ترجمه فارسی مقاله پیش‌بینی تقاضا در مقیاس بزرگ در ریل شهری با استفاده از آموزش بازنمایی القایی چند نموداری

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 Large-Scale Demand Prediction in Urban Rail using Multi-Graph Inductive Representation Learning
عنوان مقاله به فارسی پیش‌بینی تقاضا در مقیاس بزرگ در ریل شهری با استفاده از آموزش بازنمایی القایی چند نموداری
نویسندگان Dang Viet Anh Nguyen, J. Victor Flensburg, Fabrizio Cerreto, Bianca Pascariu, Paola Pellegrini, Carlos Lima Azevedo, Filipe Rodrigues
فرمت مقاله انگلیسی PDF
تعداد صفحات 18
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 28 August, 2024; originally announced August 2024. , Comments: 18 pages, 3 figures , MSC Class: 68T07; 90B06 ACM Class: H.4.2; I.2.6; J.4; C.2.1
توضیحات به فارسی ارسال شده 28 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 18 صفحه ، 3 شکل ، کلاس MSC: 68T07 ؛کلاس ACM 90B06: H.4.2 ؛I.2.6 ؛J.4 ؛c.2.1
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

With the expansion of cities over time, URT (Urban Rail Transit) networks have also grown significantly. Demand prediction plays an important role in supporting planning, scheduling, fleet management, and other operational decisions. In this study, we propose an Origin-Destination (OD) demand prediction model called Multi-Graph Inductive Representation Learning (mGraphSAGE) for large-scale URT networks under operational uncertainties. Our main contributions are twofold: we enhance prediction results while ensuring scalability for large networks by relying simultaneously on multiple graphs, where each OD pair is a node on a graph and distinct OD relationships, such as temporal and spatial correlations; we show the importance of including operational uncertainties such as train delays and cancellations as inputs in demand prediction for daily operations. The model is validated on three different scales of the URT network in Copenhagen, Denmark. Experimental results show that by leveraging information from neighboring ODs and learning node representations via sampling and aggregation, mGraphSAGE is particularly suitable for OD demand prediction in large-scale URT networks, outperforming reference machine learning methods. Furthermore, during periods with train cancellations and delays, the performance gap between mGraphSAGE and other methods improves compared to normal operating conditions, demonstrating its ability to leverage system reliability information for predicting OD demand under uncertainty.

چکیده به فارسی (ترجمه ماشینی)

با گسترش شهرها با گذشت زمان ، شبکه های URT (ترانزیت ریلی شهری) نیز به میزان قابل توجهی رشد کرده اند.پیش بینی تقاضا نقش مهمی در حمایت از برنامه ریزی ، برنامه ریزی ، مدیریت ناوگان و سایر تصمیمات عملیاتی دارد.در این مطالعه ، ما یک مدل پیش بینی تقاضا مبدأ (OD) به نام یادگیری القایی چند گراف (mGraphsage) برای شبکه های URT در مقیاس بزرگ تحت عدم قطعیت های عملیاتی پیشنهاد می کنیم.مشارکتهای اصلی ما دو برابر است: ما نتایج پیش بینی را افزایش می دهیم و در عین حال مقیاس پذیری شبکه های بزرگ را با تکیه به همزمان بر نمودارهای متعدد تضمین می کنیم ، جایی که هر جفت OD یک گره در یک نمودار و روابط OD متمایز مانند همبستگی های زمانی و مکانی است.ما اهمیت شامل عدم قطعیت های عملیاتی مانند تأخیر در قطار و لغو به عنوان ورودی در پیش بینی تقاضا برای عملیات روزانه را نشان می دهیم.این مدل در سه مقیاس مختلف شبکه URT در کپنهاگ ، دانمارک تأیید شده است.نتایج تجربی نشان می دهد که با استفاده از اطلاعات از ODS همسایه و بازنمایی گره های یادگیری از طریق نمونه برداری و تجمع ، mgraphsage به ویژه برای پیش بینی تقاضای OD در شبکه های URT در مقیاس بزرگ مناسب است ، از روشهای یادگیری ماشین مرجع بهتر است.علاوه بر این ، در دوره هایی با لغو قطار و تأخیرها ، شکاف عملکرد بین mgraphsage و سایر روش ها در مقایسه با شرایط عملیاتی عادی بهبود می یابد ، و توانایی آن را در استفاده از اطلاعات قابلیت اطمینان سیستم برای پیش بینی تقاضای OD تحت عدم اطمینان 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.

🎯 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.