論文の概要: Physics-Embedded Gaussian Process for Traffic State Estimation

• arxiv url: http://arxiv.org/abs/2512.04004v1
• Date: Wed, 03 Dec 2025 17:43:40 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:00:09.866514
• Title: Physics-Embedded Gaussian Process for Traffic State Estimation
• Title（参考訳）: 物理埋め込みガウス法による交通状態推定
• Authors: Yanlin Chen, Kehua Chen, Yinhai Wang,
• Abstract要約: 物理的モデルは不確実性を統合するのが困難であり、トラフィックの真の複雑さを捉えている。 PEGPは、トラフィック状態の推定において、ドメイン知識とデータ駆動手法を統合するように設計されている。 HighD, NGSIMの実験では、非物理学ベースラインよりも一貫した改善が見られた。
• 参考スコア（独自算出の注目度）: 15.0051892692122
• License:
• Abstract: Traffic state estimation (TSE) becomes challenging when probe-vehicle penetration is low and observations are spatially sparse. Pure data-driven methods lack physical explanations and have poor generalization when observed data is sparse. In contrast, physical models have difficulty integrating uncertainties and capturing the real complexity of traffic. To bridge this gap, recent studies have explored combining them by embedding physical structure into Gaussian process. These approaches typically introduce the governing equations as soft constraints through pseudo-observations, enabling the integration of model structure within a variational framework. However, these methods rely heavily on penalty tuning and lack principled uncertainty calibration, which makes them sensitive to model mis-specification. In this work, we address these limitations by presenting a novel Physics-Embedded Gaussian Process (PEGP), designed to integrate domain knowledge with data-driven methods in traffic state estimation. Specifically, we design two multi-output kernels informed by classic traffic flow models, constructed via the explicit application of the linearized differential operator. Experiments on HighD, NGSIM show consistent improvements over non-physics baselines. PEGP-ARZ proves more reliable under sparse observation, while PEGP-LWR achieves lower errors with denser observation. Ablation study further reveals that PEGP-ARZ residuals align closely with physics and yield calibrated, interpretable uncertainty, whereas PEGP-LWR residuals are more orthogonal and produce nearly constant variance fields. This PEGP framework combines physical priors, uncertainty quantification, which can provide reliable support for TSE.
• Abstract（参考訳）: プローブ・車両の浸透が低く、観測が空間的に疎い場合、交通状態推定(TSE)は困難になる。 純粋なデータ駆動方式は物理的説明が欠如しており、観測データが少ない場合には一般化が不十分である。 対照的に、物理モデルは不確実性を統合するのが困難であり、トラフィックの真の複雑さを捉えている。 このギャップを埋めるために、近年の研究では、物理構造をガウス過程に埋め込むことによってそれらを組み合わせることを検討している。 これらのアプローチは典型的には、疑似観測を通して柔らかい制約として支配方程式を導入し、変分的枠組みにおけるモデル構造の統合を可能にする。 しかし、これらの手法はペナルティチューニングに大きく依存しており、不確実性校正の原則が欠如しているため、モデルの誤特定に敏感である。 本研究では,領域知識とデータ駆動手法を統合した新しい物理埋め込みガウス過程(PEGP)を提案することにより,これらの制約に対処する。 具体的には,線形化微分演算子の明示的な応用により構築された古典的トラフィックフローモデルにより,2つのマルチ出力カーネルを設計する。 HighD, NGSIMの実験では、非物理学ベースラインよりも一貫した改善が見られた。 PEGP-ARZはスパース観測では信頼性が高く、PEGP-LWRはより密度の高い観測では低い誤差を達成する。 アブレーション研究では、PEGP-ARZ残基が物理学と密接に一致し、校正され、解釈可能な不確実性を得るのに対して、PEGP-LWR残基はより直交し、ほぼ一定な分散場を生成することが明らかになった。 このPEGPフレームワークは、物理的事前、不確かさの定量化を組み合わせ、TSEの信頼できるサポートを提供する。

関連論文リスト

• Physics-Constrained Fine-Tuning of Flow-Matching Models for Generation and Inverse Problems [3.3811247908085855]
  本稿では、物理制約を強制し、科学的システムにおける逆問題を解決するための微調整フローマッチング生成モデルの枠組みを提案する。 我々のアプローチは、生成的モデリングと科学的推論を橋渡し、シミュレーション強化された発見と物理システムのデータ効率のモデリングのための新たな道を開く。
  論文  参考訳（メタデータ） (2025-08-05T09:32:04Z)
• Hybrid Generative Modeling for Incomplete Physics: Deep Grey-Box Meets Optimal Transport [48.06072022424773]
  多くの実世界の系は、方程式の欠落や未知の項にのみ記述される。 これにより、物理モデルの分布は真のデータ生成過程(DGP)とは異なる。 非完全物理モデルを強化するために, 深層グレーボックスモデルと最適輸送法を組み合わせた新しいハイブリッド生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T13:23:27Z)
• 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)
• 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)
• Exact nonlinear state estimation [0.0]
  地質学におけるデータ同化法の大部分はガウスの仮定に基づいている。 非パラメトリックな粒子ベースDAアルゴリズムは精度が優れているが、高次元モデルへの応用は依然として運用上の課題となっている。 本稿では,DA手法の既存のギャップを埋めようとする新しい非線形推定理論を紹介する。
  論文  参考訳（メタデータ） (2023-10-17T03:44:29Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• 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)
• Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized Gaussian Process Approach [1.6242924916178285]
  本研究では,実世界のランダム性を捉え,誤差を計測できる微視的交通モデルを提案する。 提案フレームワークの特長の一つは,自動車追従行動と車線変更行動の両方を1つのモデルで捉える能力である。
  論文  参考訳（メタデータ） (2020-07-17T06:03:32Z)

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。