論文の概要: Differentiable Stochastic Traffic Dynamics: Physics-Informed Generative Modelling in Transportation

• arxiv url: http://arxiv.org/abs/2603.09174v1
• Date: Tue, 10 Mar 2026 04:25:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.030567
• Title: Differentiable Stochastic Traffic Dynamics: Physics-Informed Generative Modelling in Transportation
• Title（参考訳）: 微分確率的交通力学:物理インフォームド・ジェネレーティブ・モデリング
• Authors: Wuping Xin,
• Abstract要約: この研究は、物理制約自体が分散的かつ空間的であり、トラフィックフローのダイナミクスから導かれる枠組みを開発する。 このフレームワークは、分散トラフィック状態推定の基礎と、物理インフォームド・ジェネレーティブ・セッティングにおける基礎解析の基盤を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Macroscopic traffic flow is stochastic, but the physics-informed deep learning methods currently used in transportation literature embed deterministic PDEs and produce point-valued outputs; the stochasticity of the governing dynamics plays no role in the learned representation. This work develops a framework in which the physics constraint itself is distributional and directly derived from stochastic traffic-flow dynamics. Starting from an Ito-type Lighthill-Whitham-Richards model with Brownian forcing, we derive a one-point forward equation for the marginal traffic density at each spatial location. The spatial coupling induced by the conservation law appears as an explicit conditional drift term, which makes the closure requirement transparent. Based on this formulation, we derive an equivalent deterministic Probability Flow ODE that is pointwise evaluable and differentiable once a closure is specified. Incorporating this as a physics constraint, we then propose a score network with an advection-closure module, trainable by denoising score matching together with a Fokker-Planck residual loss. The resulting model targets a data-conditioned density distribution, from which point estimates, credible intervals, and congestion-risk measures can be computed. The framework provides a basis for distributional traffic-state estimation and for stochastic fundamental-diagram analysis in a physics-informed generative setting.
• Abstract（参考訳）: マクロなトラフィックフローは確率的であるが、現在、輸送文献に使われている物理インフォームド深層学習法は決定論的PDEを埋め込み、点値出力を生成している。 この研究は、物理制約自体が分布的であり、確率的トラフィック-フローのダイナミクスから直接導出される枠組みを開発する。 ブラウン強制による伊藤型ライトヒル・ウィッサム・リチャーズモデルから、各空間位置における境界交通密度の1点フォワード方程式を導出する。 保存法則によって引き起こされる空間的結合は明示的な条件付きドリフト項として現れ、クロージャ要求を透過的にする。 この定式化に基づいて、閉包が特定されると、点的に評価可能で微分可能な等価な決定論的確率フローODEを導出する。 物理制約としてこれを組み込んで,Fokker-Planck残差損失とともにスコアマッチングを復調して学習可能な,対流閉鎖モジュールを備えたスコアネットワークを提案する。 得られたモデルは、データ条件密度分布を目標とし、そこから点推定、信頼区間、渋滞リスク測定を計算できる。 このフレームワークは、分散トラフィック状態の推定と、物理インフォームド生成環境における確率的基本図解析の基盤を提供する。

関連論文リスト

• Weighted Stochastic Differential Equation to Implement Wasserstein-Fisher-Rao Gradient Flow [0.0]
  有望な作業のラインは、情報幾何学から、大量再重み付け機構を備えた拡散に基づくサンプル装置の拡張まで、ツールを活用する。 本研究は,WFRに基づくサンプリング力学の予備的かつ厳密な研究であり,今後の発展の基礎となる理論構造を明らかにすることを目的としている。
  論文  参考訳（メタデータ） (2025-12-19T18:31:27Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• 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)
• Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
  本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。 物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
  論文  参考訳（メタデータ） (2024-07-10T17:39:50Z)
• Probabilistic Forecasting with Stochastic Interpolants and Föllmer Processes [18.344934424278048]
  生成モデルに基づく動的システムの確率的予測のためのフレームワークを提案する。 このSDEのドリフトと拡散係数は訓練後に調整できることを示し、推定誤差の影響を最小限に抑える特定の選択がF"ollmerプロセスを与えることを示した。
  論文  参考訳（メタデータ） (2024-03-20T16:33:06Z)
• A probabilistic, data-driven closure model for RANS simulations with aleatoric, model uncertainty [1.8416014644193066]
  本稿では,レノルズ平均Navier-Stokes (RANS) シミュレーションのためのデータ駆動閉包モデルを提案する。 パラメトリック閉包が不十分な問題領域内の領域を特定するために,完全ベイズ的定式化と余剰誘導先行法を組み合わせて提案する。
  論文  参考訳（メタデータ） (2023-07-05T16:53:31Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)

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。