کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Physics-informed deep learning (PIDL)-based models have recently garnered remarkable success in traffic state estimation (TSE). However, the prior knowledge used to guide regularization training in current mainstream architectures is based on deterministic physical models. The drawback is that a solely deterministic model fails to capture the universally observed traffic flow dynamic scattering effect, thereby yielding unreliable outcomes for traffic control. This study, for the first time, proposes stochastic physics-informed deep learning (SPIDL) for traffic state estimation. The idea behind such SPIDL is simple and is based on the fact that a stochastic fundamental diagram provides the entire range of possible speeds for any given density with associated probabilities. Specifically, we select percentile-based fundamental diagram and distribution-based fundamental diagram as stochastic physics knowledge, and design corresponding physics-uninformed neural networks for effective fusion, thereby realizing two specific SPIDL models, namely \text{$α$}-SPIDL and \text{$\cal B$}-SPIDL. The main contribution of SPIDL lies in addressing the "overly centralized guidance" caused by the one-to-one speed-density relationship in deterministic models during neural network training, enabling the network to digest more reliable knowledge-based constraints.Experiments on the real-world dataset indicate that proposed SPIDL models achieve accurate traffic state estimation in sparse data scenarios. More importantly, as expected, SPIDL models reproduce well the scattering effect of field observations, demonstrating the effectiveness of fusing stochastic physics model knowledge with deep learning frameworks.
چکیده به فارسی (ترجمه ماشینی)
مدل های مبتنی بر یادگیری عمیق فیزیک (PIDL) اخیراً موفقیت چشمگیری در تخمین حالت ترافیک (TSE) کسب کرده اند.با این حال ، دانش قبلی که برای هدایت آموزش منظم در معماری های جریان فعلی استفاده می شود ، مبتنی بر مدلهای فیزیکی قطعی است.اشکال این است که یک مدل صرفاً قطعی نتواند اثر پراکندگی دینامیکی جریان ترافیک جهانی را مشاهده کند و از این طریق نتایج غیرقابل اعتماد برای کنترل ترافیک به همراه داشته باشد.این مطالعه ، برای اولین بار ، یادگیری عمیق فیزیک (SPIDL) را برای برآورد وضعیت ترافیک پیشنهاد می کند.ایده در مورد چنین Spidl ساده است و مبتنی بر این واقعیت است که یک نمودار بنیادی تصادفی کل دامنه سرعت ممکن را برای هر تراکم معین با احتمالات مرتبط فراهم می کند.به طور خاص ، ما نمودار اساسی مبتنی بر صدک و نمودار اساسی مبتنی بر توزیع را به عنوان دانش فیزیک تصادفی انتخاب می کنیم ، و شبکه های عصبی مربوط به فیزیک مربوطه را برای همجوشی مؤثر طراحی می کنیم ، از این طریق دو مدل SPIDL خاص ، یعنی \ TEXT {$ α $-SPIDL و SPIDL و SPIDL را تحقق می بخشیم.\ text {$ \ cal b $}-spidl.سهم اصلی SPIDL در پرداختن به "راهنمایی بیش از حد متمرکز" ناشی از رابطه چگالی سرعت یک به یک در مدلهای قطعی در طول آموزش شبکه عصبی نهفته است ، و این امکان را به شبکه می دهد تا محدودیت های قابل اعتماد تر دانش را هضم کند.-مجموعه داده های World نشان می دهد که مدل های SPIDL پیشنهادی برآورد دقیق وضعیت ترافیک در سناریوهای داده پراکنده را می گیرند.از همه مهمتر ، همانطور که انتظار می رود ، مدل های SPIDL اثر پراکندگی مشاهدات میدانی را به خوبی تولید می کنند ، و اثربخشی دانش مدل فیزیک تصادفی را با چارچوب های یادگیری عمیق نشان می دهد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
