ترجمه فارسی مقاله برنامهریزی مجدد مدلهای زبان بزرگ پایه (LLM) برای پذیرش سازمانی برای کاربردهای پیشبینی مکانی-زمانی: رونمایی از یک دوره جدید در آموزش بازنمایی سریهای زمانی متقاطع-مدال هدایتشده توسط Copilot
عنوان مقاله به انگلیسی
Reprogramming Foundational Large Language Models(LLMs) for Enterprise Adoption for Spatio-Temporal Forecasting Applications: Unveiling a New Era in Copilot-Guided Cross-Modal Time Series Representation Learning
عنوان مقاله به فارسی
برنامهریزی مجدد مدلهای زبان بزرگ پایه (LLM) برای پذیرش سازمانی برای کاربردهای پیشبینی مکانی-زمانی: رونمایی از یک دوره جدید در آموزش بازنمایی سریهای زمانی متقاطع-مدال هدایتشده توسط Copilot
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Spatio-temporal forecasting plays a crucial role in various sectors such as transportation systems, logistics, and supply chain management. However, existing methods are limited by their ability to handle large, complex datasets. To overcome this limitation, we introduce a hybrid approach that combines the strengths of open-source large and small-scale language models (LLMs and LMs) with traditional forecasting methods. We augment traditional methods with dynamic prompting and a grouped-query, multi-head attention mechanism to more effectively capture both intra-series and inter-series dependencies in evolving nonlinear time series data. In addition, we facilitate on-premises customization by fine-tuning smaller open-source LMs for time series trend analysis utilizing descriptions generated by open-source large LMs on consumer-grade hardware using Low-Rank Adaptation with Activation Memory Reduction (LoRA-AMR) technique to reduce computational overhead and activation storage memory demands while preserving inference latency. We combine language model processing for time series trend analysis with traditional time series representation learning method for cross-modal integration, achieving robust and accurate forecasts. The framework effectiveness is demonstrated through extensive experiments on various real-world datasets, outperforming existing methods by significant margins in terms of forecast accuracy.
چکیده به فارسی (ترجمه ماشینی)
پیش بینی فضا-زمانی نقش مهمی در بخش های مختلف مانند سیستم های حمل و نقل ، تدارکات و مدیریت زنجیره تأمین دارد.با این حال ، روش های موجود با توانایی آنها در اداره مجموعه داده های بزرگ و پیچیده محدود است.برای غلبه بر این محدودیت ، ما یک رویکرد ترکیبی را معرفی می کنیم که با ترکیب نقاط قوت مدل های زبان بزرگ و کوچک در مقیاس (LLMS و LMS) با روش های پیش بینی سنتی ترکیب می شود.ما روشهای سنتی را با فرایند پویا و یک مکانیسم توجه چند جانبه و چند سر گروهی تقویت می کنیم تا به طور مؤثرتر هم وابستگی های درون سریال و بین سری را در تکامل داده های سری زمانی غیرخطی ضبط کنیم.علاوه بر این ، ما سفارشی سازی در محل را با تنظیم دقیق LMS منبع باز کوچکتر برای تجزیه و تحلیل روند سری زمانی با استفاده از توضیحات ایجاد شده توسط LMS بزرگ منبع باز در سخت افزار درجه مصرف با استفاده از سازگاری کم درجه با کاهش حافظه فعال سازی تسهیل می کنیم (LORA-AMR) تکنیک برای کاهش سربار محاسباتی و تقاضای حافظه ذخیره سازی فعال سازی ضمن حفظ تأخیر استنتاج.ما پردازش مدل زبان را برای تجزیه و تحلیل روند سری زمانی با روش یادگیری سری زمانی سنتی برای ادغام بین مدلی متقاطع ، دستیابی به پیش بینی های قوی و دقیق ترکیب می کنیم.اثربخشی چارچوب از طریق آزمایش های گسترده در مجموعه داده های مختلف در دنیای واقعی نشان داده شده است ، و از روش های موجود توسط حاشیه های قابل توجه از نظر دقت پیش بینی بهتر 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
