اکسپرس 24
ترجمه فارسی مقاله تولید علیت دقیق در داده‌های سری زمانی آب و هوا برای پیش‌بینی و تشخیص ناهنجاری

ترجمه فارسی مقاله تولید علیت دقیق در داده‌های سری زمانی آب و هوا برای پیش‌بینی و تشخیص ناهنجاری

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection
عنوان مقاله به فارسی تولید علیت دقیق در داده‌های سری زمانی آب و هوا برای پیش‌بینی و تشخیص ناهنجاری
نویسندگان Dongqi Fu, Yada Zhu, Hanghang Tong, Kommy Weldemariam, Onkar Bhardwaj, Jingrui He
فرمت مقاله انگلیسی PDF
تعداد صفحات 16
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 8 August, 2024; originally announced August 2024. , Comments: ICML 2024 AI for Science Workshop
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: ICML 2024 AI برای کارگاه علوم

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 640,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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.

🎯 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

Understanding the causal interaction of time series variables can contribute to time series data analysis for many real-world applications, such as climate forecasting and extreme weather alerts. However, causal relationships are difficult to be fully observed in real-world complex settings, such as spatial-temporal data from deployed sensor networks. Therefore, to capture fine-grained causal relations among spatial-temporal variables for further a more accurate and reliable time series analysis, we first design a conceptual fine-grained causal model named TBN Granger Causality, which adds time-respecting Bayesian Networks to the previous time-lagged Neural Granger Causality to offset the instantaneous effects. Second, we propose an end-to-end deep generative model called TacSas, which discovers TBN Granger Causality in a generative manner to help forecast time series data and detect possible anomalies during the forecast. For evaluations, besides the causality discovery benchmark Lorenz-96, we also test TacSas on climate benchmark ERA5 for climate forecasting and the extreme weather benchmark of NOAA for extreme weather alerts.

چکیده به فارسی (ترجمه ماشینی)

درک تعامل علّی متغیرهای سری زمانی می تواند در تجزیه و تحلیل داده های سری زمانی برای بسیاری از برنامه های کاربردی در دنیای واقعی ، مانند پیش بینی آب و هوا و هشدارهای شدید آب و هوا نقش داشته باشد.با این حال ، روابط علّی به طور کامل در تنظیمات پیچیده در دنیای واقعی ، مانند داده های مکانی و زمانی از شبکه های سنسور مستقر ، دشوار است.بنابراین ، برای گرفتن روابط علی ریز دانه بین متغیرهای مکانی و زمانی برای تجزیه و تحلیل سری زمانی دقیق تر و قابل اعتماد تر ، ابتدا یک مدل علیت ریز دانه ای مفهومی به نام علیت TBN Granger را طراحی می کنیم ، که باعث می شود شبکه های بیزی با احترام به زمان به گذشته اضافه شودعلیت Granger عصبی دارای زمان برای جبران اثرات آنی.دوم ، ما یک مدل تولیدی عمیق به پایان به نام TACSAS پیشنهاد می کنیم ، که علیت TBN Granger را به روشی مولد کشف می کند تا به پیش بینی داده های سری زمانی کمک کند و ناهنجاری های احتمالی را در طول پیش بینی تشخیص دهد.برای ارزیابی ، علاوه بر این معیار Discovery Discovery Lorenz-96 ، ما همچنین TACSA را در معیار آب و هوا ERA5 برای پیش بینی آب و هوا و معیار آب و هوا شدید NOAA برای هشدارهای شدید هوا آزمایش می کنیم.

📚 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.

🎯 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.