.png){kind=icon}
返回
Physics-informed deep operator network for traffic state estimation
.png){kind=icon}
PRE
AI
DOI：10.1080/21680566.2025.2595549.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通状态估计（TSE）本质上涉及从有限的、有噪声的测量数据中求解支配交通流动力学的、高维时空偏微分方程（PDEs）。尽管物理信息神经网络（PINNs）强制执行PDE约束，但本文采用了一种物理信息深度算子网络（PI-DeepONet）框架，将TSE重新表述为算子学习问题。我们的方法训练一个参数化神经网络算子，将稀疏输入数据映射到由交通流守恒定律支配的完整时空交通状态场。关键在于，与强制执行PDE约束的PINNs不同，PI-DeepONet将交通流守恒模型和基本图直接集成到算子学习过程中，在确保物理一致性的同时，捕捉拥堵传播、空间相关性和时序演变。在Next Generation Simulation（NGSIM）数据集上的实验表明，其性能优于当前最先进的基线方法。进一步分析揭示了最优函数生成策略和分支网络复杂度的见解。此外，还探讨了输入函数生成方法和函数数量对模型性能的影响，突显了所提框架的鲁棒性和有效性。
Keyword:
Deep neural operator
function space mapping
partial differential equation
physics knowledge
traffic state estimation
期刊
IF:
3.4
论文数:
559
被引数:
1.2K
机构
引用论文
A novel spatio-temporal generative inference network for predicting the long-term highway traffic speed一种用于预测长期公路交通速度的新型时空生成推理网络
PREAI
分享收藏A physics-informed traffic state estimation model for freeways under sparse observation data基于稀疏观测数据的高速公路物理感知交通状态估计模型
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏Physics-Informed Deep Learning for Traffic State Estimation: A Survey and the Outlook.png)
Algorithms
OAAI
AlgorithmsIF0
OAAI分享收藏A data-driven optimization-based approach for freeway traffic state estimation based on heterogeneous sensor data fusion基于异构传感器数据融合的高速公路交通状态估计的数据驱动优化方法
PREAI
分享收藏
查看更多内容