Fugu-MT 論文翻訳(概要): Physics-informed deep operator network for traffic state estimation

論文の概要: Physics-informed deep operator network for traffic state estimation

arxiv url: http://arxiv.org/abs/2508.12593v1
Date: Mon, 18 Aug 2025 02:59:42 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-19 14:49:10.953536
Title: Physics-informed deep operator network for traffic state estimation
Title（参考訳）: 物理インフォームドディープ演算子ネットワークによる交通状態推定
Authors: Zhihao Li, Ting Wang, Guojian Zou, Ruofei Wang, Ye Li,
Abstract要約: 交通状態推定(TSE)は、騒音の限られた測定値から交通流れのダイナミクスを管理する高次元偏微分方程式(PDE)を根本的に解く。本稿では,TSEを演算子学習問題として再構成した物理インフォームドディープ演算子ネットワークフレームワークを採用する。
参考スコア（独自算出の注目度）: 16.262431071606574
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Traffic state estimation (TSE) fundamentally involves solving high-dimensional spatiotemporal partial differential equations (PDEs) governing traffic flow dynamics from limited, noisy measurements. While Physics-Informed Neural Networks (PINNs) enforce PDE constraints point-wise, this paper adopts a physics-informed deep operator network (PI-DeepONet) framework that reformulates TSE as an operator learning problem. Our approach trains a parameterized neural operator that maps sparse input data to the full spatiotemporal traffic state field, governed by the traffic flow conservation law. Crucially, unlike PINNs that enforce PDE constraints point-wise, PI-DeepONet integrates traffic flow conservation model and the fundamental diagram directly into the operator learning process, ensuring physical consistency while capturing congestion propagation, spatial correlations, and temporal evolution. Experiments on the NGSIM dataset demonstrate superior performance over state-of-the-art baselines. Further analysis reveals insights into optimal function generation strategies and branch network complexity. Additionally, the impact of input function generation methods and the number of functions on model performance is explored, highlighting the robustness and efficacy of proposed framework.
Abstract（参考訳）: 交通状態推定(TSE)は、高次元時空間偏微分方程式(PDE)が、限られた雑音測定からトラフィックフローのダイナミクスを制御している。物理インフォームドニューラルネットワーク(PINN)はPDE制約をポイントワイズで適用するが,本論文では,TSEを演算子学習問題として再構成する物理インフォームドディープ演算子ネットワーク(PI-DeepONet)フレームワークを採用する。提案手法は,スパース入力データを交通流保存法により規定される全時空間交通状態場にマッピングするパラメータ化ニューラル演算子を訓練する。重要なことに、PDE制約をポイントワイズで実施するPINNとは異なり、PI-DeepONetはトラフィックフロー保存モデルと基本図を直接演算子学習プロセスに統合し、混雑伝播、空間的相関、時間的進化を捉えながら物理的な一貫性を確保する。 NGSIMデータセットの実験は、最先端のベースラインよりも優れた性能を示している。さらなる分析は、最適関数生成戦略と分岐ネットワークの複雑さに関する洞察を明らかにする。さらに,入力関数生成手法とモデル性能に対する関数数の影響について検討し,提案フレームワークの堅牢性と有効性を強調した。

関連論文リスト

Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文参考訳（メタデータ） (2025-03-24T03:19:45Z)
Enhanced Vascular Flow Simulations in Aortic Aneurysm via Physics-Informed Neural Networks and Deep Operator Networks [0.0]
PINN,Deep Operator Networks(DeepONets)およびそれらのPhysical-Informed Extension(PI-DeepONets)について検討した。我々は3D Navier-Stokes方程式を統合することにより、AAAの特定のユースケースに対処するアプローチに適応する。それぞれのアプローチの利点と制限は、一連の関連するアプリケーションケースを通して強調されます。
論文参考訳（メタデータ） (2025-03-19T22:38:52Z)
Physics-Informed Latent Neural Operator for Real-time Predictions of Complex Physical Systems [0.0]
本稿では,制御物理を直接学習プロセスに統合する物理インフォームトニューラルネットワークフレームワークPI-Latent-NOを提案する。私たちのアーキテクチャでは、ソリューションの低次元表現を学習するLatent-DeepONetと、この遅延表現を物理空間にマッピングするRestruction-DeepONetという、2つの結合したDeepONetsトレーニングのエンドツーエンドが特徴です。
論文参考訳（メタデータ） (2025-01-14T20:38:30Z)
Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles [48.32593099620544]
交通流推定(TFE)はインテリジェント交通システムにおいて重要である。本稿では,スパース時間生成人工知能(GAI)フレームワークを活用した,新規で費用対効果の高いTFEフレームワークを提案する。このフレームワーク内では、条件エンコーダは初期TFE結果の時空間相関をマイニングする。
論文参考訳（メタデータ） (2024-07-10T20:26:04Z)
DeltaPhi: Learning Physical Trajectory Residual for PDE Solving [54.13671100638092]
我々は,物理軌道残差学習(DeltaPhi)を提案し,定式化する。既存のニューラル演算子ネットワークに基づく残差演算子マッピングのサロゲートモデルについて学習する。直接学習と比較して,PDEの解法には物理残差学習が望ましいと結論づける。
論文参考訳（メタデータ） (2024-06-14T07:45:07Z)
Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
論文参考訳（メタデータ） (2023-12-14T23:53:25Z)
Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文参考訳（メタデータ） (2023-03-03T08:17:47Z)
LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
論文参考訳（メタデータ） (2022-06-19T14:41:08Z)
Robust Learning of Physics Informed Neural Networks [2.86989372262348]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法に有効であることが示されている。本稿では、PINNがトレーニングデータのエラーに敏感であり、これらのエラーをPDEの解領域上で動的に伝播させるのに過度に適合していることを示す。
論文参考訳（メタデータ） (2021-10-26T00:10:57Z)
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)
Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。