論文の概要: An LSTM-PINN Hybrid Method to the specific problem of population forecasting

• arxiv url: http://arxiv.org/abs/2505.01819v1
• Date: Sat, 03 May 2025 13:50:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.284307
• Title: An LSTM-PINN Hybrid Method to the specific problem of population forecasting
• Title（参考訳）: 人口予測の具体的な問題に対するLSTM-PINNハイブリッド手法
• Authors: Ze Tao,
• Abstract要約: 2024年から2054年までの人口増加をシミュレートするために、政策対応の肥育関数を輸送反応偏微分方程式に組み込む。 標準のPINNモデルは、コロケーションベースのトレーニングを通じて、支配方程式と境界条件を強制する。 LSTM-PINNフレームワークはシーケンシャルメモリ機構を統合し、時間領域における長距離依存関係を効果的にキャプチャする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has emerged as a powerful tool in scientific modeling, particularly for complex dynamical systems; however, accurately capturing age-structured population dynamics under policy-driven fertility changes remains a significant challenge due to the lack of effective integration between domain knowledge and long-term temporal dependencies. To address this issue, we propose two physics-informed deep learning frameworks--PINN and LSTM-PINN--that incorporate policy-aware fertility functions into a transport-reaction partial differential equation to simulate population evolution from 2024 to 2054. The standard PINN model enforces the governing equation and boundary conditions via collocation-based training, enabling accurate learning of underlying population dynamics and ensuring stable convergence. Building on this, the LSTM-PINN framework integrates sequential memory mechanisms to effectively capture long-range dependencies in the age-time domain, achieving robust training performance across multiple loss components. Simulation results under three distinct fertility policy scenarios-the Three-child policy, the Universal two-child policy, and the Separate two-child policy--demonstrate the models' ability to reflect policy-sensitive demographic shifts and highlight the effectiveness of integrating domain knowledge into data-driven forecasting. This study provides a novel and extensible framework for modeling age-structured population dynamics under policy interventions, offering valuable insights for data-informed demographic forecasting and long-term policy planning in the face of emerging population challenges.
• Abstract（参考訳）: 深層学習は、特に複雑な力学系において、科学的モデリングにおいて強力なツールとして登場したが、しかしながら、政策駆動の肥大化変化の下で、年齢構造を持つ人口動態を正確に捉えることは、ドメイン知識と長期の時間的依存との効果的な統合が欠如しているため、大きな課題である。 この問題に対処するため,2024年から2054年までの人口増加をシミュレートするために,政策対応の肥大度関数を輸送反応偏微分方程式に組み込んだ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--PINNとLSTM-PINNを提案する。 標準のPINNモデルは、コロケーションベースのトレーニングを通じて支配方程式と境界条件を強制し、基礎となる人口動態の正確な学習を可能にし、安定した収束を確保する。 これに基づいて、LSTM-PINNフレームワークはシーケンシャルメモリ機構を統合し、時間領域における長距離依存関係を効果的にキャプチャし、複数のロスコンポーネント間で堅牢なトレーニングパフォーマンスを実現する。 3子政策、ユニバーサル2子政策、分離2子政策の3つの異なる生殖政策シナリオに基づくシミュレーションの結果は、政策に敏感な人口動態の変化を反映するモデルの能力を実証し、データ駆動予測にドメイン知識を統合する効果を強調する。 本研究は、人口動態を政策介入下でモデル化するための新しい拡張可能な枠組みを提供し、人口問題に直面したデータインフォームド人口予測と長期政策計画に価値ある洞察を提供する。

関連論文リスト

• MF-LLM: Simulating Collective Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
  Mean-Field LLM (MF-LLM) フレームワークは、マイクロレベルの決定とマクロレベルの集団の間のフィードバックループを明示的にモデル化する。 MF-LLMは、個人状態とグループレベルの情報に基づいて個別の行動を生成するポリシーモデルと、人口分布を更新する平均フィールドモデルである。 実世界の社会データセット上でMF-LLMを評価し,非平均場ベースラインに対するKLの人口分布への分散を47%削減する。
  論文  参考訳（メタデータ） (2025-04-30T12:41:51Z)
• COMBO-Grasp: Learning Constraint-Based Manipulation for Bimanual Occluded Grasping [56.907940167333656]
  集積ロボットグルーピングは、表面衝突などの環境制約により、所望のグルーピングポーズが運動的に不可能な場所である。 従来のロボット操作アプローチは、人間が一般的に使用する非包括的または双対的戦略の複雑さに苦しむ。 本稿では,2つの協調ポリシーを活用する学習ベースアプローチであるCOMBO-Grasp(Constraint-based Manipulation for Bimanual Occluded Grasping)を紹介する。
  論文  参考訳（メタデータ） (2025-02-12T01:31:01Z)
• Imitation Learning from Observations: An Autoregressive Mixture of Experts Approach [2.4427666827706074]
  本稿では,観察から得られた模倣学習の新たなアプローチとして,専門家モデルの自己回帰混合を,その基礎となる方針に適合させる手法を提案する。 提案手法の有効性を,人間の実演から収集した2つの自律走行データセットを用いて検証した。
  論文  参考訳（メタデータ） (2024-11-12T22:56:28Z)
• Learning from Demonstration with Implicit Nonlinear Dynamics Models [16.26835655544884]
  本研究では、時間的ダイナミクスをモデル化するための可変な動的特性を持つ固定非線形力学系を含むリカレントニューラルネットワーク層を開発する。 LASA Human Handwriting データセットを用いて人間の手書き動作を再現する作業において,ニューラルネットワーク層の有効性を検証する。
  論文  参考訳（メタデータ） (2024-09-27T14:12:49Z)
• Decision Mamba: A Multi-Grained State Space Model with Self-Evolution Regularization for Offline RL [57.202733701029594]
  本稿では,自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 これらの課題に対処するため、我々は自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 雑音性軌道上における過度に適合する問題を緩和するために,進行正則化を用いて自己進化政策を提案する。
  論文  参考訳（メタデータ） (2024-06-08T10:12:00Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
  人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。 本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。 理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-01-31T20:58:47Z)
• Data-efficient visuomotor policy training using reinforcement learning and generative models [27.994338318811952]
  本稿では,ビジュモータの逐次的意思決定問題を解決するためのデータ効率フレームワークを提案する。 我々は強化学習と潜在変数生成モデルの組み合わせを利用する。
  論文  参考訳（メタデータ） (2020-07-26T14:19:00Z)

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。