该论文探讨了如何将物理先验知识加入数据驱动模型，提高模型的质量和稳定性，并以 Lyapunov 分析为视角，通过研究液体流动预测的典型问题，验证了保持 Lyapunov 稳定性的模型可以提高泛化性能并减少预测不确定性。

May, 2019

使用深度学习方法研究交通流中非线性双曲型偏微分方程的解决方案，通过训练算子来预测宏观交通状态和密度动态，以及改进冲击预测和物理约束问题。

Aug, 2023

该研究使用宏观模型和来自自动交通计数器和探针车辆的多源时空数据，准确估计了无法测量这些指标的路段的交通流量和行程时间。使用名为 MaTE 的模型，该模型基于宏观交通流理论，可在仅使用观察到的这些指标的测量值的情况下进行网络范围内的交通流量和行程时间估计。实验结果显示，MaTE 模型在交通行程时间估计方面表现优于数据驱动的基准模型。

Jan, 2024

本文介绍了一种称为学习者感知的监督式模仿学习模型，用于解决多智能体模仿学习中的协变量转移问题，通过利用变分自动编码器同时建模专家和学习者状态分布，在城市交通仿真中应用，展示了在真实数据集 pNEUMA 上在短期微观和长期宏观仿真中相较于现有 baselines 的显著改进。

Mar, 2024

本文报道了一种新的方法，该方法通过结合免费提供的道路指标来确立数据生成过程和空间依赖性，从而提高了移动蜂窝流量预测的准确性，这可以应用于边缘或中心化学习，可用于预测短期未来一段高速公路覆盖区域的负载。

May, 2023

物理整合生成建模是一种混合或灰箱建模，其中我们用物理知识来增强数据驱动模型，使其在受控的方式下产生符合物理法则的输出，从而提高外推能力和解释性。本文旨在通过使用变分自动编码器作为生成模型来改善物理整合生成模型的重建保真度和对噪声的鲁棒性，通过计划正则化流来学习物理和可训练数据驱动组件的潜在后验分布，同时在编码器中引入基于缩放点乘注意力的上下文信息以减轻潜在向量中噪声的不利影响并使模型更加鲁棒。我们在人体运动数据集上对模型进行了实证评估，结果验证了我们提出的模型在重建质量和对模型注入噪声的鲁棒性方面的有效性。

Apr, 2024

本研究提出一种新颖的物理知情扩散模型，用于生成合成的净负荷数据，解决数据稀缺和隐私问题。该模型将物理模型嵌入去噪网络中，提供了一种多功能方法，可以轻松推广到未预料的情景。利用来自 Pecan Street 的真实智能电表数据，我们验证了所提出的方法，并通过与生成对抗网络、变分自动编码器、标准化流以及经过良好校准的基线扩散模型等最先进的生成模型进行了全面的数值研究，使用一套全面的评估指标来评估生成的合成净负荷数据的准确性和多样性。数值研究结果表明，所提出的物理知情扩散模型在所有定量指标上优于最先进的模型，至少提供了 20% 的改进。

Jun, 2024

通过加入物理约束，我们设计了一种基于物理的去噪模型，能够提高实际应用中的传感器性能，而无需准确的干净数据作为训练依据，从而实现对成本较低的嘈杂传感器数据的实时去噪处理，达到与高成本替代方法相近的结果，提供更准确的传感器系统所需的高效、经济的方案。

Nov, 2023

本研究提出了两种数据驱动的自动编码模型来学习车辆交通场景的潜在表示，并显示了如何使用潜在场景嵌入来聚类交通情况并检索相似交通情况。

Jul, 2020

本文介绍了一种使用 LTE/4G 射频性能测量计数器进行交通流量估计的新方法，使用经典和深度学习方法将问题视为监督回归任务。同时，应用传递学习来补偿很多地方缺乏交通传感器数据的情况。该方法不仅在时间上而且在空间上拓展解决方案，并利用具有隐私保护性、易于获取和全球可伸缩性的 LTE 射频计数器数据。

Jan, 2021