Física informada Aprendizaje profundo para la estimación del estado del tráfico: una encuesta y la perspectiva
Autores: Di, Xuan; Shi, Rongye; Mo, Zhaobin; Fu, Yongjie
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Física informada Aprendizaje profundo para la estimación del estado del tráfico: una encuesta y la perspectiva
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Robusto
Poder predictivo
Entrenamiento eficiente en muestras
Aprendizaje profundo informado por la física
Gráfico computacional
Estimación del estado del tráfico
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 64
Citaciones: Sin citaciones
Por su sólido poder predictivo (en comparación con modelos puramente basados en física) y su entrenamiento eficiente en muestras (en comparación con modelos de aprendizaje profundo puro), el aprendizaje profundo informado por la física (PIDL), un paradigma que hibrida modelos basados en física y redes neuronales profundas (DNN), ha estado en auge en campos de la ciencia y la ingeniería.
Descripción
Por su sólido poder predictivo (en comparación con modelos puramente basados en física) y su entrenamiento eficiente en muestras (en comparación con modelos de aprendizaje profundo puro), el aprendizaje profundo informado por la física (PIDL), un paradigma que hibrida modelos basados en física y redes neuronales profundas (DNN), ha estado en auge en campos de la ciencia y la ingeniería.