物理信息机器学习在交通流建模中的潜在失效：理论与实验分析
机器学习
2025-09-16 v2 计算物理
摘要
本研究探讨了物理信息机器学习 (PIML) 在宏观交通流建模中为何会失效。我们将失效定义为 PIML 模型的表现低于纯数据驱动和纯物理基线的给定阈值的情况。与其他领域不同，在此场景下，物理残差本身并不阻碍优化。相反，有效的更新要求数据梯度和物理梯度均与真实梯度形成锐角，而这一条件在使用低分辨率线圈数据时难以满足。在这种情况下，神经网络无法准确近似密度和速度，而已因离散采样和时间平均而退化的所构建物理残差，则失去了捕捉偏微分方程动力学的能力，这直接导致了 PIML 的失效。理论上，尽管 LWR 和 ARZ 的解是弱解，但对于分段 的初始数据，在温和条件下，它们在激波集（其勒贝格测度为零）之外仍保持 。因此，几乎所有的检测器或配点都位于残差有效的平滑区域，而多层感知机无法精确表示间断点这一点无关紧要。最后，我们建立了物理残差的均方误差下界：在温和条件下，高阶模型（如 ARZ）的一致性误差下界严格大于 LWR。这解释了为何即使使用高分辨率数据，基于 LWR 的 PIML 也能优于基于 ARZ 的 PIML，且随着分辨率提高，差距缩小，这与先前的经验发现一致。
引用
@article{arxiv.2505.11491,
title = {Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis},
author = {Yuan-Zheng Lei and Yaobang Gong and Dianwei Chen and Yao Cheng and Xianfeng Terry Yang},
journal= {arXiv preprint arXiv:2505.11491},
year = {2025}
}