論文の概要: A Semiparametric Framework for Stochastic Fundamental Diagram Modeling
- arxiv url: http://arxiv.org/abs/2607.15907v1
- Date: Fri, 17 Jul 2026 12:30:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.848178
- Title: A Semiparametric Framework for Stochastic Fundamental Diagram Modeling
- Title（参考訳）: 確率基礎図モデリングのための半パラメトリックフレームワーク
- Abstract要約: 基本図(SFD)は、交通密度と流速の関係を確率論的に記述するものである。
特殊設計機能形式を利用した半パラメトリックSFDモデリングフレームワークを提案する。
実世界のデータセットに対する実証的な評価は、我々のアプローチが代表的ベースラインを一貫して上回っていることを示している。
- 参考スコア（独自算出の注目度）: 2.851144416944319
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The stochastic fundamental diagram (SFD) provides a probabilistic description of the relationship between traffic density and flow or speed, enabling uncertainty-aware traffic modeling. However, existing stochastic models frequently struggle to accommodate rigorous physical constraints while retaining sufficient flexibility to capture complex nonlinear patterns. To address this, we propose a novel semiparametric SFD modeling framework by leveraging specially designed functional forms. These functions intrinsically satisfy physical constraints defined on the moments of the conditional flow distribution given traffic density while incorporating neural-network-based structures to capture complex empirical patterns. We derive a system of moment-matching equations to convert physical constraints into the parameterization of the conditional distribution, proving that a unique solution exists for the location-scale family of distributions, thereby guaranteeing model well-posedness. Furthermore, we demonstrate that the framework can be extended to non-location-scale distributions, including those requiring additional boundary constraints. Empirical evaluations on a real-world dataset reveal that our approach consistently outperforms representative baselines, delivering superior probabilistic accuracy and robust uncertainty quantification, particularly in congested regimes. Overall, the proposed framework provides a theoretically grounded and flexible foundation for stochastic traffic flow modeling.
- Abstract（参考訳）: 確率的基本図(SFD)は、交通密度と流速の関係を確率論的に記述し、不確実性を考慮した交通モデリングを可能にする。
しかし、既存の確率モデルは、複雑な非線形パターンを捉えるのに十分な柔軟性を維持しながら、厳密な物理的制約に対応するのにしばしば苦労する。
そこで本研究では,特殊設計機能形式を利用した半パラメトリックSFDモデリングフレームワークを提案する。
これらの関数は、複雑な経験的パターンを捉えるためにニューラルネットワークに基づく構造を導入しながら、交通密度が与えられた条件流分布のモーメントに定義された物理的制約を本質的に満足する。
物理制約を条件分布のパラメータ化に変換するモーメントマッチング方程式系を導出し、位置スケール分布の族に一意な解が存在することを証明する。
さらに,このフレームワークは,追加境界制約を含む非ロケーションスケールの分布に拡張可能であることを実証した。
実世界のデータセットに対する実証的な評価は、我々のアプローチが代表的ベースラインを一貫して上回り、特に密集した体制において、より優れた確率的精度と堅牢な不確実性定量化を提供することを示している。
全体として、提案フレームワークは確率的トラフィックフローモデリングの理論的基礎と柔軟な基盤を提供する。
関連論文リスト
- Diffusion-Based Stochastic Operator Networks for Uncertainty Quantification in Stochastic Partial Differential Equations [0.3290514527479967]
偏微分方程式(SPDE)に関連した解演算子の不確実性定量化のための新しい枠組みを導入する。
提案手法は,Deep Operator Network (DeepONet) の構造とニューラルネットワーク (SNN) を組み合わせることで構築される。
複数の不確実性源下でのベンチマークSPDEの数値実験により,提案手法の精度とロバスト性を示す。
論文 参考訳（メタデータ） (2026-05-16T18:19:45Z) - Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。
具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
論文 参考訳（メタデータ） (2026-05-09T15:30:52Z) - Learning Markov Processes as Sum-of-Square Forms for Analytical Belief Propagation [10.143540866021542]
本稿では,Sparse Sum-of-Squares (SoS) 形式を有効(条件付き)密度推定に活用する機能モデリングフレームワークを提案する。
本稿では,SoS形式を用いた条件密度のモデル化に関する理論的制約について検討し,そのような制約に対処するための新しい機能形式を提案する。
提案手法は,低次元空間におけるメモリの削減を図りながら,最先端手法に匹敵する精度を実現する。
論文 参考訳（メタデータ） (2026-04-08T19:01:18Z) - Differentiable Stochastic Traffic Dynamics: Physics-Informed Generative Modelling in Transportation [0.0]
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。
論文 参考訳（メタデータ） (2026-03-10T04:25:20Z) - Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。
直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。
我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
論文 参考訳（メタデータ） (2026-01-26T03:52:16Z) - Stochastic and Non-local Closure Modeling for Nonlinear Dynamical Systems via Latent Score-based Generative Models [0.0]
非線形力学系における学習,非局所的クロージャモデル,法則を学習するための潜在スコアベース生成AIフレームワークを提案する。
この研究は、明確なスケール分離なしに複雑なマルチスケール力学系をモデル化する重要な課題に対処する。
論文 参考訳（メタデータ） (2025-06-25T19:04:02Z) - End-to-End Probabilistic Framework for Learning with Hard Constraints [43.297232073870866]
ProbHardE2Eは,ハード操作・物理制約を組み込んだ確率予測フレームワークである。
我々の手法は、幅広いニューラルネットワークアーキテクチャと組み合わせられる新しい微分可能確率射影層(DPPL)を用いている。
論文 参考訳（メタデータ） (2025-06-08T05:29:50Z) - High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。
近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。
機能適応型INR(FA-INR)を提案する。
論文 参考訳（メタデータ） (2025-06-07T16:45:17Z) - Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
量子離散化拡散確率モデル(QD3PM)を提案する。
これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。
本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
論文 参考訳（メタデータ） (2025-05-08T11:48:21Z) - Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。
提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
論文 参考訳（メタデータ） (2024-02-05T22:18:16Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - Deep Conditional Transformation Models [0.0]
特徴集合上の結果変数条件の累積分布関数(CDF)を学習することは依然として困難である。
条件変換モデルは、条件付きCDFの大規模なクラスをモデル化できる半パラメトリックなアプローチを提供する。
我々は,新しいネットワークアーキテクチャを提案し,異なるモデル定義の詳細を提供し,適切な制約を導出する。
論文 参考訳（メタデータ） (2020-10-15T16:25:45Z)
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。