面向交通状态估计的物理信息深度学习：综述与展望
机器学习
2023-07-04 v2
摘要
由于其稳健的预测能力（相较于纯基于物理的模型）和样本高效的训练（相较于纯深度学习模型），物理信息深度学习（PIDL）——一种将基于物理的模型与深度神经网络（DNN）混合的范式——在科学与工程领域蓬勃发展。将PIDL应用于不同领域和问题的一个关键挑战在于设计融合物理与DNN的计算图。换言之，即如何将物理编码进DNN，以及物理与数据组件如何表示。在本文中，我们提供了多种PIDL计算图的架构设计，以及这些结构如何针对交通状态估计（TSE）——交通工程中的核心问题——进行定制。当观测数据、问题类型和目标变化时，我们展示了PIDL计算图的潜在架构，并使用同一真实世界数据集对这些变体进行比较。
引用
@article{arxiv.2303.02063,
title = {Physics-Informed Deep Learning For Traffic State Estimation: A Survey and the Outlook},
author = {Xuan Di and Rongye Shi and Zhaobin Mo and Yongjie Fu},
journal= {arXiv preprint arXiv:2303.02063},
year = {2023}
}