論文の概要: Physics-Informed Teacher-Student Ensemble Learning for Traffic State Estimation with a Varying Speed Limit Scenario

• arxiv url: http://arxiv.org/abs/2605.11346v1
• Date: Mon, 11 May 2026 23:59:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.485249
• Title: Physics-Informed Teacher-Student Ensemble Learning for Traffic State Estimation with a Varying Speed Limit Scenario
• Title（参考訳）: 物理インフォームド教師-学生アンサンブル学習による速度制限シナリオによる交通状態推定
• Authors: Archie J. Huang, Dongdong Wang, Shaurya Agarwal, Mohamed Abdel-Aty, Md Mahmudul Islam, Muhammad Shahbaz,
• Abstract要約: 物理インフォームド・ディープ・ラーニング(PIDL)ニューラルネットワークは、輸送実践者にとって有用な道具であることを示す。 本稿では,PIDLニューラルネットワークと教師学生のアンサンブル学習を統合して交通状況推定を行う新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.6104125802638976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-informed deep learning (PIDL) neural networks have shown their capability as a useful instrument for transportation practitioners in utilizing the underlying relationship between the state variables for traffic state estimation (TSE). Another efficient traffic management approach is implementing varying speed limits (VSLs) on transportation corridors to control traffic and mitigate congestion. However, the existing training architecture of PIDL in the literature cannot accommodate the changing traffic characteristics on a freeway with VSL. To tackle this challenge, we propose a novel framework integrating teacher-student ensemble training with PIDL neural networks for TSE under VSL scenarios. The physics of flow conservation law is encoded locally in the teacher models by PIDL, and the student model uses a multi-layer perceptron classifier (MLP) to identify traffic characteristics and selects the ensemble member of PIDL neural networks for TSE. This integrated framework provides a natural solution for capturing the heterogeneity of VSL and accurately addressing the TSE problem. The case study results validate the proposed ensemble approach, demonstrating its superior performance in TSE compared to other popular baseline methods, as indicated by relative L2 error.
• Abstract（参考訳）: 物理インフォームド・ディープ・ラーニング(PIDL)ニューラルネットワークは,交通状態推定(TSE)における状態変数間の基礎的関係を活用する上で,交通従事者にとって有用な手段であることを示す。 もう一つの効率的な交通管理手法は、交通を制御し渋滞を軽減するために、交通回廊に様々な速度制限(VSL)を実装することである。 しかし、文献におけるPIDLの既存のトレーニングアーキテクチャは、VSLによる高速道路の交通特性の変化に対応できない。 この課題に対処するため,VSLシナリオ下でのTSEのためのPIDLニューラルネットワークと教師学生のアンサンブルトレーニングを統合する新しいフレームワークを提案する。 流路保存法則の物理はPIDLによって教師モデルに局所的に符号化され、学生モデルは多層パーセプトロン分類器(MLP)を用いて交通特性を特定し、TSEのためのPIDLニューラルネットワークのアンサンブル部材を選択する。 この統合フレームワークは、VSLの不均一性を捕捉し、TSE問題に正確に対処するための自然なソリューションを提供する。 ケーススタディでは,提案したアンサンブル手法の有効性を検証し,TSEにおける他の一般的なベースライン法と比較して,相対的なL2誤差で示されるような優れた性能を示した。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Physics-informed deep operator network for traffic state estimation [16.262431071606574]
  交通状態推定(TSE)は、騒音の限られた測定値から交通流れのダイナミクスを管理する高次元偏微分方程式(PDE)を根本的に解く。 本稿では,TSEを演算子学習問題として再構成した物理インフォームドディープ演算子ネットワークフレームワークを採用する。
  論文  参考訳（メタデータ） (2025-08-18T02:59:42Z)
• Enhancing Traffic Signal Control through Model-based Reinforcement Learning and Policy Reuse [0.9995933996287355]
  マルチエージェント強化学習(MARL)は交通信号制御(TSC)において有意な可能性を示した 現在のMARLベースの手法は、訓練中に使用する固定された交通パターンと道路網条件により、一般化が不十分な場合が多い。 この制限により、新しいトラフィックシナリオへの適応性が低下し、高い再トレーニングコストと複雑なデプロイメントが発生します。 我々はPLightとPRLightの2つのアルゴリズムを提案する。PLightはモデルに基づく強化学習アプローチを採用し、事前定義されたソースドメイントラフィックシナリオを用いて制御ポリシーと環境モデルを事前訓練する。PRLightはさらに、事前学習されたPLightエージェントの類似性に基づいて適応性を向上させる。
  論文  参考訳（メタデータ） (2025-03-11T01:21:13Z)
• R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [65.04475956174959]
  Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。 SFLにおける重要な課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータの敵ジャミングに対する感受性である。 本稿では,無線ネットワーク上での大規模言語モデル (LLM) と視覚言語モデル (VLM) を用いたレジリエンスSFLのための物理層フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-07-16T12:21:29Z)
• Real-time system optimal traffic routing under uncertainties -- Can physics models boost reinforcement learning? [2.298129181817085]
  本稿では,強化学習を物理モデルに統合し,性能,信頼性,解釈可能性を向上させるアルゴリズムであるTransRLを提案する。 物理モデルからの情報を活用することで、TransRLは最先端の強化学習アルゴリズムより一貫して優れている。
  論文  参考訳（メタデータ） (2024-07-10T04:53:26Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2023-03-26T16:09:48Z)
• Physics Informed Deep Learning: Applications in Transportation [1.1929584800629671]
  近年の機械学習 - 物理インフォームド・ディープ・ラーニング (PIDL) - は、交通状態推定などの輸送アプリケーションに特有の利点をもたらす。 本稿では,まず,交通流理論の保存則を物理として説明し,PIDLニューラルネットワークのアーキテクチャを示し,未観測領域の交通条件を学習する上での有効性を実証する。
  論文  参考訳（メタデータ） (2023-02-23T21:07:00Z)
• Physics-Informed Deep Learning for Traffic State Estimation [3.779860024918729]
  交通状態推定(TSE)は、部分的に観測されたデータを用いて道路セグメント上の交通変数(例えば密度)を再構築する。 本論文では,少量の観測データを用いて高品質なTSEを効率的に実行するための物理情報深層学習(PIDL)フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2021-01-17T03:28:32Z)

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。