Machine Learning,Artificial Intelligence,Computation and Language,Information Retrieval,یادگیری ماشین , هوش مصنوعی , محاسبات و زبان , بازیابی اطلاعات ,
توضیحات
Submitted 25 August, 2024; originally announced August 2024. , Comments: 13 pages
توضیحات به فارسی
ارسال شده 25 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: 13 صفحه
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
Human mobility prediction plays a crucial role in various real-world applications. Although deep learning based models have shown promising results over the past decade, their reliance on extensive private mobility data for training and their inability to perform zero-shot predictions, have hindered further advancements. Recently, attempts have been made to apply large language models (LLMs) to mobility prediction task. However, their performance has been constrained by the absence of a systematic design of workflow. They directly generate the final output using LLMs, which limits the potential of LLMs to uncover complex mobility patterns and underestimates their extensive reserve of global geospatial knowledge. In this paper, we introduce AgentMove, a systematic agentic prediction framework to achieve generalized mobility prediction for any cities worldwide. In AgentMove, we first decompose the mobility prediction task into three sub-tasks and then design corresponding modules to complete these subtasks, including spatial-temporal memory for individual mobility pattern mining, world knowledge generator for modeling the effects of urban structure and collective knowledge extractor for capturing the shared patterns among population. Finally, we combine the results of three modules and conduct a reasoning step to generate the final predictions. Extensive experiments on mobility data from two sources in 12 cities demonstrate that AgentMove outperforms the best baseline more than 8% in various metrics and it shows robust predictions with various LLMs as base and also less geographical bias across cities. Codes and data can be found in https://github.com/tsinghua-fib-lab/AgentMove.
چکیده به فارسی (ترجمه ماشینی)
پیش بینی تحرک انسان نقش مهمی در کاربردهای مختلف در دنیای واقعی دارد.اگرچه مدلهای مبتنی بر یادگیری عمیق طی یک دهه گذشته نتایج امیدوارکننده ای را نشان داده اند ، اما اعتماد آنها به داده های گسترده تحرک خصوصی برای آموزش و عدم توانایی آنها در انجام پیش بینی های صفر شلیک ، مانع پیشرفت های بیشتر شده است.اخیراً ، تلاش شده است تا از مدل های بزرگ زبان (LLMS) در کار پیش بینی تحرک استفاده شود.با این حال ، عملکرد آنها با عدم وجود طراحی سیستماتیک گردش کار محدود شده است.آنها مستقیماً با استفاده از LLM ها ، خروجی نهایی را تولید می کنند ، که پتانسیل LLMS را برای کشف الگوهای تحرک پیچیده محدود می کند و ذخیره گسترده آنها از دانش جهانی جغرافیایی را کم می کند.در این مقاله ، ما AgentMove ، یک چارچوب پیش بینی عامل سیستماتیک را برای دستیابی به پیش بینی تحرک تعمیم یافته برای هر شهرهایی در سراسر جهان معرفی می کنیم.در AgentMove ، ما ابتدا وظیفه پیش بینی تحرک را به سه کار فرعی تجزیه می کنیم و سپس ماژول های مربوطه را برای تکمیل این زیرمجموعه ها طراحی می کنیم ، از جمله حافظه مکانی و زمانی برای معدن الگوی تحرک فردی ، تولید کننده دانش جهانی برای مدل سازی اثرات ساختار شهری و استخراج دانش جمعیبرای گرفتن الگوهای مشترک در بین جمعیت.سرانجام ، ما نتایج سه ماژول را با هم ترکیب می کنیم و یک مرحله استدلال را برای تولید پیش بینی های نهایی انجام می دهیم.آزمایش های گسترده در مورد داده های تحرک از دو منبع در 12 شهر نشان می دهد که AgentMove از بهترین پایه بیش از 8 ٪ در معیارهای مختلف بهتر عمل می کند و پیش بینی های قوی با LLM های مختلف را به عنوان پایه و همچنین تعصب جغرافیایی کمتری در شهرها نشان می دهد.کدها و داده ها را می توان در https://github.com/tsinghua-fib-lab/agentmove یافت.
📚 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
