Eco-PiNN：一种用于生态通行费估算的物理信息神经网络
机器学习
2023-01-20 v2 人工智能
摘要
生态通行费估算问题量化了车辆沿某路径行驶所需的预期环境代价（如能耗、尾气排放）。该问题对社会应用十分重要，例如生态路径规划，其旨在寻找尾气排放或能量需求最低的路径。该问题的挑战有三方面：（1）车辆生态通行费对其物理参数的依赖；（2）缺乏带有生态通行费信息的数据；（3）上下文信息（即路径中相邻路段的连接关系）对道路路段生态通行费的影响。先前关于生态通行费估算的工作多依赖纯数据驱动方法，在训练数据有限时估计误差较高。为应对这些局限，我们提出一种新颖的生态通行费估算物理信息神经网络框架（Eco-PiNN），运用三个新思路，即（1）将车辆发动机物理定律整合进网络的物理信息解码器，（2）基于注意力的上下文信息编码器，以及（3）用于减少过拟合的物理信息正则化。在真实世界重型卡车数据上的实验表明，相较最先进的方法，所提方法能大幅提升生态通行费估算精度。
引用
@article{arxiv.2301.05739,
title = {Eco-PiNN: A Physics-informed Neural Network for Eco-toll Estimation},
author = {Yan Li and Mingzhou Yang and Matthew Eagon and Majid Farhadloo and Yiqun Xie and William F. Northrop and Shashi Shekhar},
journal= {arXiv preprint arXiv:2301.05739},
year = {2023}
}
备注
Full version of the paper accepted for the SDM23 conference; Yan Li and Mingzhou Yang contributed equally to this paper