Structure-preserving Sparse Identification of Nonlinear Dynamics for Data-driven Modeling
Arizona State University(亚利桑那州立大学);Sandia National Laboratories(桑迪亚国家实验室);Pacific Northwest National Laboratory(太平洋西北国家实验室)
从数据中发现动态系统形成了数据驱动建模的基础,最近,结构保持几何视角已被证明可以提供更好的预测,稳定性和物理可实现性保证。在这里,我们提出了一个统一的稀疏识别的非线性动力学(SINDy)形式主义与神经常微分方程。由此产生的框架允许学习的“黑箱”动态和学习的结构保持括号形式主义的可逆和不可逆的动态。我们提出了一套基准证明的有效性和结构保存,包括混沌系统。
2021-09-11 cs.LG physics.comp-ph
Data-driven decision-focused surrogate modeling
University of Minnesota(明尼苏达大学)
本文提出决策聚焦替代建模,通过学习简单凸替代模型最小化决策预测误差,经化工过程实验验证,相比标准方法数据效率更高且预测精度高。
2023-12-25 cs.LG math.OC
Progressive reduced order modeling: empowering data-driven modeling with selective knowledge transfer
Sandia National Laboratories(桑迪亚国家实验室);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
针对数据驱动建模数据需求高、工程应用受限的问题,提出带门控选择性知识迁移的渐进式降阶建模框架,可在小训练集下实现高精度,经多工程案例验证效果优于大样本无迁移模型,助力高效低成本的数据驱动建模。
2023-10-04 cs.AI cs.CE cs.LG
Combining physics-based and data-driven techniques for reliable hybrid analysis and modeling using the corrective source term approach
Norwegian University of Science and Technology(挪威科技大学);SINTEF Energy Research(SINTEF能源研究院);SINTEF Digital(SINTEF数字研究院);Oklahoma State University(俄克拉荷马州立大学)
即将到来的技术,如数字孪生,自主和人工智能系统涉及安全关键应用程序需要模型是准确的,可解释的,计算效率高,可推广。不幸的是,两种最常用的建模方法,基于物理的建模(PBM)和数据驱动建模(DDM)无法满足所有这些要求。在目前的工作中,我们展示了如何结合PBM和DDM的最佳混合方法可以导致模型,可以超越他们两个。我们通过将基于第一原理的偏微分方程与黑盒DDM(在这种情况下,是补偿未知物理的深度神经网络模型)相结合来实现这一点。首先,我们提出了一个数学论证,为什么这种方法应该工作,然后应用混合方法模型二维的热扩散问题与未知的源项。结果表明,该方法的优越性能的准确性,和推广。此外,它示出了如何DDM部分可以在混合框架内解释,使整体方法可靠。
2022-06-07 cs.LG
Empirical Mode Modeling: A data-driven approach to recover and forecast nonlinear dynamics from noisy data
Salk Institute for Biological Studies(索尔克生物研究所);U.S. Department of the Interior(美国内政部);Scripps Institution of Oceanography(斯克里普斯海洋研究所);University of California San Diego(加州大学圣地亚哥分校)
数据驱动的无模型分析是发现和预测复杂非线性系统的自然选择。在系统状态空间中操作的方法需要一个明确的多维状态空间,或者从可用的观测值中近似。由于观测数据经常与噪声一起采样,因此噪声可能会破坏状态空间表示,从而降低分析性能。在这里,我们评估的经验模式分解与经验动态建模,我们术语的经验模式建模,以增加在噪声存在下的状态空间表示的信息内容的合成。评估的数学,生态上重要的地球物理应用在三个不同的状态空间表示表明,经验模式建模可能是一个有用的技术,数据驱动,无模型,状态空间分析中存在的噪声。
2021-03-10 cs.LG physics.geo-ph stat.ML
High-Fidelity and Low-Latency Universal Neural Vocoder based on Multiband WaveRNN with Data-Driven Linear Prediction for Discrete Waveform Modeling
Nagoya University(名古屋大学)
本文提出了一种新的高保真和低延迟的通用神经声码器框架的基础上,多带WaveRNN与数据驱动的线性预测离散波形建模(MWDLP)。MWDLP采用粗-精位WaveRNN架构进行10位μ律波形建模。利用具有相对大的隐藏单元大小的稀疏门控递归单元,同时部署多频带建模以实现实时低延迟使用。提出了一种基于离散波形建模的数据驱动线性预测(LP)新技术,其中LP系数以数据驱动的方式进行估计。此外,一个新的损失函数使用短时傅立叶变换(STFT)的离散波形建模与Gumbel近似也提出了。实验结果表明,所提出的MWDLP框架在300个说话者训练数据上为可见和不可见的说话者和/或语言生成高保真合成语音,包括干净和嘈杂/混响条件,其中训练话语的数量被限制为每个说话者60个,同时允许使用具有$\sim\!$ 0.57- 0.64实时因子的$\sim\!$ 2.1- 2.7 GHz CPU的单核进行实时低等待时间处理,输出和特征提取。
2021-07-05 cs.CL cs.LG cs.SD
Data-Driven Plasticity Modeling via Acoustic Profiling
John Hopkins University(约翰·霍普金斯大学)
本文提出了一种数据驱动框架,通过声发射分析建模晶体金属的塑性变形,利用小波分析检测不同频段的声发射事件,揭示了声发射能量释放与应变演化的关系,并通过机器学习识别关键特征,揭示了四种不同的变形机制。
2026-03-26 cs.LG
Attention to Detail: Fine-Scale Feature Preservation-Oriented Geometric Pre-training for AI-Driven Surrogate Modeling
Carnegie Mellon University(卡内基梅隆大学);Dassault Systèmes SIMULIA Corp.(达索系统SIMULIA公司)
本文提出一种自监督几何表示学习方法,通过近零水平采样和批量自适应注意力加权损失函数捕获非参数化三维模型的细尺度几何特征,并在结构力学案例中验证了其少样本物理预测能力。
2025-05-03 cs.LG
On Variational Inference for User Modeling in Attribute-Driven Collaborative Filtering
Walmart Labs(沃尔玛实验室)
推荐系统已成为在线电子商务平台不可或缺的一部分,推动了客户参与度和收入。大多数流行的推荐系统试图从用户过去的参与数据中学习,以了解用户的行为特征,并使用这些特征来预测未来的行为。在这项工作中,我们提出了一种方法来使用因果推理,通过时间上下文来学习用户属性的亲和力。我们制定这个目标作为一个概率机器学习问题,并应用基于变分推理的方法来估计模型参数。我们在两个真实世界的数据集上展示了所提出的方法在下一个属性预测任务上的性能,并表明它优于标准基线方法。
2020-12-02 cs.LG
DAOpt: Modeling and Evaluation of Data-Driven Optimization under Uncertainty with LLMs
Zhejiang University(浙江大学);University of Toronto(多伦多大学);Peking University(北京大学)
针对大语言模型在不确定性优化场景应用研究不足的问题,本文提出DAOpt框架,配套数据集、决策模块与评估环境,结合领域知识少样本学习提升LLM的不确定性优化建模能力。
2025-09-24 cs.AI cs.LG
Thermodynamically Consistent Machine-Learned Internal State Variable Approach for Data-Driven Modeling of Path-Dependent Materials
University of California, San Diego(加州大学圣地亚哥分校)
复杂材料的路径依赖行为的表征和建模的唯象模型仍然具有挑战性,由于在制定的数学表达式和内部状态变量(ISV)控制的路径依赖行为的困难。数据驱动的机器学习模型,如深度神经网络和递归神经网络(RNN),已经成为可行的替代方案。然而,将输入映射到输出而不考虑底层物理的纯黑盒数据驱动模型具有不稳定和不准确的泛化性能。提出了一种基于可测量材料状态的机器学习物理信息数据驱动的路径依赖材料本构建模方法。所提出的数据驱动的本构模型的设计考虑到普遍的热力学原理,其中的ISV必不可少的材料路径依赖性是自动推断的RNN的隐藏状态。描述数据驱动的机器学习ISV进化的RNN遵循热力学第二定律。为了提高RNN模型的鲁棒性和准确性,将随机性引入到模型训练中。研究了RNN历史步数、内部状态维数、模型复杂度和应变增量对模型性能的影响。所提出的方法的有效性进行了评估,通过模拟土壤材料的行为下循环剪切载荷使用实验应力-应变数据。
2022-05-01 cs.CE cs.LG cs.NA
Data-driven Kinematic Modeling in Soft Robots: System Identification and Uncertainty Quantification
Iowa State University(爱荷华州立大学);Arieca, Inc.(Arieca公司)
针对软体机器人运动学建模中的预测不确定性问题,本文比较多种机器学习模型并开发基于分裂保形预测的框架,以提供有理论保证的分布无关预测区间。
2025-07-10 cs.LG cs.RO cs.SY
State-driven Implicit Modeling for Sparsity and Robustness in Neural Networks
UC Berkeley(加州大学伯克利分校)
隐式模型是一类通用的学习模型,它放弃了神经网络中典型的分层结构,而是基于“平衡”方程定义内部状态,从而提供有竞争力的性能并减少内存消耗。然而,训练这样的模型通常依赖于昂贵的隐式差分反向传播。在这项工作中,我们提出了一种新的方法来训练隐式模型,称为状态驱动隐式建模(SIM),其中我们约束内部状态和输出,以匹配基线模型,避免昂贵的向后计算。训练问题通过构造变得凸,并且由于其可分解的结构,可以以并行方式解决。我们展示了SIM方法如何应用于显着提高在FashionMNIST和CIFAR-100数据集上训练的基线模型的稀疏性(参数减少)和鲁棒性。
2022-09-19 cs.LG math.OC
A Data-driven Dynamic Temporal Correlation Modeling Framework for Renewable Energy Scenario Generation
针对可再生能源出力的非线性和时变特征,提出动态时序相关性建模框架,通过解耦映射路径和动态协方差矩阵建模相关性,结合隐式分位数网络实现场景生成,实验验证其优于现有方法。
2025-01-24 cs.LG
Data-driven, multi-moment fluid modeling of Landau damping
Fudan University(复旦大学);Princeton University(普林斯顿大学);Princeton Plasma Physics Laboratory(普林斯顿等离子体物理实验室)
当系统中存在某些未知项和隐藏的物理机制时,基于第一性原理推导复杂物理系统的控制方程是相当具有挑战性的。在这项工作中,我们应用深度学习架构来学习基于从完全动力学模型获得的数据的等离子体系统的流体偏微分方程(PDE)。学习的多力矩流体偏微分方程被证明将动力学效应,如朗道阻尼。基于学习的流体封闭性,数据驱动的多矩流体建模可以很好地再现从完全动力学模型导出的所有物理量。计算得到的Landau阻尼率与全动力学模拟和线性理论计算结果一致。数据驱动的复杂物理系统的偏微分方程流体建模可以应用于提高流体封闭性和降低全球系统多尺度建模的计算成本。
2022-09-10 astro-ph.IM cs.LG physics.plasm-ph
Meta-modeling strategy for data-driven forecasting
Massachusetts Institute of Technology(麻省理工学院);Argonne National Laboratory(阿贡国家实验室)
准确预报天气是减缓气候变化的关键要求。数据驱动的方法提供了做出更准确预测的能力,但缺乏可解释性,如果不仔细开发模型,训练和部署成本可能很高。在这里,我们利用两个历史气候数据集和机器学习工具来准确预测温度场。此外,我们能够使用低保真模型,这是廉价的训练和评估,以选择性地避免昂贵的高保真度函数评估,以及揭示预测能力的季节变化。这允许用于计算高效的地球物理仿真的自适应训练策略。
2020-11-14 cs.LG physics.ao-ph
A Behavioral Framework for Data-Driven Modeling of Nonlinear Systems in Vector-Valued Reproducing Kernel Hilbert Spaces
Carl R. Woese Institute for Genomic Biology and the Coordinated Science Laboratory, University of Illinois Urbana-Champaign(卡尔·R·沃塞基因组生物学研究所和协调科学实验室,伊利诺伊大学厄巴纳-香槟分校);Department of Electrical and Computer Engineering and the Coordinated Science Laboratory, University of Illinois Urbana-Champaign(电气与计算机工程系和协调科学实验室,伊利诺伊大学厄巴纳-香槟分校)
本文提出将Jan Willems的行为方法推广到向量值再生核希尔伯特空间中的离散非线性系统,结合最小范数插值和子空间识别方法进行数据驱动建模。
2026-05-08 cs.LG cs.SY eess.SY
Uncertainty-aware predictive modeling for fair data-driven decisions
School of Social Sciences(社会科学学院);University of Mannheim(曼海姆大学);Department of Statistics(统计学系);LMU Munich(慕尼黑大学)
工业界和学术界在开发可靠和负责任的机器学习(ML)系统方面都取得了相当大的进展。虽然公平性和可解释性等关键概念经常得到解决,但系统的安全性通常没有得到充分考虑。通过将数据驱动的决策系统视为社会技术系统,我们利用ML文献中的不确定性来展示fairML系统如何也可以是safeML系统。我们认为,一个公平的模型需要是一个不确定性感知的模型,例如,通过绘制分布回归。为了公平的决定,我们认为,一个安全的失败选项应用于个人不确定的分类。我们介绍了半结构化深度分布回归作为建模框架,它解决了标准ML模型带来的多种问题,并展示了它在求职者算法分析的真实示例中的使用。
2022-11-04 cs.LG stat.ML
Omics-driven hybrid dynamic modeling of bioprocesses with uncertainty estimation
CSIRO(联邦科学与工业研究组织)
本研究提出组学驱动的混合动态建模流程,结合随机森林、高斯过程等机器学习方法处理酵母蛋白质组数据,实现生物过程动态行为预测与不确定性估计,可推广至多组学整合及大规模数据集场景。
2024-12-16 cs.LG q-bio.QM
Fast and accurate waveform modeling of long-haul multi-channel optical fiber transmission using a hybrid model-data driven scheme
光波在光纤中传播的建模是一项快速准确求解非线性薛定谔方程(NLSE)的任务,可以使光学系统设计、数字信号处理验证和快速波形计算成为可能。传统的全时全频信息波形建模方法是分步傅立叶方法(SSFM),由于其非常耗时,长期以来一直被认为是长距离波分复用(WDM)光纤通信系统中的挑战。在这里,我们提出了一种线性-非线性特征解耦分布式(FDD)波形建模方案来建模长距离WDM光纤信道,其中信道线性效应由NLSE导出的模型驱动方法建模,非线性效应由数据驱动的深度学习方法建模。同时,该方案只关注单跨光纤距离拟合,然后递归传输模型,以达到所需的传输距离。仿真结果表明,该建模方法具有较高的精度和计算速度,并具有较强的泛化能力,适用于不同的光发射功率、调制格式、信道数和传输距离。对于41路1040 km光纤传输,FDD波形建模方案的总运行时间仅为3分钟,而对于每个输入条件使用SSFM超过2小时,这实现了98%的计算时间减少。考虑到通过调整系统参数进行多轮优化,复杂度降低显著。这些结果代表了非线性光纤建模的显著改进,并为解决NLSE偏微分方程和光纤物理问题开辟了新的视角。
2022-05-16 cs.LG eess.SP
Hybrid physics-based and data-driven modeling with calibrated uncertainty for lithium-ion battery degradation diagnosis and prognosis
Institute for Infocomm Research, A*STAR(新加坡资讯通信研究院(新加坡科技研究局下属机构))
针对锂离子电池退化机理认识不足的问题,提出以物理为骨干、统计学习为增强的混合建模方法,用于在线诊断与预测,并提供校准不确定性以提升泛化性、可解释性和安全应用价值。
2021-11-01 cs.LG physics.chem-ph
Modeling shopper interest broadness with entropy-driven dialogue policy in the context of arbitrarily large product catalogs
Gorgias Paris France(巴黎高斯集团)
针对大规模商品目录下的对话推荐,本文提出用检索分数熵建模用户兴趣广度,以低熵触发直接推荐、高熵触发探索问题,实现高效探索-利用平衡。
2025-09-07 cs.IR cs.LG
Second-order AAA algorithms for structured data-driven modeling
Virginia Tech(弗吉尼亚理工大学);Max Planck Institute for Dynamics of Complex Technical Systems(马克斯·普朗克复杂技术系统动力学研究所)
针对动力系统数据驱动建模忽略微分结构导致物理解释困难的问题,提出三种基于二阶结构化重心形式的二阶AAA算法变体,经理论分析与数值实验验证其相较传统非结构化方法更有效。
2025-06-02 cs.LG cs.NA cs.SY
Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs
University of Chinese Academy of Sciences(中国科学院大学);Microsoft Research Asia(微软亚洲研究院);Chinese Academy of Sciences(中国科学院);Bielefeld University(比勒费尔德大学)
随机偏微分方程(SPDE)是大气科学和物理学等许多领域中动力学建模的重要工具。神经算子是神经网络的新一代,具有学习无穷维空间映射的能力,是求解参数偏微分方程的有力工具。然而,他们缺乏建模的能力,通常有较差的规律性,由于驱动噪声的SPDE。由于正则结构理论在分析SPDE方面取得了巨大的成功,并提供了很好地逼近SPDE解的概念模型特征向量,我们提出了具有正则结构的神经算子(NORS),它包含了由SPDE驱动的动力学建模的特征向量。我们进行了各种SPDE的实验,包括动态Phi 41模型和二维随机Navier-Stokes方程,结果表明,NORS是分辨率不变的,有效的,并实现了一个数量级的低误差与适量的数据。
2022-07-18 cs.LG math.AP physics.comp-ph
RCUKF: Data-Driven Modeling Meets Bayesian Estimation
University of New Mexico(新墨西哥大学)
RCUKF结合数据驱动建模与贝叶斯估计,用于高维或混沌系统中准确的状态估计与实时校正。
2025-08-07 cs.LG cs.SY eess.SY
BuilDyn: Excitation-Driven Data Generation for Building Thermal Dynamics Modeling and Control
Technical University of Applied Sciences Rosenheim(应用技术大学罗森海姆);Technical University of Munich(慕尼黑技术大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出BuilDyn包,通过可定制的激励策略生成控制导向的建筑数据,提升机器学习模型对未见工况的鲁棒性。
2026-05-28 cs.LG cs.SY eess.SY
Data-Driven Stochastic Closure Modeling via Conditional Diffusion Model and Neural Operator
Department of Mechanical Engineering, University of Wisconsin–Madison(机械工程系,威斯康星大学麦迪逊分校)
本文提出利用条件扩散模型与傅里叶神经算子构建数据驱动随机闭合模型,以高效模拟多尺度动力系统,并提升泛化能力与采样效率。
2025-04-18 cs.LG math.DS physics.comp-ph
HierCVAE: Hierarchical Attention-Driven Conditional Variational Autoencoders for Multi-Scale Temporal Modeling
HierCVAE通过层级注意力与条件变分自编码器结合,实现多尺度时间建模,在能源数据集上预测精度提升15-40%,并改善不确定性校准。
2025-08-26 cs.AI cs.LG
AI-Driven Reinvention of Hydrological Modeling for Accurate Predictions and Interpretation to Transform Earth System Modeling
Institute of Tibetan Plateau Research, Chinese Academy of Sciences(中国科学院青藏高原研究所);China Electric Power Research Institute(中国电力科学研究院);Department of Earth System Science, Tsinghua University(清华大学地球系统科学系);University of Gothenburg(哥德堡大学);National Astronomical Observatories of the Chinese Academy of Sciences(中国科学院国家天文台);The South China Sea Institute of Oceanology, Chinese Academy of Sciences(中国科学院南海海洋研究所);North China Electric Power University(华北电力大学);Global Energy Interconnection Development and Cooperation Organization(全球能源互联网发展合作组织);Alibaba Cloud(阿里云)
针对传统及混合水文模型预测不准、可解释性不足的问题,本文提出算法驱动且数据无关的HydroTrace,以注意力机制实现高精度径流预测、泛化与水文机制解析,并结合LLM支持实际应用。
2025-01-07 cs.AI cs.ET cs.LG
A Data-Driven Hybrid Automaton Framework to Modeling Complex Dynamical Systems
Southwest Jiaotong University(西南交通大学);Augusta University(奥古斯塔大学)
该研究提出数据驱动的神经网络混合自动机框架,通过有效划分、局部小规模网络与区间分析实现低成本可达性分析,并以极限周期示例验证其在保持精度的同时显著降低计算成本。
2023-04-26 cs.LG cs.SY eess.SY
A data-driven approach to modeling brain activity using differential equations
Faculty of Computer Science(计算机学院);HSE University(高等经济大学)
本文提出一种利用不完整数据和先验领域知识恢复微分方程的新算法,用于脑活动建模,并在合成与真实数据集上验证了其实用性。
2024-04-14 cs.AI cs.LG q-bio.NC
Deep autoencoders for physics-constrained data-driven nonlinear materials modeling
University of California, San Diego(加州大学圣地亚哥分校);Pacific Northwest National Laboratory(太平洋西北国家实验室)
物理约束数据驱动计算是一种新兴的计算范式,它可以直接基于材料数据库对复杂材料进行模拟,而不需要建立经典的本构模型。然而,它仍然难以处理高维应用和外推推广。本文介绍了数据驱动框架下的深度学习技术,以解决非线性材料建模中的这些基本问题。为此,引入自动编码器神经网络架构来学习给定材料数据库的底层低维表示(嵌入)。然后将离线训练的自动编码器和发现的嵌入空间并入在线数据驱动计算中,使得可以在低维空间上执行从数据库中搜索最佳材料状态,旨在增强投影材料数据的鲁棒性和可预测性。为了保证数值稳定性和代表性的本构流形,一个保凸插值方案定制建议的基于自动编码器的数据驱动求解器,提出了用于构建材料状态。在这项研究中,所提出的方法的适用性证明了非线性生物组织建模。对数据噪声、数据大小和稀疏性、训练初始化和模型结构进行了参数研究,以检验所提出方法的鲁棒性和收敛性。
2022-09-03 cs.CE cs.LG cs.NA
Data-driven multiscale modeling for correcting dynamical systems
Courant Institute of Mathematical Sciences(数学科学学院)
本文提出了一种数据驱动的多尺度建模方法,用于修正动力系统中的混沌模型,通过亚网格参数化任务验证其在复杂动态系统中的有效性。
2025-05-14 cs.LG physics.ao-ph
Single- to multi-fidelity history-dependent learning with uncertainty quantification and disentanglement: application to data-driven constitutive modeling
Faculty of Mechanical Engineering Delft University of Technology(代尔夫特理工大学机械工程学院);School of Engineering Brown University(布朗大学工程学院)
本研究提出带层级结构的多保真历史依赖数据驱动学习方法,可量化认知不确定性并解耦数据噪声,在数据驱动本构建模场景中验证了有效性,为科学工程领域不确定性下的设计分析提供了新途径。
2025-07-17 cs.AI cs.LG
A Data-driven Reduced Order Modeling Approach Applied In Context Of Numerical Analysis And Optimization Of Plastic Profile Extrusion
RWTH Aachen University(亚琛工业大学)
在这项工作的过程中,我们研究了塑料型材挤出的过程,其中聚合物熔体在所谓的挤出模头内成形,并通过在下游校准单元中固化而固定其形状。更准确地说,我们专注于开发一个数据驱动的降阶模型(ROM),用于预测校准单元内挤出型材的温度分布。其中,ROM作为我们基于预测的过程控制的总体目标的第一步,以避免最终产品的不期望的翘曲和损坏。
2022-09-07 cs.LG cs.NA math.NA
Surrogate-assisted performance prediction for data-driven knowledge discovery algorithms: application to evolutionary modeling of clinical pathways
ITMO University(圣彼得堡国立信息技术机械与光学大学);Almazov National Medical Research Center(阿尔马佐夫国家医学研究中心)
提出并研究了一种基于代理的数据驱动知识发现算法性能预测方法。该方法基于代理模型的识别,用于预测目标算法的质量和性能。所提出的方法被实施和研究应用到一个进化算法,发现集群的可解释的临床路径在电子健康记录的急性冠状动脉综合征患者。多个聚类指标和执行时间分别作为目标质量和性能指标。一个分析软件原型的基础上提出的方法预测的算法特性和特征分析,提供了一个更可解释的预测目标算法的性能和质量,可以进一步用于参数调整。
2022-01-07 cs.LG stat.ML
Modeling Atmospheric Data and Identifying Dynamics: Temporal Data-Driven Modeling of Air Pollutants
University of North Texas(北德克萨斯大学);Pacific Northwest National Laboratory(太平洋西北国家实验室);Indiana University(印第安纳大学);Harvard University(哈佛大学)
随着深度学习的出现,大气建模最近经历了一次激增。然而,这些模型中的大多数预测污染物的浓度遵循数据驱动的方法,其中管理其行为和关系的物理定律仍然隐藏。借助马德里不同监测站每小时采集的真实空气质量数据,我们提出了一种基于数据驱动技术的经验方法,其目标如下:(1)通过非线性动力学稀疏识别(SINDy)找到简化的常微分方程组,模拟污染物浓度及其随时间的变化;(2)利用稳定性分析评估模型的性能和局限性;(3)利用延迟坐标嵌入结果重建某些站点未测量的化学污染物的时间序列。我们的研究结果表明,赤池的信息准则可以很好地与最佳子集回归,找到一个稀疏性和拟合优度之间的平衡。我们还发现,由于所研究的化学系统的复杂性,识别该系统在较长时间内的动态需要更高水平的数据过滤和平滑。重建的常微分方程(ODE)的稳定性分析表明,超过一半的物理相关的临界点是鞍点,这表明系统是不稳定的,即使在理想化的假设下,所有的环境条件是恒定的。
2021-07-06 cs.LG math.OC stat.AP
Integrating Physics-Based and Data-Driven Approaches for Probabilistic Building Energy Modeling
EPFL(瑞士联邦理工学院);Swiss Federal Laboratories for Materials Science(瑞士材料科学联邦实验室);Vienna University of Technology (TUW)(维也纳技术大学)
本文在真实建筑案例中系统比较五种物理与数据驱动混合的概率能耗建模方法,发现基于前馈神经网络的残差学习平均最优且在分布外场景物理直观,分位数保形预测可有效校准室内温度预测。
2025-07-23 cs.AI cs.LG cs.SY
Beyond Conventional Parametric Modeling: Data-Driven Framework for Estimation and Prediction of Time Activity Curves in Dynamic PET Imaging
School of Biomedical Engineering, University of British Columbia(英属哥伦比亚大学生物医学工程学院);BC Cancer Research Institute(不列颠哥伦比亚省癌症研究所);Department of Radiology, University of British Columbia(英属哥伦比亚大学放射学系);Department of Physics, University of British Columbia(英属哥伦比亚大学物理系);Department of Earth, Ocean and Atmospheric Sciences(地球、海洋与大气科学系)
本研究提出一个受反应扩散系统启发的神经网络数据驱动框架,通过自适应拟合dPET的TAC并直接校准扩散系数与反应项,显著提升了复杂生物场景下放射性药物时空动态的预测准确性与鲁棒性。
2024-05-31 cs.LG eess.IV math.DS
Data-Driven Modeling and Prediction of Non-Linearizable Dynamics via Spectral Submanifolds
ETH Zürich(苏黎世联邦理工学院);University of Bremen(不来梅大学);Leibniz Institute for Materials Engineering IWT(莱布尼茨材料工程研究所(IWT))
我们开发了一种方法来构建低维预测模型的数据集表示基本上是非线性(或非线性)动力系统与双曲线性部分,受到外部强迫与许多频率。我们的数据驱动的,稀疏的,非线性模型得到的低维,吸引谱子流形(SSM)的动力系统的约化动力学的扩展规范形式。我们说明了权力的数据驱动的SSM减少高维数值数据集和实验测量,涉及光束振荡,旋涡脱落和晃动在水箱中。我们发现,非强迫数据上训练的SSM约简也能准确预测额外外部强迫下的非线性响应。
2022-01-13 cs.LG cs.SY eess.SY
A Survey on Data-Driven Modeling of Human Drivers' Lane-Changing Decisions
School of Systems Science, Beijing Jiaotong University(北京交通大学系统科学学院);Department of Automation, BNRist, Tsinghua University(清华大学自动化系);Laboratory for Information and Decision Systems, Massachusetts Institute of Technology(麻省理工学院信息与决策系统实验室)
该文综述面向人类驾驶员的数据驱动换道决策模型,梳理数据、输入输出、目标、结构与验证框架,并讨论安全、不确定性及技术集成挑战。
2025-05-10 cs.AI cs.HC cs.LG
Data-driven Effective Modeling of Multiscale Stochastic Dynamical Systems
The Ohio State University(俄亥俄州立大学)
提出一种数值方法,利用未知多尺度随机动力系统中慢变量的观测数据片段,构建生成式随机模型以在分布上准确捕捉慢分量的有效动力学,并通过数值示例验证了其性能。
2024-08-27 cs.LG cs.NA math.NA
A Comparison of Neural Network Architectures for Data-Driven Reduced-Order Modeling
Florida State University(佛罗里达州立大学);University of South Carolina(南卡罗来纳大学)
深度卷积自动编码器(CAE)的流行产生了新的和有效的降阶模型(ROM)的大规模动态系统的仿真。尽管如此,仍然不知道深度CAE是否在所有建模场景中提供优于线性技术或其他基于网络的方法的性能。为了阐明这一点,自动编码器架构对其相关ROM的影响进行了研究,通过比较深CAE对两种替代方案:一个简单的全连接自动编码器,和一个新的图形卷积自动编码器。通过基准测试实验,它表明,优越的自动编码器架构为一个给定的ROM应用程序是高度依赖于潜在空间的大小和结构的快照数据,与所提出的架构展示的好处与不规则的连接数据时,潜在空间足够大。
2022-02-08 cs.LG cs.NA math.NA
Data-Driven Representations for Testing Independence: Modeling, Analysis and Connection with Mutual Information Estimation
University of Chile(智利大学)
这项工作解决了测试两个连续的和有限维的随机变量的数据驱动分区的设计的独立性。采用经验对数似然统计量来近似独立性(已知两个假设)的oracle检验的充分统计量。结果表明,近似的充分统计量的Oracle测试提供了一个学习标准,设计一个数据驱动的分区,连接的互信息估计的问题。应用这些想法的上下文中的数据相关的树结构分区(TSP),我们推导出条件的TSP的参数,以实现一个强一致的分布的独立性测试的概率配备了密度的家庭。补充这一结果,我们提出了有限长度的结果,表明我们的TSP计划的能力,以检测的情况下,独立的结构与数据驱动的分区,以及新的采样复杂性界限,这种检测。最后,一些实验分析提供的证据,我们的计划的优势,测试独立性相比,一些战略,不使用数据驱动的表示。
2021-10-27 cs.IT cs.LG math.IT