論文の概要: Unlocking the Invisible Urban Traffic Dynamics under Extreme Weather: A New Physics-Constrained Hamiltonian Learning Algorithm

• arxiv url: http://arxiv.org/abs/2512.03744v1
• Date: Wed, 03 Dec 2025 12:42:40 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:06:03.124047
• Title: Unlocking the Invisible Urban Traffic Dynamics under Extreme Weather: A New Physics-Constrained Hamiltonian Learning Algorithm
• Title（参考訳）: 極端気象下における可視的都市交通動態の解法:物理制約ハミルトニアン学習アルゴリズム
• Authors: Xuhui Lin, Qiuchen Lu,
• Abstract要約: 都市交通システムでは、極端な天候によるレジリエンスの課題が増大している。 現在の評価方法は、隠れた構造的損傷を見逃す表面レベルの回復指標に依存している。 我々のフレームワークは、表面メトリクスを誤解させるのではなく、真のシステムの健全性に基づくインフラ投資を可能にする、積極的な構造リスク評価のためのツールを提供する。
• 参考スコア（独自算出の注目度）: 1.0312968200748118
• License:
• Abstract: Urban transportation systems face increasing resilience challenges from extreme weather events, but current assessment methods rely on surface-level recovery indicators that miss hidden structural damage. Existing approaches cannot distinguish between true recovery and "false recovery," where traffic metrics normalize, but the underlying system dynamics permanently degrade. To address this, a new physics-constrained Hamiltonian learning algorithm combining "structural irreversibility detection" and "energy landscape reconstruction" has been developed. Our approach extracts low-dimensional state representations, identifies quasi-Hamiltonian structures through physics-constrained optimization, and quantifies structural changes via energy landscape comparison. Analysis of London's extreme rainfall in 2021 demonstrates that while surface indicators were fully recovered, our algorithm detected 64.8\% structural damage missed by traditional monitoring. Our framework provides tools for proactive structural risk assessment, enabling infrastructure investments based on true system health rather than misleading surface metrics.
• Abstract（参考訳）: 都市交通システムでは、極端な気象イベントによるレジリエンスの課題が増えているが、現在の評価手法は、隠れた構造的損傷を見逃す表面レベルの回復指標に依存している。 既存のアプローチでは、トラフィックメトリクスが正規化されている真のリカバリと"偽リカバリ"を区別することはできないが、基盤となるシステムのダイナミクスは恒久的に劣化する。 これを解決するために、「構造的不可逆性検出」と「エネルギー的景観再構築」を組み合わせた新しい物理制約付きハミルトン学習アルゴリズムを開発した。 提案手法は,低次元状態表現を抽出し,物理制約付き最適化により準ハミルトン構造を同定し,エネルギーランドスケープ比較により構造変化を定量化する。 2021年のロンドンの極端な降雨の分析では、表面の指標が完全に回復したにもかかわらず、従来のモニタリングで失われていた64.8\%の構造的損傷が検出された。 我々のフレームワークは、表面メトリクスを誤解させるのではなく、真のシステムの健全性に基づくインフラ投資を可能にする、積極的な構造リスク評価のためのツールを提供する。

関連論文リスト

• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• An Improved Time Series Anomaly Detection by Applying Structural Similarity [17.056935729423667]
  本稿では,新しい構造強化型異常検出手法であるStrADを提案する。 この結果から,StrADは5つの実世界の異常検出データセットにまたがって,最先端の再構築モデルの性能を向上させることを示した。
  論文  参考訳（メタデータ） (2025-09-24T14:45:00Z)
• GraphCSVAE: Graph Categorical Structured Variational Autoencoder for Spatiotemporal Auditing of Physical Vulnerability Towards Sustainable Post-Disaster Risk Reduction [0.5949779668853555]
  物理的脆弱性をモデル化するための新しい確率的データ駆動フレームワークであるGraphCSVAEを紹介する。 本稿では,災害時と社会経済的に不利な2つの地域での物理的脆弱性の分布の変化を反映した,弱教師付き一階遷移行列を提案する。 本研究は,局部的な時間的監査と,災害後のリスク低減のための持続的戦略に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2025-09-12T14:50:56Z)
• Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather [58.4718010073085]
  既存のLiDARセグメンテーションモデルは、悪天候にさらされると精度が低下することが多い。 この課題に対処する最近の手法は、気象シミュレーションやユニバーサル拡張技術によるトレーニングデータの強化に重点を置いている。 本稿では,幾何・反射性の特徴抽出を明示的に分離する新しい幾何・反射性協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-03T03:23:43Z)
• Learning Enhanced Structural Representations with Block-Based Uncertainties for Ocean Floor Mapping [0.0]
  海洋モデルと沿岸のハザード予測は、高解像度の水位測定データに依存する。 現在の全世界のデータセットは、正確な数値シミュレーションには大きすぎる。 本研究は,空間ブロックを用いた局所バスメータの複雑さを効率的に捉えるための,新しい不確実性認識機構を提案する。
  論文  参考訳（メタデータ） (2025-04-19T18:20:08Z)
• SMORE: Simultaneous Map and Object REconstruction [66.66729715211642]
  本稿では,LiDARから大規模都市景観を動的に再現する手法を提案する。 我々は、世界が厳格に動く物体と背景に分解される動的なシーンの構成モデルを総合的に捉え、最適化する。
  論文  参考訳（メタデータ） (2024-06-19T23:53:31Z)
• A physics-informed machine learning model for reconstruction of dynamic loads [0.0]
  本稿では, 物理インフォームド・マシン・ラーニング・フレームワークを用いて, 測定された偏向, 速度, 加速度に基づいて動的力の再構成を行う。 このフレームワークは不完全で汚染されたデータを扱うことができ、ノイズ測定システムを考慮した自然な正規化手法を提供する。 開発されたフレームワークには、設計モデルと仮定、損傷検出と健康モニタリングを支援するための応答の予後が含まれる。
  論文  参考訳（メタデータ） (2023-08-15T18:33:58Z)
• Recurrences reveal shared causal drivers of complex time series [7.6146285961466]
  本研究は,複数時系列にまたがる同時繰り返し現象により,共有された未観測駆動信号の構造が明らかになることを示す。 本稿では,ガラスのような構造を持つ反復グラフを反復的に構築することにより,因果ドライバーを再構成する物理に基づく教師なし学習アルゴリズムを提案する。 本手法は, 生態学, ゲノム学, 流体力学, 生理学にまたがる多様な実験データセットから因果的ドライバを抽出する能力を示す。
  論文  参考訳（メタデータ） (2023-01-31T10:07:23Z)
• Temporally-Coherent Surface Reconstruction via Metric-Consistent Atlases [131.50372468579067]
  再建された表面をニューラルネットワークを用いてアトラスとして表現する。 本手法は,教師なし対応の精度と表面再構成の精度において,その性能を超える結果が得られることを実証的に示す。
  論文  参考訳（メタデータ） (2021-04-14T16:21:22Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。