Dec, 2023

在环形道路中学习 “向前看” 的非局部交通动力学

PDF
TL;DR利用交通轨迹数据，本研究采用物理信息的神经网络设计了最优非局部交通模型，在 “前瞻” 窗口长度约为 35 到 50 米，其中 5 米的权重占据了主要非局部影响，实现了对交通波的更准确预测，验证了以物理性为先验的机器学习模型的重要性。
macroscopic traffic flow modelnonlocal partial differential equationlook-ahead dynamicstraffic trajectory dataphysics-informed neural network
发现论文，激发创造
  • 物理信息神经网络中融入非局部交通流模型

    该研究提出了一种利用非局部 LWR 模型在物理有信息的深度学习框架中改进交通状态估计方法的方法，通过考虑速度为下游交通密度的加权均值，解决了传统 LWR 模型在准确表示真实交通流方面的不足，实验结果表明该方法能够提高交通状态估计的准确性和可靠性，从而实现更有效的交通管理策略。

    Aug, 2023

  • 傅里叶神经算子用于学习宏观交通流模型的解：正向和反向问题的应用

    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

  • 交通预测中的延迟效应揭示：来自时空延迟微分方程的视角

    提出一种神经时空延迟微分方程模型（STDDE）进行交通流预测，该模型结合了延迟效应和连续性，通过明确地建模时空信息传播中的时间延迟，设计了可学习的交通图时延估计器，并提出了连续输出模块，从而实现在不同频率下准确预测交通流的灵活性和适应性。

    Feb, 2024

  • 基于 Newell 理论的特征变换在时空交通预测中的应用

    通过交通流量物理特征转化提高深度学习模型的可迁移性和预测性能，实验结果表明该方法可成功应用于不同的交通数据集和位置

    Jul, 2023

  • 非局部神经网络、非局部扩散和非局部建模

    本文旨在通过对卷积神经网络中的非局部操作权重矩阵进行频谱分析，提出了新的非局部块正则化形式。通过这种方式，我们不仅可以学习非局部交互，还可以获得稳定的动态响应，从而允许更深的非局部层级结构。同时，本研究还揭示了非局部网络与其他非局部模型之间的内在关联。

    Jun, 2018

  • 走向更精确的移动蜂窝流量预测之路

    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

  • PDFormer: 延迟感知动态远程 Transformer 用于交通流量预测

    该研究提出了一种基于动态远程传输的新型传播延迟感知长输入 Transformer，能够准确预测交通流量，并在真实交通数据集上取得了最先进的性能和计算效率。

    Jan, 2023

  • 城市交通拥堵预测的可扩展深度流量神经网络

    通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。

    Mar, 2017

  • 用于边界稳定化的神经算子在停车交通中的应用

    本研究介绍了一种利用神经算子解决拥堵交通流中停止 - 启动不稳定性问题的新方法，该框架利用神经算子为交通流系统设计控制策略，通过 Aw-Rascle-Zhang（ARZ）模型描述交通动力学，结合两种不同的神经算子学习方案来稳定交通 PDE 系统。

    Dec, 2023

  • 使用物理信息机器学习校准宏观交通流模型

    本文提出了一种新颖的基于物理信息和深度自编码器的学习校准方法，通过结合经典的深度自编码器和交通流动模型，以相对于传统基于优化方法的方法可比甚至更好的性能处理流量和速度测量来推出合理的交通参数。同时，引入去噪自编码器来应对有缺失值的交通数据的处理，我们通过 I-210 E 的案例研究来验证了我们的方法。

    Jul, 2023