ترجمه فارسی مقاله آموزش بازنمایی شهری سلسله مراتبی برای پیش بینی جریان رفت و آمد

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 Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction
عنوان مقاله به فارسی آموزش بازنمایی شهری سلسله مراتبی برای پیش بینی جریان رفت و آمد
نویسندگان Mingfei Cai, Yanbo Pang, Yoshihide Sekimoto
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Social and Information Networks,یادگیری ماشین , شبکه های اجتماعی و اطلاعاتی ,
توضیحات Submitted 5 September, 2024; v1 submitted 26 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 5 سپتامبر 2024 ؛V1 ارسال شده 26 اوت 2024 ؛در ابتدا اوت 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

Commuting flow prediction is an essential task for municipal operations in the real world. Previous studies have revealed that it is feasible to estimate the commuting origin-destination (OD) demand within a city using multiple auxiliary data. However, most existing methods are not suitable to deal with a similar task at a large scale, namely within a prefecture or the whole nation, owing to the increased number of geographical units that need to be maintained. In addition, region representation learning is a universal approach for gaining urban knowledge for diverse metropolitan downstream tasks. Although many researchers have developed comprehensive frameworks to describe urban units from multi-source data, they have not clarified the relationship between the selected geographical elements. Furthermore, metropolitan areas naturally preserve ranked structures, like cities and their inclusive districts, which makes elucidating relations between cross-level urban units necessary. Therefore, we develop a heterogeneous graph-based model to generate meaningful region embeddings at multiple spatial resolutions for predicting different types of inter-level OD flows. To demonstrate the effectiveness of the proposed method, extensive experiments were conducted using real-world aggregated mobile phone datasets collected from Shizuoka Prefecture, Japan. The results indicate that our proposed model outperforms existing models in terms of a uniform urban structure. We extend the understanding of predicted results using reasonable explanations to enhance the credibility of the model.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی جریان رفت و آمد یک کار اساسی برای عملیات شهرداری در دنیای واقعی است.مطالعات قبلی نشان داده اند که تخمین تقاضای مبدأ رفت و آمد (OD) در یک شهر با استفاده از چندین داده کمکی امکان پذیر است.با این حال ، بیشتر روشهای موجود برای مقابله با یک کار مشابه در مقیاس بزرگ ، یعنی در یک بخشدار یا کل ملت مناسب نیستند ، به دلیل افزایش تعداد واحدهای جغرافیایی که باید حفظ شوند.علاوه بر این ، یادگیری نمایندگی منطقه یک رویکرد جهانی برای به دست آوردن دانش شهری برای کارهای متنوع کلانشهر در پایین دست است.اگرچه بسیاری از محققان چارچوبهای جامعی را برای توصیف واحدهای شهری از داده های چند منبع ایجاد کرده اند ، اما رابطه بین عناصر جغرافیایی منتخب را روشن نکرده اند.علاوه بر این ، کلانشهرها به طور طبیعی ساختارهای رتبه بندی شده مانند شهرها و مناطق فراگیر آنها را حفظ می کنند ، که باعث می شود روابط بین واحدهای شهری سطح متقابل لازم باشد.بنابراین ، ما یک مدل مبتنی بر نمودار ناهمگن برای تولید تعبیه منطقه معنی دار در وضوح مکانی چندگانه برای پیش بینی انواع مختلف جریان OD بین سطح ایجاد می کنیم.برای نشان دادن اثربخشی روش پیشنهادی ، آزمایش های گسترده ای با استفاده از مجموعه داده های تلفن همراه جمع شده در دنیای واقعی جمع آوری شده از بخشدار Shizuoka ، ژاپن انجام شد.نتایج نشان می دهد که مدل پیشنهادی ما از نظر ساختار یکنواخت شهری از مدل های موجود بهتر است.ما درک نتایج پیش بینی شده را با استفاده از توضیحات معقول برای افزایش اعتبار مدل گسترش می دهیم.

📚 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.