ترجمه فارسی مقاله کاربردهای پیشرفته پیشبینی مکانی-زمانی سازمانی: دادهکاوی با تنظیم دستورالعملهای مدلهای زبان برای تحلیل سریهای زمانی چندوجهی در تنظیمات کممنبع ملاقات میکند.
عنوان مقاله به انگلیسی
Advancing Enterprise Spatio-Temporal Forecasting Applications: Data Mining Meets Instruction Tuning of Language Models For Multi-modal Time Series Analysis in Low-Resource Settings
عنوان مقاله به فارسی
کاربردهای پیشرفته پیشبینی مکانی-زمانی سازمانی: دادهکاوی با تنظیم دستورالعملهای مدلهای زبان برای تحلیل سریهای زمانی چندوجهی در تنظیمات کممنبع ملاقات میکند.
Submitted 24 August, 2024; originally announced August 2024. , Comments: Published at the ICLR 2024 Workshop on Practical ML for Low Resource Settings(PML4LRS)
توضیحات به فارسی
ارسال شده در 24 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: منتشر شده در کارگاه ICLR 2024 در مورد ML عملی برای تنظیمات کم منابع (PML4LRS)
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 is crucial in transportation, logistics, and supply chain management. However, current methods struggle with large, complex datasets. We propose a dynamic, multi-modal approach that integrates the strengths of traditional forecasting methods and instruction tuning of small language models for time series trend analysis. This approach utilizes a mixture of experts (MoE) architecture with parameter-efficient fine-tuning (PEFT) methods, tailored for consumer hardware to scale up AI solutions in low resource settings while balancing performance and latency tradeoffs. Additionally, our approach leverages related past experiences for similar input time series to efficiently handle both intra-series and inter-series dependencies of non-stationary data with a time-then-space modeling approach, using grouped-query attention, while mitigating the limitations of traditional forecasting techniques in handling distributional shifts. Our approach models predictive uncertainty to improve decision-making. Our framework enables on-premises customization with reduced computational and memory demands, while maintaining inference speed and data privacy/security. Extensive experiments on various real-world datasets demonstrate that our framework provides robust and accurate forecasts, significantly outperforming existing methods.
چکیده به فارسی (ترجمه ماشینی)
پیش بینی فضا-زمانی در حمل و نقل ، تدارکات و مدیریت زنجیره تأمین بسیار مهم است.با این حال ، روش های فعلی با مجموعه داده های بزرگ و پیچیده مبارزه می کنند.ما یک رویکرد پویا و چند منظوره را پیشنهاد می کنیم که نقاط قوت روشهای پیش بینی سنتی و تنظیم دستورالعمل مدل های زبان کوچک را برای تجزیه و تحلیل روند سری زمانی ادغام می کند.این رویکرد با استفاده از ترکیبی از معماری متخصصان (MOE) با روش های تنظیم دقیق پارامتر (PEFT) ، متناسب با سخت افزار مصرف کننده برای مقیاس کردن راه حل های هوش مصنوعی در تنظیمات کم منابع و در عین حال تعادل عملکرد و معاملات تأخیر.علاوه بر این ، رویکرد ما از تجربیات گذشته مربوط به سری زمانی ورودی مشابه استفاده می کند تا به طور موثر هم وابستگی های بین سریال و بین سری داده های غیر ثابت با یک رویکرد مدل سازی زمان و پس از آن ، با استفاده از توجه گروهی ، ضمن کاهش محدودیت ها ، به طور مؤثر اداره شود.تکنیک های پیش بینی سنتی در جابجایی تغییرات توزیع.مدل های رویکرد ما عدم قطعیت پیش بینی کننده برای بهبود تصمیم گیری را پیش بینی می کند.چارچوب ما سفارشی سازی در محل را با کاهش تقاضای محاسباتی و حافظه امکان پذیر می کند ، ضمن حفظ سرعت استنتاج و حریم خصوصی/امنیت داده ها.آزمایش های گسترده در مجموعه داده های مختلف در دنیای واقعی نشان می دهد که چارچوب ما پیش بینی های قوی و دقیق را ارائه می دهد ، به طور قابل توجهی از روشهای موجود 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
