傅里叶神经算子用于学习宏观交通流模型的解:正向和反向问题的应用
原文中文,约300字,阅读约需1分钟。发表于: 。使用深度学习方法研究交通流中非线性双曲型偏微分方程的解决方案,通过训练算子来预测宏观交通状态和密度动态,以及改进冲击预测和物理约束问题。
该研究探讨了神经算子在预测紊流方面的应用,重点研究了傅立叶神经算子(FNO)模型。通过分析不同的模型配置,发现U-NET结构(UNO和U-FNET)在准确性和稳定性方面优于标准的FNO。梯度和稳定性损失等正则化项对于稳定而准确的预测至关重要。该研究强调了改进流体流动预测深度学习模型评估指标的必要性。进一步研究应该关注处理复杂流动和实际基准评估指标的模型。