PulseAugur
中
实时 10:11:09
English(EN) Adaptive Domain Decomposition Physics-Informed Neural Networks for Traffic State Estimation with Sparse Sensor Data

新的ADD-PINN框架通过稀疏传感器数据改进交通估计

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个名为自适应域分解物理信息神经网络（ADD-PINN）的新框架，以从有限的传感器数据中改进交通状态估计。该方法解决了传统物理信息神经网络（PINNs）在平滑关键交通流动力学方面的倾向。ADD-PINN采用两阶段方法，首先训练一个通用模型，然后通过在交通变化显著的区域创建专门的子网络来对其进行优化，在准确性和训练速度方面优于现有方法。 AI

影响 这项研究为从稀疏传感器数据中重建交通流提供了一种更准确、更有效的方法，有可能改进交通管理系统。

排序理由 该集群包含一篇学术论文，详细介绍了使用神经网络进行交通状态估计的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的ADD-PINN框架通过稀疏传感器数据改进交通估计

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Satish V. Ukkusuri ·

    用于稀疏传感器数据的自适应域分解物理信息神经网络交通状态估计

    Traffic state estimation from sparse fixed sensors is challenging because physics-informed neural networks (PINNs) tend to over-smooth the shockwaves admitted by the Lighthill-Whitham-Richards (LWR) model. This study proposes Adaptive Domain Decomposition Physics-Informed Neural …

  2. Hugging Face Daily Papers TIER_1 English(EN) ·

    用于稀疏传感器数据的自适应域分解物理信息神经网络交通状态估计

    Traffic state estimation from sparse fixed sensors is challenging because physics-informed neural networks (PINNs) tend to over-smooth the shockwaves admitted by the Lighthill-Whitham-Richards (LWR) model. This study proposes Adaptive Domain Decomposition Physics-Informed Neural …

相关实体

相关话题