Apprendimento Profondo Informato dalla Fisica per la Stima dello Stato del Traffico con Limiti di Velocità Variabili
È stato introdotto un nuovo framework che combina l'addestramento ensemble insegnante-studente con reti neurali di apprendimento profondo informato dalla fisica (PIDL) per la stima dello stato del traffico (TSE) in scenari con limiti di velocità variabili (VSL). Gli attuali modelli PIDL faticano ad adattarsi alle condizioni di traffico fluttuanti sulle autostrade con VSL. Il metodo innovativo incorpora i principi della legge di conservazione del flusso nei modelli insegnante attraverso PIDL, mentre un modello studente utilizza un classificatore a percettrone multistrato (MLP) per riconoscere i modelli di traffico e scegliere il membro ensemble appropriato. Questo progresso affronta una significativa lacuna nelle strategie esistenti di gestione del traffico.
Fatti principali
- Le reti neurali di apprendimento profondo informato dalla fisica (PIDL) sono utilizzate per la stima dello stato del traffico (TSE).
- I limiti di velocità variabili (VSL) sono un approccio efficiente per la gestione del traffico.
- Le architetture di addestramento PIDL esistenti non possono gestire le caratteristiche del traffico in cambiamento sulle autostrade con VSL.
- Un nuovo framework integra l'addestramento ensemble insegnante-studente con PIDL per TSE in scenari VSL.
- I modelli insegnante codificano localmente la fisica della legge di conservazione del flusso utilizzando PIDL.
- Il modello studente utilizza un classificatore a percettrone multistrato (MLP) per identificare le caratteristiche del traffico.
- Il modello studente seleziona il membro ensemble delle reti neurali PIDL.
- Il framework è proposto per affrontare la sfida dei VSL nella stima dello stato del traffico.
Entità
Istituzioni
- arXiv