ترجمه فارسی مقاله STLLM-DF: یک مدل زبان بزرگ مکانی-زمانی با انتشار برای پیش‌بینی سیستم ترافیک چند حالته پیشرفته

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی STLLM-DF: A Spatial-Temporal Large Language Model with Diffusion for Enhanced Multi-Mode Traffic System Forecasting
عنوان مقاله به فارسی STLLM-DF: یک مدل زبان بزرگ مکانی-زمانی با انتشار برای پیش‌بینی سیستم ترافیک چند حالته پیشرفته
نویسندگان Zhiqi Shao, Haoning Xi, Haohui Lu, Ze Wang, Michael G. H. Bell, Junbin Gao
فرمت مقاله انگلیسی PDF
تعداد صفحات 27
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 8 September, 2024; originally announced September 2024. , Comments: 26 pages, 11 figures , MSC Class: I.2.7 ACM Class: I.2.1
توضیحات به فارسی ارسال شده در 8 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 26 صفحه ، 11 شکل ، کلاس MSC: I.2.7 کلاس ACM: I.2.1
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

The rapid advancement of Intelligent Transportation Systems (ITS) presents challenges, particularly with missing data in multi-modal transportation and the complexity of handling diverse sequential tasks within a centralized framework. To address these issues, we propose the Spatial-Temporal Large Language Model Diffusion (STLLM-DF), an innovative model that leverages Denoising Diffusion Probabilistic Models (DDPMs) and Large Language Models (LLMs) to improve multi-task transportation prediction. The DDPM's robust denoising capabilities enable it to recover underlying data patterns from noisy inputs, making it particularly effective in complex transportation systems. Meanwhile, the non-pretrained LLM dynamically adapts to spatial-temporal relationships within multi-modal networks, allowing the system to efficiently manage diverse transportation tasks in both long-term and short-term predictions. Extensive experiments demonstrate that STLLM-DF consistently outperforms existing models, achieving an average reduction of 2.40\% in MAE, 4.50\% in RMSE, and 1.51\% in MAPE. This model significantly advances centralized ITS by enhancing predictive accuracy, robustness, and overall system performance across multiple tasks, thus paving the way for more effective spatio-temporal traffic forecasting through the integration of frozen transformer language models and diffusion techniques.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت سریع سیستم های حمل و نقل هوشمند (ITS) چالش هایی را به ویژه با داده های مفقود شده در حمل و نقل چند منظوره و پیچیدگی رسیدگی به کارهای متوالی متنوع در یک چارچوب متمرکز ارائه می دهد.برای پرداختن به این موضوعات ، ما انتشار مدل زبان بزرگ و مکانی (Stllm-DF) ، یک مدل نوآورانه را پیشنهاد می کنیم که از مدلهای احتمالی انتشار (DDPM) و مدل های بزرگ زبان (LLMS) استفاده می کند تا پیش بینی حمل و نقل چند کاره را بهبود بخشد.قابلیت های تقویت کننده قوی DDPM ، آن را قادر می سازد تا الگوهای داده های اساسی را از ورودی های پر سر و صدا بازیابی کند ، و آن را در سیستم های حمل و نقل پیچیده به ویژه مؤثر می کند.در همین حال ، LLM غیر پیش بینی شده به صورت پویا با روابط مکانی و زمانی در شبکه های چند منظوره سازگار است و به سیستم امکان می دهد کارهای حمل و نقل متنوع را در هر دو پیش بینی بلند مدت و کوتاه مدت مدیریت کند.آزمایش های گسترده نشان می دهد که stllm-df به طور مداوم از مدلهای موجود بهتر عمل می کند و به طور متوسط ​​کاهش 2.40 \ ٪ در MAE ، 4.50 \ ٪ در RMSE و 1.51 \ \ در MAPE را بدست می آورد.این مدل به طور قابل توجهی پیشرفت های خود را با افزایش دقت پیش بینی کننده ، استحکام و عملکرد کلی سیستم در چندین کار متمرکز می کند ، بنابراین راه را برای پیش بینی ترافیک فضا و زمانی مؤثرتر از طریق ادغام مدل های زبان ترانسفورماتور یخ زده و تکنیک های انتشار هموار می کند.

📚 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.