כתבה
arXiv cs.LG ·
הערכה-מאולתרת של שני שלבים לפיצול תחום להערכת מצב תנועה תפוש-פיזיקלי עם סנסורים קבועים דלילים
Observation-Aligned Two-Stage Domain Decomposition for Physics-Informed Traffic State Estimation with Sparse Fixed Sensors
מודלים פיזיקלי-מוטענים להערכת מצב תנועה עם סנסורים קבועים דלילים. המאמר מציג פרקטיקה חדשה להערכת מצב תנועה תפוש-פיזיקלי, המשלבת שני שלבים של פיצול תחום. הפרקטיקה, הנקראת Two-Stage Domain Decomposition Physics-Informed Neural Networks (TSDD-PINN), מספקת הערכה מדויקת של מצב התנועה, והיא יעילה יותר ממודלים אחרים בתחום. המאמר כולל תיאור של הפרקטיקה, תוצאות המחקר, והשימוש במודלים פיזיקלי-מוטענים.
תקציר מקורי באנגליתarXiv:2605.08028v2 Announce Type: replace Abstract: Traffic state estimation from sparse fixed sensors is challenging because physics-informed neural networks (PINNs) tend to over-smooth sharp transitions admitted by the Lighthill-Whitham--Richards (LWR) model. This study proposes Two-Stage Domain Decomposition Physics-Informed Neural Networks (TSDD-PINN), an observation-aligned framework for LWR-based offline speed-field reconstruction. The framework supports spatial, temporal, and space--time refinement. Matched direction analysis shows that spatial refinement has the lowest mean error and less than half the training time of space--time refinement in the tested setting, while temporal refinement is faster. A global parent PINN is first trained. In the controlled spatial implementation, i
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית