ترجمه فارسی مقاله ناهمگونی مکانی-زمانی پیمایش: رویکرد ترانسفورماتور نمودار برای پیش بینی ترافیک

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting
عنوان مقاله به فارسی ناهمگونی مکانی-زمانی پیمایش: رویکرد ترانسفورماتور نمودار برای پیش بینی ترافیک
نویسندگان Jianxiang Zhou, Erdong Liu, Wei Chen, Siru Zhong, Yuxuan Liang
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 25 August, 2024; v1 submitted 20 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 25 اوت 2024 ؛V1 ارسال شده در 20 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

Traffic forecasting has emerged as a crucial research area in the development of smart cities. Although various neural networks with intricate architectures have been developed to address this problem, they still face two key challenges: i) Recent advancements in network designs for modeling spatio-temporal correlations are starting to see diminishing returns in performance enhancements. ii) Additionally, most models do not account for the spatio-temporal heterogeneity inherent in traffic data, i.e., traffic distribution varies significantly across different regions and traffic flow patterns fluctuate across various time slots. To tackle these challenges, we introduce the Spatio-Temporal Graph Transformer (STGormer), which effectively integrates attribute and structure information inherent in traffic data for learning spatio-temporal correlations, and a mixture-of-experts module for capturing heterogeneity along spaital and temporal axes. Specifically, we design two straightforward yet effective spatial encoding methods based on the graph structure and integrate time position encoding into the vanilla transformer to capture spatio-temporal traffic patterns. Additionally, a mixture-of-experts enhanced feedforward neural network (FNN) module adaptively assigns suitable expert layers to distinct patterns via a spatio-temporal gating network, further improving overall prediction accuracy. Experiments on real-world traffic datasets demonstrate that STGormer achieves state-of-the-art performance.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی ترافیک به عنوان یک منطقه تحقیقاتی مهم در توسعه شهرهای هوشمند ظاهر شده است.اگرچه شبکه های عصبی مختلفی با معماری های پیچیده برای رفع این مشکل ایجاد شده اند ، اما آنها هنوز هم با دو چالش مهم روبرو هستند: i) پیشرفت های اخیر در طرح های شبکه برای مدل سازی همبستگی های فضایی و زمانی شروع به کاهش بازده در پیشرفت های عملکرد می کند.ب) علاوه بر این ، اکثر مدل ها ناهمگونی فضایی-زمانی ذاتی در داده های ترافیک را به خود اختصاص نمی دهند ، یعنی توزیع ترافیک در مناطق مختلف متفاوت است و الگوهای جریان ترافیک در شکافهای مختلف زمانی نوسان می کند.برای مقابله با این چالش ها ، ما ترانسفورماتور نمودار فضا-زمانی (STGORMER) را معرفی می کنیم ، که به طور موثری اطلاعات مربوط به ساختار و ساختار ذاتی برای یادگیری همبستگی های فضایی و زمانی را برای گرفتن ماژول مخلوط-از Experts برای گرفتن ناهمگونی در طول اسپیت و موقتی ادغام می کند.محورهابه طور خاص ، ما دو روش رمزگذاری فضایی ساده و در عین حال مؤثر را بر اساس ساختار نمودار طراحی می کنیم و رمزگذاری موقعیت زمانی را در ترانسفورماتور وانیل ادغام می کنیم تا الگوهای ترافیکی فضایی و زمانی را ضبط کنیم.علاوه بر این ، ماژول تقویت شده از گروه های عصبی Feedforward (FNN) به طور انطباق ، لایه های متخصص و مناسب را به الگوهای مجزا از طریق یک شبکه شیروانی فضا-زمانی اختصاص می دهد ، و باعث افزایش بیشتر دقت پیش بینی کلی می شود.آزمایشات در مجموعه داده های ترافیک در دنیای واقعی نشان می دهد که STGORMER به عملکرد پیشرفته ای دست می یابد.

📚 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.