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: 翻訳完了
• システム内更新日: 2025-12-04 20:02:55.28899
• 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
• 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: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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

• Robustness Emerges Early in Training Dynamics, but Is Not Preserved [5.69693035365895]
  本稿では,早期の頑健な先進者を安定させるために,トレーニングダイナミクスの戦略的介入を行う枠組みを提案する。 この手法には2つのパラメータフリー戦略が含まれており、モデルアーキテクチャを変更したり、学習可能なパラメータを導入することなく、ロバストな浅層構成を安定化または復元する。
  論文  参考訳（メタデータ） (2026-08-05T04:34:17Z)
• Monitoring Post-Disaster Urban Recovery Using High-Resolution SAR Time Series and Unsupervised Learning: Evidence from the 2023 Türkiye-Syria Earthquake [5.007870105030848]
  本稿では,多時間合成開口レーダ(SAR)観測とディープラーニング異常検出に基づく回復監視のための教師なしフレームワークを提案する。 この枠組みは2023年のトルコ・シリア地震で深刻な被害を受けた4つの都市に適用されている。
  論文  参考訳（メタデータ） (2026-07-27T09:04:23Z)
• TRACER: Training-Free Closed-Loop Structured Inference for Traffic Accident Reconstruction [30.569426567956977]
  交通事故の再建は、不均一な証拠から物理的に一貫した動きを回復する必要がある法医学的逆問題である。 ここでは、閉鎖ループ構造推論プロセスとして再構成を定式化する、トレーニング不要なフレームワークTRACERを提案する。 実世界の事故データを用いた実験では、TRACERは、データ駆動と物理に基づくベースラインの両方において、幾何学的忠実度、速度の整合性、衝突の精度の向上を実現する。
  論文  参考訳（メタデータ） (2026-06-23T16:28:09Z)
• SurgVista: Long-Horizon Surgical World Modeling with Plausible Instrument-Tissue Dynamics [49.771521708359955]
  SurgVistaは、空間的相互作用の不整合と時間的忠実性の崩壊を緩和する外科的世界モデルである。 それは、視覚的品質、時間的一貫性、相互作用の忠実性にまたがる最先端の手法を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-06-18T07:47:28Z)
• Aerodynamic force reconstruction using physics-informed Gaussian processes [0.0]
  本研究では,構造的動的応答の雑音測定から基礎となる空力負荷を再構築する機械学習手法を提案する。 このモデルはオーバーフィッティングを回避し、正規化スキームの必要性を排除し、不均一データと多忠実データの使用を可能にする。 結果は、特にルート平均二乗誤差、等級、位相角、信号のピーク値に関連する、真の負荷と予測負荷の強い一致を示す。
  論文  参考訳（メタデータ） (2026-05-21T07:45:19Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Learning physically grounded traffic accident reconstruction from public accident reports [12.882161839040883]
  我々は,パラメータ化されたマルチモーダル学習問題として,公開可能なレポートとシーン計測から事故復旧を定式化する。 CISS-RECは,NHTSAのクラッシュ調査サンプリングシステムから収集した6,217件の現実世界の事故事例のデータセットである。 提案手法は,CISS-RECにおける代表的ベースラインよりも優れており,全体の再構築精度が最も高い。
  論文  参考訳（メタデータ） (2026-04-29T14:33:27Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• 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)
• An Overview of Low-Rank Structures in the Training and Adaptation of Large Models [52.67110072923365]
  近年の研究では、低ランク構造の出現というディープネットワークの広範な現象が明らかになった。 これらの暗黙の低次元パターンは、トレーニングの効率と微調整された大規模モデルを改善するための貴重な洞察を提供する。 深層学習のための低ランク構造の利用の進歩を概観し,その数学的基礎に光を当てる。
  論文  参考訳（メタデータ） (2025-03-25T17:26:09Z)
• Graph Transformers for inverse physics: reconstructing flows around arbitrary 2D airfoils [0.0]
  メッシュ上の一般的な逆物理エンジンとして機能するグラフトランスフォーマーフレームワークを導入する。 本枠組みは,種々の翼の測地に関する定常RANSシミュレーションのデータセットを用いて評価する。 メッシュベースの逆問題における局所的幾何処理と大域的注意機構の相対的重要性に関する実験と知見を提供する。
  論文  参考訳（メタデータ） (2025-01-28T17:06:09Z)
• 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。