.png){kind=icon}
返回
Freeway Traffic Modeling by Physics-Regularized Gaussian Processes
.png){kind=icon}
OA
AI
DOI：10.1109/OJITS.2025.3532796.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
有效的交通管理与控制对于缓解拥堵和减少道路交通系统的环境影响至关重要。本文提出了一种新颖的交通建模方法，将基于物理的动力学与机器学习技术相结合。我们的方法利用高斯过程（GPs）和一种称为METANET的多类二阶离散交通模型，开发了一个物理正则化机器学习框架。此外，所提出的方法首次在建模框架中包含多类匝道，增强了预测模型的真实性。我们系统地评估了混合模型在不同数据集大小下的性能，以确定准确交通预测的最优数据需求。实验结果表明，与传统的机器学习和基于物理的模型相比，所提出的方法具有改进的预测性能。我们的发现强调了物理正则化机器学习在增强现实场景中交通管理与控制策略的潜力。
Keyword:
Intelligent transportation systems
machine learning
model learning for control
期刊
I
IF:
5.3
论文数:
243
被引数:
970
机构
引用论文
分享收藏Physics-Informed Deep Learning for Traffic State Estimation: A Survey and the Outlook.png)
AlgorithmsOAAI
AlgorithmsIF0
OAAI分享收藏Physics-informed deep learning for traffic state estimation based on the traffic flow model and computational graph method基于交通流模型和计算图法的深度学习交通状态估计INFORMATION FUSION
OAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏
查看更多内容