结合物理知识的机器学习与导航势场的数据驱动人群模拟框架
原文中文,约300字,阅读约需1分钟。发表于: 。本研究解决了传统基于规则的物理模型在处理复杂人群模拟任务时的局限性,提出了一种集成物理知识的机器学习与导航势场的数据驱动人群模拟框架。通过创新的物理知识时空图卷积网络(PI-STGCN),该框架能够基于人群时空数据预测行人移动趋势,并动态计算导航势场,实验结果显示其在准确性和表现一致性上优于现有方法。
本文介绍了SPDiff,一种社交物理驱动的扩散模型,解决了物理驱动机器学习在群体模拟中对人类移动异质性和多模态问题的不足。通过反向扩散和群体交互模块,SPDiff生成行人移动分布,减少噪声误差。多帧展开训练算法进一步减轻长期模拟中的错误累积。实验表明,SPDiff在真实数据集上的表现优越。