論文の概要: Learning Traffic Flow Dynamics with Stochastic Physics-Informed Neural Cellular Automata

• arxiv url: http://arxiv.org/abs/2610.09946v1
• Date: Wed, 07 Oct 2026 12:27:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.904217
• Title: Learning Traffic Flow Dynamics with Stochastic Physics-Informed Neural Cellular Automata
• Title（参考訳）: 確率物理インフォームドニューラルセルオートマタによる交通流のダイナミクスの学習
• Abstract要約: データ駆動型トラフィックフローモデリングのための物理インフォームド・ニューラル・オートマトン(PI-NCA)を提案する。 PI-NCAは、道路トポロジーと物理的に整合性があり、車両の総数の保存を保証する。 我々は、同じ物理情報制約を保ちながら確率的遷移規則をパラメータ化することで、この枠組みを動的に拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic flow modeling is essential for understanding and predicting the collective dynamics of vehicles on road networks. Cellular automata provide a simple, interpretable yet powerful framework for representing these dynamics via local interaction rules, while retaining the ability to reproduce complex macroscopic traffic phenomena. However, learning local transition rules from data while preserving physically meaningful constraints remains challenging, particularly for stochastic models. In this work, we propose a physics-informed neural cellular automaton (PI-NCA) for data-driven traffic flow modeling. Building on the standard neural cellular automaton (NCA), we design a neural architecture that is physically consistent with the road topology and guarantees conservation of the total number of vehicles, thereby constraining the learned transition rules to physically admissible dynamics. We further extend this framework to stochastic dynamics by parameterizing probabilistic transition rules while preserving the same physics-informed constraints. We evaluate the proposed models on multiple traffic scenarios generated by the well-established Nagel-Schreckenberg and Kerner-Klenov-Wolf cellular automata. The results demonstrate that the PI-NCA successfully learns the dynamics of both traffic models and consistently outperforms a standard NCA, while the stochastic extension captures probabilistic transition rules without compromising the imposed physical constraints.
• Abstract（参考訳）: 交通流モデリングは、道路網上の車両の集合力学を理解し予測するために不可欠である。 セルオートマトンは、複雑なマクロな交通現象を再現する能力を維持しながら、局所的な相互作用規則を通じてこれらのダイナミクスを表現するための、シンプルで解釈可能な強力なフレームワークを提供する。 しかし、物理的に意味のある制約を保ちながらデータから局所的な遷移規則を学ぶことは、特に確率的モデルでは困難である。 本研究では,データ駆動型トラフィックフローモデリングのための物理インフォームドニューラルセルオートマトン(PI-NCA)を提案する。 標準的なニューラルセルオートマトン(NCA)に基づいて、道路トポロジと物理的に整合し、車両の総数の保存を保証するニューラルアーキテクチャを設計し、学習された遷移規則を物理的に許容できるダイナミクスに制約する。 確率的遷移規則をパラメータ化して、同じ物理インフォームド制約を保ちながら、この枠組みをさらに確率力学に拡張する。 提案手法は,よく確立されたNagel-Schreckenberg と Kerner-Klenov-Wolf セルオートマトンによって生成される。 その結果、PI-NCAは両方の交通モデルのダイナミクスを学習し、標準NAAよりも一貫して優れており、一方確率的拡張は、課される物理的制約を補うことなく確率的遷移規則をキャプチャすることを示した。

関連論文リスト

• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Learning spatio-temporal patterns with Neural Cellular Automata [0.0]
  我々はNAAを訓練し、時系列画像とPDE軌道から複雑な力学を学ぶ。 我々はNCAを拡張し、同じシステム内の過渡構造と安定構造の両方を捕捉する。 任意のダイナミクスを学べることによって、NAAはデータ駆動モデリングフレームワークとして大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-10-23T11:16:32Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• STDEN: Towards Physics-Guided Neural Networks for Traffic Flow Prediction [31.49270000605409]
  物理原理とデータ駆動モデルの統合の欠如は、この分野の開発を制限する重要な理由である。 本稿では,交通流力学の物理機構を深層ニューラルネットワークの枠組みに組み込む,時空間微分方程式ネットワーク(STDEN)という物理誘導型ディープラーニングモデルを提案する。 北京の3つの実世界の交通データセットの実験では、我々のモデルは最先端のベースラインをかなり上回っている。
  論文  参考訳（メタデータ） (2022-09-01T04:58:18Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Physics-guided Deep Markov Models for Learning Nonlinear Dynamical Systems with Uncertainty [6.151348127802708]
  我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。 提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
  論文  参考訳（メタデータ） (2021-10-16T16:35:12Z)
• Objective-aware Traffic Simulation via Inverse Reinforcement Learning [31.26257563160961]
  逆強化学習問題として交通シミュレーションを定式化する。 動的ロバストシミュレーション学習のためのパラメータ共有逆強化学習モデルを提案する。 提案モデルでは,実世界の車両の軌道を模倣し,同時に報酬関数を復元することができる。
  論文  参考訳（メタデータ） (2021-05-20T07:26:34Z)

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。