Physics-Informed Deep Learning For Traffic State Estimation: A Survey and the Outlook

要約

ロバストな予測力（純粋な物理ベースモデルと比較）とサンプル効率の良い学習（純粋なディープラーニングモデルと比較）により、物理ベースモデルとディープニューラルネットワーク（DNN）をハイブリッドしたパラダイムである物理情報深層学習（PIDL）は、科学・工学分野でブームとなっています。PIDLを様々なドメインや問題に適用する際の重要な課題の一つは、物理とDNNを統合する計算グラフの設計にある。すなわち、物理をどのようにDNNに符号化し、物理とデータの構成要素をどのように表現するかということである。本論文では、PIDL計算グラフの様々なアーキテクチャ設計と、これらの構造が交通工学の中心的問題である交通状態推定（TSE）にどのようにカスタマイズされているかを示す。観測データ、問題の種類、目標が異なる場合、PIDL計算グラフの潜在的なアーキテクチャを示し、同じ実世界のデータセットを用いてこれらの変形を比較する。

要約(オリジナル)

For its robust predictive power (compared to pure physics-based models) and sample-efficient training (compared to pure deep learning models), physics-informed deep learning (PIDL), a paradigm hybridizing physics-based models and deep neural networks (DNN), has been booming in science and engineering fields. One key challenge of applying PIDL to various domains and problems lies in the design of a computational graph that integrates physics and DNNs. In other words, how physics are encoded into DNNs and how the physics and data components are represented. In this paper, we provide a variety of architecture designs of PIDL computational graphs and how these structures are customized to traffic state estimation (TSE), a central problem in transportation engineering. When observation data, problem type, and goal vary, we demonstrate potential architectures of PIDL computational graphs and compare these variants using the same real-world dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL