ترجمه فارسی مقاله مدل فضایی خود نظارت شده برای پیش‌بینی تصادفات ترافیکی در زمان واقعی با استفاده از شبکه‌های eKAN

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 Self-Supervised State Space Model for Real-Time Traffic Accident Prediction Using eKAN Networks
عنوان مقاله به فارسی مدل فضایی خود نظارت شده برای پیش‌بینی تصادفات ترافیکی در زمان واقعی با استفاده از شبکه‌های eKAN
نویسندگان Xin Tan, Meng Zhao
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 9 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 9 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Accurate prediction of traffic accidents across different times and regions is vital for public safety. However, existing methods face two key challenges: 1) Generalization: Current models rely heavily on manually constructed multi-view structures, like POI distributions and road network densities, which are labor-intensive and difficult to scale across cities. 2) Real-Time Performance: While some methods improve accuracy with complex architectures, they often incur high computational costs, limiting their real-time applicability. To address these challenges, we propose SSL-eKamba, an efficient self-supervised framework for traffic accident prediction. To enhance generalization, we design two self-supervised auxiliary tasks that adaptively improve traffic pattern representation through spatiotemporal discrepancy awareness. For real-time performance, we introduce eKamba, an efficient model that redesigns the Kolmogorov-Arnold Network (KAN) architecture. This involves using learnable univariate functions for input activation and applying a selective mechanism (Selective SSM) to capture multi-variate correlations, thereby improving computational efficiency. Extensive experiments on two real-world datasets demonstrate that SSL-eKamba consistently outperforms state-of-the-art baselines. This framework may also offer new insights for other spatiotemporal tasks. Our source code is publicly available at http://github.com/KevinT618/SSL-eKamba.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دقیق حوادث ترافیکی در زمان های مختلف و مناطق برای امنیت عمومی بسیار مهم است.با این حال ، روش های موجود با دو چالش مهم روبرو هستند: 1) تعمیم: مدل های فعلی به شدت به ساختارهای چند منظره ساخته شده دستی ، مانند توزیع POI و تراکم شبکه های جاده ای متکی هستند ، که مقیاس کار در شهرها هستند.2) عملکرد در زمان واقعی: در حالی که برخی از روش ها با معماری های پیچیده دقت را بهبود می بخشند ، آنها اغلب هزینه های محاسباتی بالایی را متحمل می شوند و کاربرد در زمان واقعی آنها را محدود می کنند.برای پرداختن به این چالش ها ، ما SSL-Ekamba را پیشنهاد می کنیم ، یک چارچوب کارآمد برای پیش بینی برای پیش بینی تصادفات ترافیکی.برای تقویت تعمیم ، ما دو کار کمکی خودكار شده را طراحی می كنیم كه به طور سازمانی بازنمایی الگوی ترافیک را از طریق آگاهی از اختلافات مکانی بهبود می بخشد.برای عملکرد در زمان واقعی ، ما Ekamba را معرفی می کنیم ، یک مدل کارآمد که معماری شبکه Kolmogorov-Arnold (KAN) را دوباره طراحی می کند.این شامل استفاده از توابع غیر متغیره یادگیری برای فعال سازی ورودی و استفاده از یک مکانیسم انتخابی (SSM انتخابی) برای گرفتن همبستگی های چند متغیره است ، در نتیجه باعث بهبود کارایی محاسباتی می شود.آزمایش های گسترده ای در دو مجموعه داده در دنیای واقعی نشان می دهد که SSL-Ekamba به طور مداوم از خطوط برتر از هنر خارج می شود.این چارچوب همچنین ممکن است بینش جدیدی را برای سایر کارهای مکانی مکانی ارائه دهد.کد منبع ما به صورت عمومی در http://github.com/kevint618/ssl-ekamba در دسترس است.

📚 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.