論文の概要: Adaptive Domain Decomposition Physics-Informed Neural Networks for Traffic State Estimation with Sparse Sensor Data

• arxiv url: http://arxiv.org/abs/2605.08028v1
• Date: Fri, 08 May 2026 17:13:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.233575
• Title: Adaptive Domain Decomposition Physics-Informed Neural Networks for Traffic State Estimation with Sparse Sensor Data
• Title（参考訳）: 適応領域分解物理インフォームドニューラルネットワークによるスパースセンサデータを用いた交通状態推定
• Authors: Eunhan Ka, Ludovic Leclercq, Satish V. Ukkusuri,
• Abstract要約: ADD-PINNはオフライン速度場再構築のための2段階の残留誘導フレームワークである。 25の配置のうち18の相対的なL2誤差と15のスパースセンシングケースの14の誤差を達成している。
• 参考スコア（独自算出の注目度）: 4.048935037437864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic state estimation from sparse fixed sensors is challenging because physics-informed neural networks (PINNs) tend to over-smooth the shockwaves admitted by the Lighthill-Whitham-Richards (LWR) model. This study proposes Adaptive Domain Decomposition Physics-Informed Neural Networks (ADD-PINN), a two-stage residual-guided framework for LWR-based offline speed-field reconstruction. A coarse global PINN is first trained; its spatial residual profile is then used to place subdomain boundaries and initialize child subnetworks in a decomposition-enabled mode, while a data-driven shock indicator can retain a single-domain fallback when localized evidence of transition is weak. The primary offline I-24 MOTION evaluation spans five days, five sensor configurations, and ten seeds per configuration, yielding 1,500 runs in total. Against neural and physics-informed baselines, ADD-PINN attains the lowest relative L2 error in 18 of 25 configurations and in 14 of 15 sparse-sensing cases, while training 2.4 times faster than the extended PINN (XPINN) baseline. An ablation study supports spatial-only decomposition as an effective default for fixed-sensor traffic reconstruction in the evaluated settings. Supplementary Next Generation Simulation (NGSIM) experiments serve as a negative control: the shock indicator suppresses decomposition in all 50 runs, and the default single-domain fallback ranks first across all sensor configurations. These results support residual-guided spatial decomposition as an effective PINN-family design for offline reconstruction when sparse fixed sensing coincides with localized transition regions.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、Lighthill-Whitham-Richards(LWR)モデルで認められた衝撃波を過度にスムースにするため、スパース固定センサーからのトラフィック状態推定は困難である。 本研究では,LWRに基づくオフライン速度場再構築のための2段階残差誘導フレームワークであるAdaptive Domain Decomposition Physics-Informed Neural Networks (ADD-PINN)を提案する。 粗いグローバルPINNはまず訓練され、その空間的残留プロファイルは、サブドメインの境界を設定し、分解可能なモードで子サブネットを初期化するのに使用され、一方、データ駆動ショックインジケータは、局所化された遷移の証拠が弱いときに単一ドメインのフォールバックを保持することができる。 初回のオフラインI-24 MoTION評価は5日間、5回のセンサー構成、10回の設定で合計1,500回の実行が可能である。 ADD-PINNは、神経と物理学のインフォームドベースラインに対して、25の構成のうち18の相対L2エラーと15のスパースセンシングケースのうち14の相対L2エラーを達成し、拡張PINN(XPINN)ベースラインの2.4倍の速さでトレーニングを行った。 Ablation study has supporting space-only decomposition as effective default for fixed-sensor traffic reconstruction in the evaluation。 補助的な次世代シミュレーション(NGSIM)実験は、ショックインジケータが全50回の動作で分解を抑制し、デフォルトの単一ドメインのフォールバックは、すべてのセンサー構成で最初にランク付けされる。 これらの結果は, 局所的な遷移領域に一致したスパース固定センシングの際のオフライン再構成に有効なPINNファミリー設計として, 残留誘導空間分解をサポートする。

関連論文リスト

• Graph Neural Operator Towards Edge Deployability and Portability for Sparse-to-Dense, Real-Time Virtual Sensing on Irregular Grids [3.7655803383628474]
  本稿では不規則なジオメトリ上でのスパース・ツー・ディエンス再構成のためのグラフベースのニューラル演算子とメッシュインフォームドグラフ構築のための可変結合アルゴリズムである可変KNN(V-KNN)を紹介する。 VIRSOは推論を計測として再設計し、スケーラビリティの低い従来のグラフベースの方法論のレイテンシと消費電力を伴わずに正確な再構成を提供する。 これらの結果は,資源制約環境におけるリアルタイムセンシングの新たなパラダイムとして,VIRSOのエッジ実現可能性とハードウェアポータビリティを確立した。
  論文  参考訳（メタデータ） (2026-04-02T09:14:59Z)
• Inverse Neural Operator for ODE Parameter Optimization [6.148294495010685]
  Inverse Neural Operator (INO) は、疎部分的な観測から隠されたODEパラメータを復元するフレームワークである。 INOは0.23秒の推論時間しか必要とせず、パラメータ回復の精度で勾配ベースと償却ベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-03-12T12:20:23Z)
• Flow Field Reconstruction via Voronoi-Enhanced Physics-Informed Neural Networks with End-to-End Sensor Placement Optimization [6.610387253899951]
  流れ場再構成は流体力学において重要であるが, スパースおよび内在的に不完全なセンサ測定により課題が解決される。 本研究では,Voron-enhanced Sensor Optimization (VSOPINN)を用いたPINNを提案する。 VSOPINNは、異なるレイノルズ数間で再構成精度を著しく改善し、効果的なセンサーレイアウトを適応的に学習し、センサ故障時にも頑健である。
  論文  参考訳（メタデータ） (2026-03-10T08:46:52Z)
• When Learning Hurts: Fixed-Pole RNN for Real-Time Online Training [58.25341036646294]
  本研究では,再帰性極の学習がデータに有意な利点をもたらしない理由を解析的に検討し,実時間学習シナリオを実証的に提供する。 固定極ネットワークは、トレーニングの複雑さを低減し、オンラインリアルタイムタスクにより適していることを示す。
  論文  参考訳（メタデータ） (2026-02-25T00:15:13Z)
• Physics-informed GNN for medium-high voltage AC power flow with edge-aware attention and line search correction operator [7.927606793404479]
  物理インフォームドグラフニューラルネットワーク(PIGNN)は高速な交流電力フロー解法として登場した。 PIGNN-Attn-LSは電圧0.00033 p.uのRMSE、角度0.08$circ$のRMSEを達成し、それぞれPIGNN-MLPベースラインの99.5%と87.1%を上回っている。
  論文  参考訳（メタデータ） (2025-09-26T15:09:26Z)
• Fast Training of Recurrent Neural Networks with Stationary State Feedbacks [48.22082789438538]
  リカレントニューラルネットワーク(RNN)は最近、Transformerよりも強力なパフォーマンスと高速な推論を実証している。 BPTTを固定勾配フィードバック機構で置き換える新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-29T14:45:52Z)
• Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
  構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
  論文  参考訳（メタデータ） (2023-09-29T13:09:40Z)
• CorrectNet: Robustness Enhancement of Analog In-Memory Computing for Neural Networks by Error Suppression and Compensation [4.570841222958966]
  本稿では,ニューラルネットワークの変動と雑音下での堅牢性を高める枠組みを提案する。 ニューラルネットワークの予測精度は、変動とノイズの下で1.69%以下から回復可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-27T19:13:33Z)
• Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
  フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。 いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
  論文  参考訳（メタデータ） (2021-03-01T08:25:26Z)
• RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2 Visual Field Data based on Retinal Structure [109.33721060718392]
  緑内障は 世界でも 不可逆的な盲目の 主要な原因です 7000万人以上が 影響を受けています The Standard Automated Perimetry (SAP) test's innate difficulty and its high test-retest variable, we propose the RetiNerveNet。
  論文  参考訳（メタデータ） (2020-10-15T03:09:08Z)
• Revisiting Initialization of Neural Networks [72.24615341588846]
  ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。 Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
  論文  参考訳（メタデータ） (2020-04-20T18:12:56Z)

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。