اکسپرس 24
ترجمه فارسی مقاله شبکه‌های عصبی دنباله گراف ناهمگن برای تخصیص ترافیک پویا

ترجمه فارسی مقاله شبکه‌های عصبی دنباله گراف ناهمگن برای تخصیص ترافیک پویا

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 Heterogeneous Graph Sequence Neural Networks for Dynamic Traffic Assignment
عنوان مقاله به فارسی شبکه‌های عصبی دنباله گراف ناهمگن برای تخصیص ترافیک پویا
نویسندگان Tong Liu, Hadi Meidani
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 7 August, 2024; originally announced August 2024. , Comments: 9 pages, 5 figures
توضیحات به فارسی ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 9 صفحه ، 5 شکل

قیمت: 19,000 تومان

سفارش

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

قیمت: 360,000 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

Traffic assignment and traffic flow prediction provide critical insights for urban planning, traffic management, and the development of intelligent transportation systems. An efficient model for calculating traffic flows over the entire transportation network could provide a more detailed and realistic understanding of traffic dynamics. However, existing traffic prediction approaches, such as those utilizing graph neural networks, are typically limited to locations where sensors are deployed and cannot predict traffic flows beyond sensor locations. To alleviate this limitation, inspired by fundamental relationship that exists between link flows and the origin-destination (OD) travel demands, we proposed the Heterogeneous Spatio-Temporal Graph Sequence Network (HSTGSN). HSTGSN exploits dependency between origin and destination nodes, even when it is long-range, and learns implicit vehicle route choices under different origin-destination demands. This model is based on a heterogeneous graph which consists of road links, OD links (virtual links connecting origins and destinations) and a spatio-temporal graph encoder-decoder that captures the spatio-temporal relationship between OD demands and flow distribution. We will show how the graph encoder-decoder is able to recover the incomplete information in the OD demand, by using node embedding from the graph decoder to predict the temporal changes in flow distribution. Using extensive experimental studies on real-world networks with complete/incomplete OD demands, we demonstrate that our method can not only capture the implicit spatio-temporal relationship between link traffic flows and OD demands but also achieve accurate prediction performance and generalization capability.

چکیده به فارسی (ترجمه ماشینی)

واگذاری ترافیک و پیش بینی جریان ترافیک بینش مهمی را برای برنامه ریزی شهری ، مدیریت ترافیک و توسعه سیستم های حمل و نقل هوشمند فراهم می کند.یک مدل کارآمد برای محاسبه جریان ترافیک در کل شبکه حمل و نقل می تواند درک دقیق تر و واقع بینانه تری از پویایی ترافیک ارائه دهد.با این حال ، رویکردهای پیش بینی ترافیک موجود ، مانند مواردی که از شبکه های عصبی نمودار استفاده می کنند ، به طور معمول محدود به مکانهایی هستند که سنسورها مستقر می شوند و نمی توانند جریان ترافیک فراتر از مکان های سنسور را پیش بینی کنند.برای کاهش این محدودیت ، با الهام از روابط اساسی که بین جریان پیوند و تقاضای سفر مبداء (OD) وجود دارد ، ما شبکه توالی نمودار فضایی و زمانی ناهمگن (HSTGSN) را پیشنهاد کردیم.HSTGSN از وابستگی بین منشأ و گره های مقصد استفاده می کند ، حتی اگر دوربرد باشد ، و گزینه های ضمنی مسیر خودرو را تحت تقاضای مختلف تخلیه مبداء می آموزد.این مدل مبتنی بر یک نمودار ناهمگن است که از پیوندهای جاده ای ، پیوندهای OD (پیوندهای مجازی که ریشه ها و مقصد ها را به هم متصل می کند) و یک رمزگذار-دکوراسیون نمودار فضایی و زمانی که رابطه فضایی و زمانی بین تقاضای OD و توزیع جریان را ضبط می کند ، ساخته شده است.ما نشان خواهیم داد که چگونه رمزگذار رمزگذار نمودار قادر به بازیابی اطلاعات ناقص در تقاضای OD است ، با استفاده از گره تعبیه شده از رمزگذار نمودار برای پیش بینی تغییرات زمانی در توزیع جریان.با استفاده از مطالعات تجربی گسترده در شبکه های دنیای واقعی با خواسته های کامل/ناقص OD ، ما نشان می دهیم که روش ما نه تنها می تواند رابطه فضا-زمانی ضمنی بین جریان ترافیک پیوند و تقاضای OD را ضبط کند بلکه به عملکرد دقیق پیش بینی و قابلیت تعمیم نیز می رسد.

📚 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.