入し、トラフィック状態のオンライン推定に適した水平方向学習ベースのフレームワークを提案する。 本フレームワークは,不規則でスパースな入力データを処理し,時間シフトに適応し,精度の高い不確実性推定を行うことのできる,数値データとシミュレーションデータの両方で評価される。 その結果, 衝撃波や混雑伝播などの複雑な交通シナリオを捉えるとともに, 騒音やセンサの落下に対する堅牢性を維持していることがわかった。
  論文  参考訳（メタデータ） (2025-03-18T09:13:24Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
  軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。 現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。 本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-09T20:32:49Z)
• 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)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Traffic Flow Prediction via Variational Bayesian Inference-based Encoder-Decoder Framework [1.181206257787103]
  本稿では,変分ベイズ推定に基づくディープエンコーダ・デコーダ予測フレームワークを提案する。 ベイズニューラルネットワークは、変分推論とゲートリカレントユニット(GRU)を組み合わせて構築され、エンコーダ・デコーダフレームワークのディープニューラルネットワークユニットとして使用される。 提案手法は, 広州市の都市交通フローデータセットにおいて, ベンチマークよりも優れた予測性能を実現する。
  論文  参考訳（メタデータ） (2022-12-14T12:39:47Z)
• 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)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Learning Operators with Coupled Attention [9.715465024071333]
  本稿では,近年の注目機構の成功を動機とした,新しい演算子学習手法であるLOCAを提案する。 我々のアーキテクチャでは、入力関数は有限個の特徴にマッピングされ、その特徴は出力クエリの場所に依存する注意重みで平均化される。 これらの注意重みを積分変換と組み合わせることで、LOCAは目標出力関数の相関関係を明示的に学習することができる。
  論文  参考訳（メタデータ） (2022-01-04T08:22:03Z)

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。