ترجمه فارسی مقاله D2Vformer: یک مدل پیش بینی سری انعطاف پذیر بر اساس تعبیه موقعیت زمانی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی D2Vformer: A Flexible Time Series Prediction Model Based on Time Position Embedding
عنوان مقاله به فارسی D2Vformer: یک مدل پیش بینی سری انعطاف پذیر بر اساس تعبیه موقعیت زمانی
نویسندگان Xiaobao Song, Hao Wang, Liwei Deng, Yuxin He, Wenming Cao, Chi-Sing Leungc
فرمت مقاله انگلیسی PDF
تعداد صفحات 18
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 17 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 17 سپتامبر 2024 ؛در ابتدا سپتامبر 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

Time position embeddings capture the positional information of time steps, often serving as auxiliary inputs to enhance the predictive capabilities of time series models. However, existing models exhibit limitations in capturing intricate time positional information and effectively utilizing these embeddings. To address these limitations, this paper proposes a novel model called D2Vformer. Unlike typical prediction methods that rely on RNNs or Transformers, this approach can directly handle scenarios where the predicted sequence is not adjacent to the input sequence or where its length dynamically changes. In comparison to conventional methods, D2Vformer undoubtedly saves a significant amount of training resources. In D2Vformer, the Date2Vec module uses the timestamp information and feature sequences to generate time position embeddings. Afterward, D2Vformer introduces a new fusion block that utilizes an attention mechanism to explore the similarity in time positions between the embeddings of the input sequence and the predicted sequence, thereby generating predictions based on this similarity. Through extensive experiments on six datasets, we demonstrate that Date2Vec outperforms other time position embedding methods, and D2Vformer surpasses state-of-the-art methods in both fixed-length and variable-length prediction tasks.

چکیده به فارسی (ترجمه ماشینی)

تعبیه های موقعیت زمانی اطلاعات موقعیتی مراحل زمانی را ضبط می کنند ، که اغلب به عنوان ورودی های کمکی برای افزایش قابلیت های پیش بینی مدل های سری زمانی خدمت می کنند.با این حال ، مدلهای موجود محدودیت هایی در ضبط اطلاعات موقعیتی پیچیده زمان و استفاده مؤثر از این تعبیه ها دارند.برای پرداختن به این محدودیت ها ، این مقاله یک مدل جدید به نام D2Vformer را ارائه می دهد.بر خلاف روشهای پیش بینی معمولی که به RNN ها یا ترانسفورماتورها متکی هستند ، این رویکرد می تواند به طور مستقیم سناریوهایی را انجام دهد که در آن توالی پیش بینی شده مجاور توالی ورودی یا جایی که طول آن به صورت پویا تغییر می کند.در مقایسه با روشهای معمولی ، بدون شک D2Vformer مقدار قابل توجهی از منابع آموزشی را ذخیره می کند.در D2Vformer ، ماژول Date2VEC از اطلاعات Timestamp و توالی های ویژگی برای تولید تعبیه موقعیت زمانی استفاده می کند.پس از آن ، D2Vformer یک بلوک فیوژن جدید را معرفی می کند که از یک مکانیسم توجه برای کشف شباهت در موقعیت های زمانی بین تعبیه های دنباله ورودی و دنباله پیش بینی شده استفاده می کند ، در نتیجه پیش بینی هایی را بر اساس این شباهت ایجاد می کند.از طریق آزمایش های گسترده در شش مجموعه داده ، ما نشان می دهیم که Date2VEC از سایر روش های جاسازی موقعیت زمانی بهتر عمل می کند ، و D2Vformer از روشهای پیشرفته در هر دو کار پیش بینی با طول ثابت و متغیر پیشی می گیرد.

📚 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.