論文の概要: A Physics-informed Deep Operator for Real-Time Freeway Traffic State Estimation

• arxiv url: http://arxiv.org/abs/2508.08002v1
• Date: Mon, 11 Aug 2025 14:07:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.133103
• Title: A Physics-informed Deep Operator for Real-Time Freeway Traffic State Estimation
• Title（参考訳）: リアルタイム高速道路交通状態推定のための物理インフォームド深部演算子
• Authors: Hongxin Yu, Yibing Wang, Fengyue Jin, Meng Zhang, Anni Chen,
• Abstract要約: 交通状態推定(TSE)は、モデル駆動、データ駆動、モデル駆動の3つのカテゴリに分類される。 本稿では,物理インフォームド・ディープ・オペレーターネットワーク(PI-DeepONet)におけるリアルタイム高速道路TSEの研究を提案する。
• 参考スコア（独自算出の注目度）: 7.746522003596586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic state estimation (TSE) falls methodologically into three categories: model-driven, data-driven, and model-data dual-driven. Model-driven TSE relies on macroscopic traffic flow models originated from hydrodynamics. Data-driven TSE leverages historical sensing data and employs statistical models or machine learning methods to infer traffic state. Model-data dual-driven traffic state estimation attempts to harness the strengths of both aspects to achieve more accurate TSE. From the perspective of mathematical operator theory, TSE can be viewed as a type of operator that maps available measurements of inerested traffic state into unmeasured traffic state variables in real time. For the first time this paper proposes to study real-time freeway TSE in the idea of physics-informed deep operator network (PI-DeepONet), which is an operator-oriented architecture embedding traffic flow models based on deep neural networks. The paper has developed an extended architecture from the original PI-DeepONet. The extended architecture is featured with: (1) the acceptance of 2-D data input so as to support CNN-based computations; (2) the introduction of a nonlinear expansion layer, an attention mechanism, and a MIMO mechanism; (3) dedicated neural network design for adaptive identification of traffic flow model parameters. A traffic state estimator built on the basis of this extended PI-DeepONet architecture was evaluated with respect to a short freeway stretch of NGSIM and a large-scale urban expressway in China, along with other four baseline TSE methods. The evaluation results demonstrated that this novel TSE method outperformed the baseline methods with high-precision estimation results of flow and mean speed.
• Abstract（参考訳）: 交通状態推定(TSE)は、モデル駆動、データ駆動、モデル駆動の3つのカテゴリに分類される。 モデル駆動型TSEは流体力学に由来するマクロな交通流モデルに依存している。 データ駆動型TSEは、過去のセンシングデータを活用し、統計モデルまたは機械学習手法を使用してトラフィック状態を推測する。 モデル-データ二重駆動交通状態推定は,両面の強みを利用してより正確なTSEを実現する。 数学的作用素論の観点からは、TSEは、不活性なトラフィック状態の可利用な測定を、リアルタイムで未測定のトラフィック状態変数にマッピングする演算子の一種と見なすことができる。 本稿では,深層ニューラルネットワークに基づく交通流モデル埋め込み型演算子指向アーキテクチャである物理インフォームド・ディープ・オペレーターネットワーク(PI-DeepONet)のアイデアとして,初めてリアルタイム高速道路TSEを研究することを提案する。 論文は、元々のPI-DeepONetから拡張アーキテクチャを開発した。 拡張アーキテクチャは,(1)CNNベースの計算をサポートするための2次元データ入力の受け入れ,(2)非線形展開層の導入,注意機構,MIMO機構の導入,(3)交通流モデルパラメータの適応同定のための専用ニューラルネットワーク設計を特徴とする。 この拡張PI-DeepONetアーキテクチャに基づいて構築された交通状態推定器を,中国におけるNGSIMと大規模都市高速道路の短距離高速道路と,他の4つのベースラインTSE手法を用いて評価した。 評価結果から, この新しいTSE法は, 流速, 平均速度を高精度に推定し, ベースライン法よりも優れた性能を示した。

関連論文リスト

• A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections [0.6215404942415159]
  本研究では,交差点での移動予測を回転させる多グラフ畳み込みニューラルネットワーク(MGCNN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案アーキテクチャは,トラフィックデータの時間変動をモデル化する多グラフ構造と,グラフ上のトラフィックデータの空間変動をモデル化するためのスペクトル畳み込み演算を組み合わせた。 モデルが1, 2, 3, 4, 5分後に短期予測を行う能力は,4つのベースライン・オブ・ザ・アーティファクトモデルに対して評価された。
  論文  参考訳（メタデータ） (2024-06-02T05:41:25Z)
• Energy-Guided Data Sampling for Traffic Prediction with Mini Training Datasets [13.065729535009925]
  本稿では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャを融合して、トラフィックフローのダイナミクスを予測する革新的なソリューションを提案する。 本研究の重要な成果は,小規模な交通システムを対象としたシミュレーションから,大規模交通システムのトレーニングデータをサンプリングできることである。
  論文  参考訳（メタデータ） (2024-03-27T15:57:42Z)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic Condition Prediction [8.255993195520306]
  本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。 まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
  論文  参考訳（メタデータ） (2021-08-05T07:42:43Z)
• Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
  ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。 このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。 実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-17T12:19:22Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• 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)
• 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)

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。