ترجمه فارسی مقاله UMOD: روش پیش‌بینی جریان مبدأ-مقصد جدید و مؤثر متروی شهری

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 UMOD: A Novel and Effective Urban Metro Origin-Destination Flow Prediction Method
عنوان مقاله به فارسی UMOD: روش پیش‌بینی جریان مبدأ-مقصد جدید و مؤثر متروی شهری
نویسندگان Peng Xie, Minbo Ma, Bin Wang, Junbo Zhang, Tianrui Li
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 7 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال 7 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

Accurate prediction of metro Origin-Destination (OD) flow is essential for the development of intelligent transportation systems and effective urban traffic management. Existing approaches typically either predict passenger outflow of departure stations or inflow of destination stations. However, we argue that travelers generally have clearly defined departure and arrival stations, making these OD pairs inherently interconnected. Consequently, considering OD pairs as a unified entity more accurately reflects actual metro travel patterns and allows for analyzing potential spatio-temporal correlations between different OD pairs. To address these challenges, we propose a novel and effective urban metro OD flow prediction method (UMOD), comprising three core modules: a data embedding module, a temporal relation module, and a spatial relation module. The data embedding module projects raw OD pair inputs into hidden space representations, which are subsequently processed by the temporal and spatial relation modules to capture both inter-pair and intra-pair spatio-temporal dependencies. Experimental results on two real-world urban metro OD flow datasets demonstrate that adopting the OD pairs perspective is critical for accurate metro OD flow prediction. Our method outperforms existing approaches, delivering superior predictive performance.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دقیق جریان منشاء مترو (OD) برای توسعه سیستم های حمل و نقل هوشمند و مدیریت مؤثر در ترافیک شهری ضروری است.رویکردهای موجود به طور معمول یا جریان مسافر ایستگاه های عزیمت یا ورود ایستگاه های مقصد را پیش بینی می کنند.با این حال ، ما استدلال می کنیم که مسافران به طور کلی ایستگاه های عزیمت و ورود را به روشنی تعریف کرده اند و این جفت های OD را ذاتاً به هم پیوسته اند.در نتیجه ، با در نظر گرفتن جفت های OD به عنوان یک نهاد یکپارچه ، با دقت بیشتری الگوهای سفر مترو واقعی را منعکس می کند و امکان تجزیه و تحلیل همبستگی های فضا-زمانی بالقوه بین جفت های مختلف OD را فراهم می کند.برای پرداختن به این چالش ها ، ما یک روش پیش بینی جریان مترو و مؤثر شهری (UMOD) را ارائه می دهیم ، که شامل سه ماژول اصلی است: یک ماژول تعبیه شده داده ، یک ماژول رابطه زمانی و یک ماژول رابطه فضایی.داده های تعبیه شده ماژول ورودی های جفت خام OD را به بازنمودهای فضای پنهان پروژه می دهند ، که متعاقباً توسط ماژول های رابطه زمانی و مکانی پردازش می شوند تا هم وابستگی های فضایی بین جفت و درون جفت را ضبط کنند.نتایج تجربی در دو مجموعه داده جریان مترو OD در دنیای واقعی نشان می دهد که اتخاذ چشم انداز جفت OD برای پیش بینی دقیق جریان مترو OD بسیار مهم است.روش ما از رویکردهای موجود بهتر عمل می کند و عملکرد پیش بینی برتر را ارائه می دهد.

📚 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.