Physics-informed machine learning: A mathematical framework with applications to time series forecasting
物理信息机器学习：数学框架及时间序列预测应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确涉及能源信号、电力负荷和旅游时间序列预测及其约束设计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
物理信息机器学习：数学框架及时间序列预测应用
- 研究问题
- 如何把偏微分方程等物理知识纳入机器学习，理解其统计性质，并在非典型时期改进能源及其他时间序列的预测？
- 方法与思路
- 这篇学位论文研究物理信息神经网络的逼近与收敛，将相关问题表述为核方法，并开发 GPU 算法及时间序列约束框架。
- 材料陈述的贡献
- 摘要称，论文分析了一致性、过拟合和收敛性质，提出核形式的物理信息算法，并展示充电占用、电力负荷与旅游预测应用。
- 阅读关注点
- 应核对物理约束的正确性和施加方式、核表示与神经网络的对应关系，以及非典型时期预测的评估设计和约束违背处理。
- 阅读边界
- 这是以 arXiv 预印本提供的学位论文，同行评审或期刊接收未核实。摘要未说明具体方程、理论条件和预测数值，无法判断普遍增益。
原文摘要
Physics-informed machine learning (PIML) is an emerging framework that integrates physical knowledge into machine learning models. This physical prior often takes the form of a partial differential equation (PDE) system that the regression function must satisfy. In the first part of this dissertation, we analyze the statistical properties of PIML methods. In particular, we study the properties of physics-informed neural networks (PINNs) in terms of approximation, consistency, overfitting, and convergence. We then show how PIML problems can be framed as kernel methods, making it possible to apply the tools of kernel ridge regression to better understand their behavior. In addition, we use this kernel formulation to develop novel physics-informed algorithms and implement them efficiently on GPUs. The second part explores industrial applications in forecasting energy signals during atypical periods. We present results from the Smarter Mobility challenge on electric vehicle charging occupancy and examine the impact of mobility on electricity demand. Finally, we introduce a physics-constrained framework for designing and enforcing constraints in time series, applying it to load forecasting and tourism forecasting in various countries.