Eco-PiNN:一种用于生态通行费估计的基于物理知识的神经网络
本文提出了一种基于深度神经网络(ENN)的集成学习方法,旨在减少交通工具能效预测中的不确定性并输出不确定性度量,该方法在公开的车辆能源数据集(VED)上表现出了高的预测性能和预测不确定性度量。
Apr, 2023
本篇论文提出了一种基于物理知识的神经网络(PINN)方法来监测柴油发动机的健康状况,并考虑将深度神经网络(DNN)与PINN模型相结合,以更好地适应柴油发动机的状态。
Apr, 2023
提出了一种基于多任务优化范式的物理信息神经网络(PINNs)训练框架,通过解决多个辅助任务来提升主任务的性能,应用于交通密度预测问题的训练中,实验结果表明相比传统方式,该框架显著提高了PINN的性能。
Jul, 2023
该论文提出了一种名为Physics-Enhanced Residual Learning(PERL)的新型框架,将基于物理的模型与数据驱动模型相结合,用于交通状态预测。PERL模型综合了物理模型和残差学习模型,其预测结果是基于物理模型和预测的残差之和,保持了物理模型的可解释性并降低了对数据的要求。实验证明,PERL模型在小规模数据集上取得了更好的预测效果,并且在训练过程中收敛更快,与数据驱动模型相比使用更少的训练样本达到了相似性能。敏感性分析也证明了使用其他残差学习模型和基于物理的车辆跟驰模型时PERL模型的可比较性能。
Sep, 2023
通过使用神经网络实现的层次化多时域优化框架,本文提出了一种在行驶过程中通过车辆间信息来优化车辆速度和动力系统,以最小化能量消耗的方法。通过在真实行驶路线上进行模拟,证明了该方法可以实现与基于强化学习的随机优化解决方案相当的性能,并且不需要复杂的训练范式和较少的内存开销。
Oct, 2023
准确的能源消耗预测对于优化电动商用重型车辆的运营至关重要,本文介绍了一种基于子集训练的回归模型,该模型在复杂问题中将其拆分为更简单的子问题,以实现更好的回归性能和解释性。
Nov, 2023
利用人工智能的强大模式识别能力,通过整合代表交通需求和路网数据的开放数据源构建了一种用于公路碳排放估计的层次异构图学习方法(HENCE),在两个大规模真实世界数据集上的广泛实验验证了该方法的有效性和优越性,验证了其在推动人工智能应用于碳排放管理和可持续发展方面的成功。
Feb, 2024
本研究解决了现有交通预测方法在传感器位置之外无法预测交通流的问题。提出的异质时空图序列网络(HSTGSN)通过利用起点和终点节点之间的依赖关系,能够捕捉到长距离的交通流动态。实验证明,该方法在未完全OD需求的情况下,仍能实现准确的流量预测与良好的泛化能力,具有重要的城市交通管理应用价值。
Aug, 2024
本研究针对交通领域的碳排放问题,提出利用半自动驾驶车辆的动态生态驾驶技术来减少城市交叉口的碳排放。通过模拟超过一百万种交通场景,我们发现动态生态驾驶可以在不影响通行能力和安全的情况下,实现城市交叉口碳排放减少11-22%的显著效果,表明了针对特定交叉口的战略性规划对未来实施的重要性。
Aug, 2024
本研究解决了电动车(EV)在最后一公里配送路线中能量消耗预测的问题,提出了以能量为基本分析单位的新方法。通过深度学习模型,包括前馈神经网络和递归神经网络,展示出相较于纯物理和基于距离的方法显著提高了准确性,最终提出的路线能量变换器(RET)在平均绝对百分比误差(MAPE)上分别比前馈神经网络和递归神经网络提高了217和105个基点。
Aug, 2024