論文の概要: Diff-SPORT: Diffusion-based Sensor Placement Optimization and Reconstruction of Turbulent flows in urban environments
- arxiv url: http://arxiv.org/abs/2506.00214v1
- Date: Fri, 30 May 2025 20:41:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-04 21:47:32.50821
- Title: Diff-SPORT: Diffusion-based Sensor Placement Optimization and Reconstruction of Turbulent flows in urban environments
- Title（参考訳）: Diff-Sport:拡散型センサ配置最適化と都市環境における乱流の再構築
- Authors: Abhijeet Vishwasrao, Sai Bharath Chandra Gutha, Andres Cremades, Klas Wijk, Aakash Patil, Catherine Gorle, Beverley J McKeon, Hossein Azizpour, Ricardo Vinuesa,
- Abstract要約: Diff-Sportは、都市環境における高忠実度流れの再構築と最適センサ配置のための拡散に基づくフレームワークである。
従来の数値法と比較して、Diff-SPORTは統計的および瞬時流の忠実さを維持しながら、大幅な高速化を実現している。
- 参考スコア（独自算出の注目度）: 3.7467506441654677
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Rapid urbanization demands accurate and efficient monitoring of turbulent wind patterns to support air quality, climate resilience and infrastructure design. Traditional sparse reconstruction and sensor placement strategies face major accuracy degradations under practical constraints. Here, we introduce Diff-SPORT, a diffusion-based framework for high-fidelity flow reconstruction and optimal sensor placement in urban environments. Diff-SPORT combines a generative diffusion model with a maximum a posteriori (MAP) inference scheme and a Shapley-value attribution framework to propose a scalable and interpretable solution. Compared to traditional numerical methods, Diff-SPORT achieves significant speedups while maintaining both statistical and instantaneous flow fidelity. Our approach offers a modular, zero-shot alternative to retraining-intensive strategies, supporting fast and reliable urban flow monitoring under extreme sparsity. Diff-SPORT paves the way for integrating generative modeling and explainability in sustainable urban intelligence.
- Abstract（参考訳）: 急速な都市化は、大気の質、気候の回復力、インフラ設計を支援するために、乱流風パターンの正確かつ効率的なモニタリングを要求する。
従来のスパース再建とセンサ配置戦略は、実用上の制約の下で大きな精度低下に直面している。
本稿では,都市環境における高忠実度フロー再構成と最適センサ配置のための拡散型フレームワークであるDiff-Sportを紹介する。
Diff-SPORTは、生成拡散モデルと最大後続推定スキームとShapley値属性フレームワークを組み合わせることで、スケーラブルで解釈可能なソリューションを提案する。
従来の数値法と比較して、Diff-SPORTは統計的および瞬時流の忠実さを維持しながら、大幅な高速化を実現している。
当社のアプローチは,過度な間隔で高速で信頼性の高い都市流モニタリングをサポートするため,再訓練型戦略に代わるモジュール式でゼロショットの代替手段を提供する。
Diff-Sportは、持続可能な都市インテリジェンスに生成的モデリングと説明可能性を統合するための道を開いた。
関連論文リスト
- FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。
拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。
少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文 参考訳（メタデータ） (2025-05-23T00:07:59Z) - Evaluating Time Series Models for Urban Wastewater Management: Predictive Performance, Model Complexity and Resilience [1.0499611180329806]
気候変動は極端な降雨頻度を増大させ、特に複合下水道システム(CSS)の都市インフラに大きな歪みを生じさせる
汚染されたCSSからの過剰流出は未処理の排水を表層水に放出し、環境と公衆衛生のリスクを生じさせる。
従来の物理学に基づくモデルは効果的であるが、維持には費用がかかり、進化するシステムの力学に適応することが困難である。
機械学習アプローチは、より適応性の高いコスト効率の良い代替手段を提供する。
論文 参考訳（メタデータ） (2025-04-24T11:52:13Z) - Generalization of Urban Wind Environment Using Fourier Neural Operator Across Different Wind Directions and Cities [3.161712948860127]
本研究では,風向と都市レイアウトの異なる流れ場予測におけるフーリエニューラル演算子(FNO)モデルの有効性について検討した。
大規模なエドディシミュレーションデータから速度データを学習することにより,異なる都市環境と風環境下でのモデルの性能を評価する。
その結果,FNOモデルでは正確な予測が可能であり,計算時間を99%削減できることがわかった。
論文 参考訳（メタデータ） (2025-01-09T18:02:12Z) - Pedestrian Volume Prediction Using a Diffusion Convolutional Gated Recurrent Unit Model [4.050741108304134]
本研究では,Deffusion Convolutional Grated Recurrent Unit(DCGRU)の拡張として,Deffusion Convolutional Grated Recurrent Unit(DCGRU)の拡張モデルを提案する。
提案手法は,従来のベクトル自己回帰モデルと元のDCGRUとを,複数のモデル精度指標で比較した。
論文 参考訳（メタデータ） (2024-11-05T02:40:43Z) - 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) - FlowIE: Efficient Image Enhancement via Rectified Flow [71.6345505427213]
FlowIEはフローベースのフレームワークであり、基本的な分布から高品質な画像への直線パスを推定する。
私たちのコントリビューションは、合成および実世界のデータセットに関する包括的な実験を通じて、厳密に検証されています。
論文 参考訳（メタデータ） (2024-06-01T17:29:29Z) - TransFlower: An Explainable Transformer-Based Model with Flow-to-Flow
Attention for Commuting Flow Prediction [18.232085070775835]
通勤パターンの予測にフロー・ツー・フロー・アテンションを用いた,説明可能なトランスフォーマーベースのモデルであるTransFlowerを紹介した。
我々のモデルは、既存の手法を最大30.8%のCommon Part of Commutersで上回ります。
論文 参考訳（メタデータ） (2024-02-23T16:00:04Z) - Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。
本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T03:08:28Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z)
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。