Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian Process: Generalized Formulations
Dalian Maritime University(大连海事大学);University of Utah(犹他大学)
尽管经典业务流(例如,二阶宏观)模型和数据驱动(例如,机器学习- ML)方法在交通状态估计中的应用,这些方法要么需要大量的参数校准,要么缺乏理论解释。为了填补这一研究空白,本研究提出了一种新的建模框架,命名为物理正则化高斯过程(PRGP)。这种新颖的方法可以编码物理模型,即,经典的业务流模型,到高斯过程架构,以便正则化ML训练过程。特别地,本研究旨在讨论当原始物理模型具有离散形式时,如何建立PRGP模型。然后基于后验正则化推理框架,提出了一种有效的随机最优化算法来最大化系统似然的证据下界。为了证明所提出的模型的有效性,本文进行了实证研究的真实世界的数据集,从一个延伸的I-15高速公路,犹他州。结果表明,新的PRGP模型在估计精度和输入鲁棒性方面优于以往的兼容方法,如校准物理模型和纯机器学习方法。
2022-03-19 cs.LG eess.SP stat.ML
Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian Process: A New Insight into Machine Learning Applications
University of Utah(犹他大学)
尽管近年来机器学习(ML)技术在交通流建模中得到了广泛的应用,但这些数据驱动的方法在数据集较小或有噪声的情况下往往无法达到准确性。为了解决这个问题,本研究提出了一种新的建模框架,命名为物理正则化机器学习(PRML),编码经典的交通流模型(称为物理模型)到ML架构和正则化ML训练过程。更具体地说,随机物理正则化高斯过程(PRGP)模型的开发和贝叶斯推断算法被用来估计的平均值和核的PRGP。基于宏观交通流模型的物理正则化器也被开发,以增加通过阴影GP和增强的潜在力模型的估计被用来编码到随机过程的物理知识。基于后验正则化推理框架,一个有效的随机最优化算法也被开发,以最大化系统似然的证据下界。为了证明所提出的模型的有效性,本文进行了实证研究的一个真实世界的数据集,这是从一个延伸的I-15高速公路,犹他州。结果表明,新的PRGP模型在估计精度和输入鲁棒性方面优于以往的兼容方法,如校准的纯物理模型和纯机器学习方法。
2020-02-06 cs.LG stat.ML
Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized Gaussian Process Approach
University of Utah(犹他大学)
在微观层次上对车辆跟驰和换道等随机交通行为进行建模,是理解交通流中车辆之间相互作用的关键。利用物理正则化高斯过程(PRGP)理论,提出了一种能够捕捉真实世界中的随机性和度量误差的随机微观流量模型。将经典跟驰模型中的物理知识转化为多变量PRGP的物理正则化子,以阴影高斯过程的形式表示,提高建模精度。更具体地说,一个贝叶斯推断算法被开发来估计平均值和核的GP,和一个增强的潜在的力量模型被制定到随机过程编码的物理知识。同时,基于后验正则化推理框架,提出了一种有效的随机最优化算法来最大化系统似然的证据下界。为了评估所提出的模型的性能,本研究进行了实证研究,从NGSIM数据集的真实世界的车辆轨迹。由于所提出的框架的一个独特的功能是捕捉车辆跟随和换道行为与一个单一的模型的能力,数值测试进行了两个单独的数据集,一个包含换道机动,另一个不。结果表明,该方法在估计精度上优于以往有影响的方法。
2020-07-17 cs.LG eess.SP stat.ML
Learning Probabilistic Intersection Traffic Models for Trajectory Prediction
Department of Mechanical Science and Engineering University of Illinois Champaign-Urbana(伊利诺伊大学厄巴纳-香槟分校机械科学与工程系)
自主智能体必须能够安全地与其他车辆互动,以融入城市环境。这些代理的安全性取决于它们预测与其他车辆未来轨迹的碰撞以进行重新规划和避免碰撞的能力。预测碰撞所需的信息可以从先前在特定环境中观察到的车辆轨迹中学习,从而生成交通模型。然后,可以将所学习的交通模型作为先验知识合并到在该环境中使用的任何轨迹估计方法中。提出了一种基于高斯过程的概率交通模型,用于量化交叉口车辆行为。高斯过程模型提供平均车辆轨迹的估计,同时还捕获车辆在交叉口可能采取的不同路径之间的差异。该方法证明了一组时间序列的位置轨迹。这些轨迹是通过消除对象识别错误和丢失的帧,可能会发生由于数据源处理重建。为了创建交叉口交通模型,基于其源和目的地车道对重建的轨迹进行聚类。对于每个聚类,创建高斯过程模型以捕获聚类的平均行为和方差。为了显示高斯模型的适用性,测试轨迹进行分类,只有部分观测。性能通过正确分类车辆轨迹所需的观测次数来量化。交叉口交通建模计算和分类过程都是定时的。这些时间作为结果,并表明该模型可以在合理的时间内构建,分类过程可以用于在线应用。
2020-02-05 cs.LG cs.RO
Wireless Traffic Prediction with Scalable Gaussian Process: Framework, Algorithms, and Verification
Beijing University of Posts and Telecommunications(北京邮电大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));University of California, Davis(加州大学戴维斯分校)
云无线接入网络(C-RAN)是满足第五代(5G)无线系统的严格要求的有前景的范例。同时,无线流量预测是C-RAN通过负载感知网络管理来提高频谱效率和能量效率的关键使能器。本文提出了一个可扩展的高斯过程(GP)框架作为一个有前途的解决方案,以实现大规模的无线流量预测的成本效益的方式。我们的贡献是三方面的。首先,据我们所知,本文是第一个在训练阶段使用交替方向乘法器(ADMM)进行并行超参数优化的GP回归,其中这种可扩展的训练框架很好地平衡了基带单元(BBU)中的局部估计和大规模执行中的原则性信息一致性。其次,在预测阶段,我们通过基于交叉验证的最优策略融合从BBU获得的局部预测,这表明它对于一般回归任务是可靠和鲁棒的。此外,这种基于交叉验证的最优融合策略是建立在一个公认的概率模型,以保留有价值的封闭形式的GP推理属性。第三,我们提出了一种基于C-RAN的可扩展无线预测架构,其中可以通过根据实时系统需求调整BBU的数量来平衡预测精度和时间消耗。实验结果表明,我们提出的可扩展GP模型可以大大优于国家的最先进的方法,在无线流量预测性能。
2019-02-13 cs.LG cs.NI eess.SP
GPCA: A Probabilistic Framework for Gaussian Process Embedded Channel Attention
School of Artificial Intelligence, Beijing University of Posts and Telecommunications(北京邮电大学人工智能学院);School of Electrical and Data Engineering, University of Technology Sydney(悉尼科技大学电气与数据工程学院)
通道注意力机制已被广泛应用于许多视觉任务中,以有效地提高绩效。它既能加强信息通道,又能抑制无用通道。最近,已经提出了不同的通道注意模块,并以各种方式实现。一般来说,它们主要基于卷积和池化操作。在本文中,我们提出了高斯过程嵌入信道注意(GPCA)模块,并进一步解释了信道注意机制的概率方式。GPCA模块旨在对通道之间的相关性进行建模,这些通道被假设为由beta分布变量捕获。由于beta分布无法通过数学上易于处理的解决方案集成到卷积神经网络(CNN)的端到端训练中,因此我们利用beta分布的近似来解决这个问题。为了说明,我们采用Sigmoid-Gaussian近似,其中高斯分布变量被转移到区间[0,1]中。然后利用高斯过程来模拟不同信道之间的相关性。在这种情况下,一个数学上易于处理的解决方案是派生。GPCA模块可以有效地实现并集成到CNN的端到端训练中。实验结果表明,所提出的GPCA模块的良好性能。代码可在https://github.com/PRIS-CV/GPCA上获得。
2021-08-10 cs.LG stat.ML
Stochastic Cell Transmission Models of Traffic Networks
Stevens Institute of Technology(史蒂文斯理工学院);Leibniz Universität Hannover(汉诺威莱布尼茨大学)
本文提出通用交通网络的随机元胞传输模型严格框架,结合仿真、高斯过程回归与随机探索,依据偏好泛函评估可接受设计,并通过两个案例验证。
2023-04-23 cs.LG cs.SY eess.SY
Modeling Severe Traffic Accidents With Spatial And Temporal Features
New York University(纽约大学);University of Texas at Dallas(德克萨斯大学达拉斯分校)
我们提出了一种方法来估计交通事故的严重程度,在汇总(区域级)和分解(点级)的数据。探索空间特征,我们衡量道路网络的复杂性,使用几个区域级变量。还使用纽约市开放数据的时间和其他情景特征,我们使用梯度提升模型进行推理和测量特征重要性,以及高斯过程来建模数据中的空间依赖性。结果表明,聚合模型的复杂性以及预测中的其他特征具有重要意义,这可能有助于制定预防严重交通事故和伤害的政策和针对性干预措施。
2019-06-25 cs.LG stat.ML
Forecasting Wireless Demand with Extreme Values using Feature Embedding in Gaussian Processes
Cranfield University(克兰菲尔德大学);University of Warwick(华威大学);The Alan Turing Institute(艾伦·图灵研究所)
无线流量预测是5G之后主动网络优化的基本推动因素。预测交通流动性导致的极端需求高峰和低谷对于避免停电和提高能源效率至关重要。目前最先进的深度学习预测方法主要关注整体预测性能,而不提供概率不确定性量化(UQ)。虽然高斯过程(GP)模型具有UQ能力,但它不能很好地预测极值。在这里,我们设计了一个GP模型的特征嵌入(FE)内核,以预测具有极值的交通需求。使用真实的4G基站数据,我们比较了我们的FE-GP性能与传统的朴素GP,ARIMA模型,以及演示UQ输出。对于短期极值预测,我们证明了与S-ARIMA相比减少32%,与Naive-GP相比减少17%。对于长期平均值预测,我们证明了与S-ARIMA相比减少了21%,与Naive-GP相比减少了12%。FE内核还使我们能够在总体预测准确性与峰谷准确性之间创建灵活的权衡。相对于神经网络(例如CNN,LSTM)的优势在于,概率预测不确定性可以告诉我们预测的风险,以及预测的完整后验分布。
2019-11-01 cs.LG eess.SP stat.ML
Variational Autoencoder with Embedded Student-$t$ Mixture Model for Authorship Attribution
Ruhr University Bochum(波鸿鲁尔大学);Bucknell University(巴克内尔大学)
传统的计算作者归属描述的是闭集场景下的分类任务。给定一组有限的候选作者和相应的标记文本,目标是确定哪些作者写了另一组匿名或有争议的文本。在这项工作中,我们提出了一个概率自动编码框架来处理这个监督分类任务。更确切地说,我们正在扩展的变分自编码器(VAE)与嵌入高斯混合模型的学生- $t$混合模型。自动编码器在学习潜在表征方面取得了巨大的成功。然而,现有的VAE目前仍然受到潜在空间中潜在概率分布的假定高斯性所施加的限制的约束。在这项工作中,我们将VAE的高斯模型扩展到Student- $t$模型,该模型允许独立控制隐含概率密度各自尾部的“沉重程度”。在亚马逊评论数据集上的实验表明,所提出的方法具有优越的性能。
2020-05-28 cs.CL cs.LG stat.ML
Periodic-GP: Learning Periodic World with Gaussian Process Bandits
North Carolina State University(北卡罗来纳州立大学);INRIA Saclay(法国国家信息与自动化研究所萨克雷中心);Coupang(酷澎)
我们考虑了周期性环境下的顺序决策优化,当数据涉及季节性时,这种情况会发生在各种现实应用中,例如驾驶员在乘车共享中的日常需求和交通运输中的动态交通模式。在这项工作中,我们专注于通过利用这种季节性规律来学习随机周期性世界。为了处理一般的动作空间,我们使用基于高斯过程(GP)的强盗作为基础模型,由于其灵活性和通用性,并提出了基于置信上界的时间周期核的周期-GP方法。在理论上,我们给出了一个新的遗憾界所提出的方法,通过明确的周期平稳模型中的周期核的特征。经验上,该算法显着优于现有的方法在合成数据实验和马德里交通污染的实际数据应用。
2021-06-09 cs.AI cs.IT cs.LG
Network-Scale Traffic Modeling and Forecasting with Graphical Lasso and Neural Networks
East China Normal University(华东师范大学)
交通流预测,特别是短时交通流预测,是智能交通系统(ITS)中的一个重要研究课题。本文对短时交通流的网络规模建模与预测进行了大量的研究。首先,我们提出了单路段和多路段交通流预测模型的概念。其次,我们将这两个模型与单任务学习和多任务学习相结合,构建了四个预测模型。多环节模型和多任务学习的结合不仅提高了实验效率,而且提高了预测精度。此外,提出了一种新的多环节单任务方法,结合图形套索(GL)和神经网络(NN)。GL提供了一种解决涉及大量变量的问题的通用方法。使用L1正则化,GL利用稀疏逆协方差矩阵构建稀疏图形模型。此外,高斯过程回归(GPR)是贝叶斯机器学习中的经典回归算法。虽然探地雷达的研究已经很广泛,但在交通流预测中的应用还很少。本文将探地雷达应用于交通流预测,并展示了其潜力。通过充分的实验,我们比较了所有提出的方法,并作出了全面的评价。
2017-12-25 cs.LG stat.ML
Vision-Based Incoming Traffic Estimator Using Deep Neural Network on General Purpose Embedded Hardware
Cornell University(康奈尔大学);University of Moratuwa(莫拉图瓦大学)
本研究提出在Raspberry Pi通用嵌入式硬件上结合边缘检测与深度神经网络,实时估计交叉口交通强度,道路测试准确率达90%,为低成本大规模部署提供了可行方案。
2023-10-28 cs.CV cs.LG
Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City
National Sun Yat-sen University(国立中山大学);VIZJA University(维兹亚大学);University of Aizu(会津大学);Indian Institute of Information Technology Bhopal(博帕尔印度信息技术学院)
针对智慧城市交通拥堵问题,提出含TCPu和TOMu的NeCDM模型,通过GNN优化预测流量并智能选车,在损失和计算时间上实现显著提升,助力达成SMT与SCPs目标。
2026-08-25 cs.CR cs.LG
CityFlowER: An Efficient and Realistic Traffic Simulator with Embedded Machine Learning Models
Arizona State University(亚利桑那州立大学);Shanghai Jiao Tong University(上海交通大学)
CityFlowER通过预嵌入机器学习模型提升交通模拟的逼真度与效率,实现大规模城市级模拟,优于现有模拟器。
2024-02-09 cs.LG cs.MA
Traffic Flow Combination Forecasting Method Based on Improved LSTM and ARIMA
Hainan University(海南大学);University of Chinese Academy of Science(中国科学院大学)
交通流预测是智能交通系统建设的研究热点。现有的交通流预测方法存在稳定性差、数据要求高或适应性差等问题。本文在丢包模块中定义了交通数据时间奇异率,提出了一种基于改进的长短期记忆神经网络和时间序列自回归积分滑动平均模型(SDLSTM-ARIMA)的组合预测方法。该方法将交通数据的时间奇异性与丢弃模块中的概率值进行比较,并将其以不等时间间隔进行组合,实现对交通流数据的准确预测。然后,设计了一个能够适应Java、Python等语言和接口的自适应交通流嵌入式系统。实验结果表明,基于SDLSTM-ARIMA模型的方法比仅使用自回归积分滑动平均或自回归的方法具有更高的精度。我们集成计算机视觉、机器学习和云的嵌入式交通预测系统具有高准确性、高可靠性和低成本等优势。因此,它具有广泛的应用前景。
2019-06-25 cs.LG stat.ML
Handling Weather Uncertainty in Air Traffic Prediction through an Inverse Approach
University of Rome "La Sapienza"(罗马大学(智慧大学));University of Milano-Bicocca(米兰-比可卡大学);Nanyang Technological University(南洋理工大学)
本文提出三维高斯混合模型,融合天气与交通数据预测最长60分钟的飞行改航轨迹,误差低于0.02,并结合可解释性方法改进空中交通管理。
2025-04-07 cs.LG
DeepTFP: Mobile Time Series Data Analytics based Traffic Flow Prediction
Hangzhou Dianzi University(杭州电子科技大学)
交通流预测是交通系统中避免交通拥挤的重要研究课题。交通拥挤的避免可以通过了解交通流来进行交通规划。由于交通流预测受区域间交通、车辆相互关系、突发事件等诸多复杂因素的影响,实现交通流预测具有挑战性。然而,由于交通系统中的传感器嵌入式设备已经广泛收集了车辆的移动数据,因此可以通过分析移动数据来预测交通流量。本研究提出了一种基于深度学习的预测算法DeepTFP,用于集体预测城市每条交通道路上的交通流量。该算法使用三个深度残差神经网络来建模交通流的时间封闭性、周期性和趋势性。每个残差神经网络由残差卷积单元的分支组成。DeepTFP聚合三个残差神经网络的输出,以优化时间序列预测模型的参数。在英国交通系统的移动时间序列数据上的对比实验表明,所提出的DeepTFP在预测精度上优于基于长短期记忆(LSTM)架构的方法。
2017-10-01 cs.LG
HERMES: Heterogeneous Edge-Relational Multi-Head Embedded SSM Attention for Traffic Conflict Prediction at Signalized Intersections
研究针对交通冲突预测,提出HERMES异构边缘关系图神经网络,利用特定关系注意力等方法,在多指标上表现优异,优于基线模型,联合训练提升目标站点性能,为信号交叉口路边安全监测提供支持。
2026-07-24 cs.LG cs.RO
inTformer: A Time-Embedded Attention-Based Transformer for Crash Likelihood Prediction at Intersections Using Connected Vehicle Data
University of Central Florida(中佛罗里达大学)
本文提出inTformer,一种时间嵌入注意力机制的Transformer模型,利用联网车辆数据实时预测交叉口碰撞可能性,分区域建模,灵敏度达73%和70%。
2023-08-29 cs.LG
Federated Learning for Traffic Flow Prediction with Synthetic Data Augmentation
针对交通数据隐私敏感、分散在多利益方数据孤岛的问题,提出FedTPS联邦学习框架,通过联邦训练扩散轨迹生成模型合成数据增强本地数据集,结合新型时空注意力预测模型,在真实网约车数据集上的全局模型性能优于多个联邦基线。
2025-03-20 cs.AI cs.DC cs.LG
Short-term traffic prediction using physics-aware neural networks
Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学)
本文提出一种物理感知循环神经网络算法,将宏观交通流模型嵌入网络架构,结合LSTM与简单RNN估计时空交通参数,实现基于环形检测器原始数据的短期车流量预测,并对输入进行物理约束平滑。
2021-09-21 cs.LG eess.SP
Fashion-Specific Attributes Interpretation via Dual Gaussian Visual-Semantic Embedding
Waseda University(早稻田大学);ZOZO Research(ZOZO研究院)
研究了将各种类型的组件(如文字、属性和图像)映射到嵌入式空间的几种技术。大多数算法将目标实体的嵌入表示估计为射影空间中的一个点。一些模型,如Word 2Gauss,假设嵌入式表示背后的概率分布,这使得嵌入式目标组件的含义的传播或变化能够被更详细地捕获和考虑。我们研究的方法估计嵌入式表示的概率分布的解释时尚特定的抽象和难以理解的条款。诸如“休闲”、“成人休闲”、“美容休闲”和“正式”之类的术语非常主观和抽象,专家和非专家都难以理解,这阻碍了用户尝试新时尚。我们提出了一个端到端的模型称为双高斯视觉语义嵌入,它映射图像和属性在同一个投影空间,并使这些术语的含义的解释,其广泛的应用。我们证明了所提出的方法的有效性,通过多方面的实验,涉及图像和属性映射,图像检索和重新排序技术,并详细的理论/分析讨论的距离测量包括在损失函数。
2022-11-07 cs.CV cs.LG
Intrusion Detection using Spatial-Temporal features based on Riemannian Manifold
Massey University(梅西大学)
网络流量数据是不同网络协议下不同数据字节分组的组合。这些业务数据包具有复杂的时变非线性关系。现有的国家的最先进的方法上升到这一挑战,融合功能到多个子集的基础上的相关性和使用混合分类技术,提取空间和时间特性。这通常需要高计算成本和手动支持,限制了它们对网络流量的实时处理。为了解决这个问题,我们提出了一种新的特征提取方法的基础上,协方差矩阵提取时空特征的网络流量数据检测恶意网络流量行为。我们提出的方法中的协方差矩阵不仅自然地编码了不同网络流量值之间的相互关系,而且具有落入黎曼流形的定义良好的几何形状。黎曼流形嵌入了距离度量,便于提取用于检测恶意网络流量的判别特征。我们在NSL-KDD和UNSW-NB 15数据集上评估了我们的模型,并表明我们提出的方法显着优于传统方法和其他现有的数据集研究。
2021-10-31 cs.CR cs.LG
Query3D: LLM-Powered Open-Vocabulary Scene Segmentation with Language Embedded 3D Gaussian
Drexel University(德雷塞尔大学)
提出Query3D,将语言嵌入3D Gaussians与LLM结合,用GPT-3.5 Turbo生成训练数据并微调小模型,在WayveScenes101上实现高效开放词汇3D场景分割。
2025-01-05 cs.CV cs.LG cs.RO
See the Near Future: A Short-Term Predictive Methodology to Traffic Load in ITS
Xidian University(西安电子科技大学);Beijing Jiaotong University(北京交通大学);Deakin University(迪肯大学)
智能交通系统(ITS)的目标是通过应用先进的无线通信技术进行道路交通调度,实现协调的交通系统。为了实现准确的道路交通控制,短期交通预测往往是有用的和重要的,在特定的地点在短时间内预测的道路交通。在现有的研究中,季节性自回归积分移动平均(SARIMA)模型是一种比较流行的方法。然而,该方案面临两个挑战:1)对相关数据的分析不足,而数据的一些重要特征可能被忽略; 2)由于数据呈现不同的特征,因此不太可能有一个预测模型可以适用于所有情况。为了解决上述问题,在这项工作中,我们开发了一个混合模型,以提高精度的SARIMA。具体而言,我们首先探讨交通流的自相关性和分布特性,以修正时间序列模型的结构。基于交通流的高斯分布,提出了一种结合贝叶斯学习算法的混合模型,有效地扩展了SARIMA的应用场景。我们使用分析和实验研究表明,我们的建议的效率和准确性。使用真实世界的跟踪数据,我们表明,所提出的预测方法可以在实践中取得令人满意的性能。
2017-01-08 cs.LG stat.AP
Traffic congestion and travel time prediction based on historical congestion maps and identification of consensual days
Univ. Lyon(里昂大学);ENTPE(法国国立公共工程学院);IFSTTAR(法国交通发展与网络科学技术研究院);IRT System-X(System-X 技术研究院);SPIE CityNetworks(SPIE CityNetworks 公司)
本文介绍了一种新的实用方法,用于实时估计高速公路上的交通状况和行程时间。首先,在主成分分析之后,对历史数据集的观测日进行聚类。两种不同的方法进行了比较:高斯混合模型和k-means算法。聚类结果表明,同一组的拥堵图在交通状况和动态上具有很大的相似性。这种地图是高速公路上拥堵传播的二进制可视化,更加重视交通动态。其次,根据拥堵地图,在每个聚类中确定一个共识日作为社区最具代表性的一天。第三,从历史数据中获得的这些信息用于预测交通拥堵传播和旅行时间。因此,新的一天的第一次测量被用来确定哪个合意的一天最接近这个新的一天。然后,使用在该合意日记录的过去观测来预测未来的交通状况和旅行时间。这种方法是测试使用10个月的数据收集在法国的高速公路上,并显示出非常令人鼓舞的结果。
2020-11-12 cs.LG physics.soc-ph
Enhancing Energy-efficiency by Solving the Throughput Bottleneck of LSTM Cells for Embedded FPGAs
University of Duisburg-Essen(杜伊斯堡-埃森大学)
本文提出一种新颖的LSTM单元优化方法,旨在端设备FPGA上实现高能效推理,实验表明该方法在交通速度预测任务中显著提升了吞吐量与能效。
2023-11-25 cs.AI cs.AR cs.LG
Delay Embedded Echo-State Network: A Predictor for Partially Observed Systems
The Ohio State University(俄亥俄州立大学)
本文提出一种结合回声状态网络与时延嵌入的预测器,解决部分可观测系统的数据驱动预测难题,并基于Takens嵌入定理给出理论证明,在合成及真实数据上验证了有效性。
2023-04-05 cs.LG cs.SY eess.SY
Wideband RF Radiance Field Modeling Using Frequency-embedded 3D Gaussian Splatting
本文提出一种新型3DGS算法,用于统一宽频带RF辐射场建模,通过嵌入频率的电磁特征网络,在不同频率下高效重建辐射场。
2026-03-25 cs.AI cs.LG cs.NI