کتاب صوتی کاربرد GNNهای بازگشتی در تحلیل مسیرهای حمل‌ونقل پویا

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد GNNهای بازگشتی در تحلیل مسیرهای حمل‌ونقل پویا

موضوع کلی: تحلیل داده‌های گراف زمان‌بندی شده

موضوع میانی: شبکه‌های عصبی بازگشتی گراف (GNN) برای گراف زمان‌بندی شده

📋 سرفصل‌های دوره

• 1. مقدمه به گراف‌های پویا در حمل‌ونقل
• 2. نمادین‌سازی گراف داده‌های زمان‌بندی‌شده حمل‌ونقل
• 3. ویژگی‌ها و چالش‌های گراف‌های زمانی
• 4. مبانی شبکه‌های عصبی گراف
• 5. پارادایم‌های پیام‌رسانی در گراف‌های ایستا
• 6. شبکه‌های عصبی بازگشتی برای مدل‌سازی توالی
• 7. ادغام تکرارپذیری با ساختار گراف
• 8. مروری بر معماری‌های GNN زمانی
• 9. طراحی ST‑GRU و Graph‑LSTM
• 10. مکانیسم‌های توجه زمانی در GNNها
• 11. GraphSAGE با به‌روزرسانی‌های تکرارپذیر
• 12. استخراج ویژگی‌های مکانی-زمانی از ویژگی‌های گره
• 13. استراتژی‌های کدگذاری زمانی برای لبه‌ها
• 14. مدل‌سازی گره برای شبکه‌های پویا
• 15. مدیریت فواصل زمانی متغیر در GNNها
• 16. پیش‌پردازش داده‌ها برای گراف‌های حمل‌ونقل
• 17. ساخت ماتریس‌های مجاورت پنجره‌ای زمانی
• 18. روش‌های نمونه‌برداری برای گراف‌های زمانی بزرگ
• 19. توابع از دست دادن برای وظایف پیش‌بینی مسیر
• 20. معیارهای ارزیابی: دقت، RMSE، خطای زمان سفر
• 21. داده‌گاه‌های بنچمارک در تحقیقات GNN حمل‌ونقل
• 22. ویژگی‌های داده‌گاه ride‑sharing واقعی
• 23. داده‌گاه‌های مسیر ترنمین شهری
• 24. ادغام داده‌های سنسور ترافیک
• 25. حفاظت از حریم خصوصی در داده‌های جابجایی
• 26. مدل‌های پایه: مقایسه‌ی رندوم‌وک و GNNهای ایستا
• 27. روال‌های آموزش برای GNNهای زمانی
• 28. تولید مینی‌بچ برای گراف‌های جریانی
• 29. بهینه‌سازی همگرایی با نرخ یادگیری تطبیقی
• 30. تکنیک‌های رگولاریزاسیون برای جلوگیری از بیش‌تناسب
• 31. قابلیت تفسیر و AI قابل توضیح برای GNNها
• 32. تجزیه و تحلیل بصری مسیرهای پیش‌بینی‌شده
• 33. مطالعه‌ی موردی: پیش‌بینی تقاضای سرویس‌های درخواستی
• 34. مطالعه‌ی موردی: بهینه‌سازی مسیر اتوبوس‌های شهری
• 35. مطالعه‌ی موردی: برنامه‌ریزی حمل‌ونقل بار
• 36. طراحی لوله‌ی استنتاج زمان واقعی
• 37. امکانات استقرار در دستگاه‌های لبه‌ای
• 38. استراتژی‌های مقیاس‌پذیری برای شبکه‌های بزرگ
• 39. آموزش توزیع‌شده‌ی GNNهای زمانی
• 40. شتاب‌دهنده‌های سخت‌افزاری: GPU و TPU
• 41. چارچوب‌های نرم‌افزاری: PyTorch Geometric و DGL
• 42. جستجوی هیپرپارامترها و مدیریت آزمایش‌ها
• 43. روش‌های بازتولیدپذیری و کتابخانه‌های متن‌باز
• 44. پیامدهای اخلاقی توصیه‌های مسیر خودکار
• 45. ارزیابی عدالت در پیش‌بینی‌های حمل‌ونقل
• 46. پایداری در برابر شرایط آب‌وهوایی و فصلی
• 47. مدیریت مشاهدات گمشده یا خراب
• 48. ادغام چندوجهی: جابجایی + آب‌وهوا + داده‌های اجتماعی
• 49. مدل‌های ترکیبی: GNN + یادگیری تقویتی
• 50. انتقال یادگیری بین مدهای حمل‌ونقل مختلف
• 51. تطبیق دامنه برای شهرهای جدید
• 52. یادگیری برنامه‌ای برای پیچیدگی‌های تدریجی
• 53. کدگذاری پیشرفته‌ی زمانی: دوره‌ها و چرخه‌ها
• 54. مدل‌های ODE عصبی گراف برای دینامیک پیوسته
• 55. مدل‌سازی فرآیندهای تصادفی با GNNها
• 56. GNNهای بیزین برای کم‌سازی عدم قطعیت
• 57. یادگیری چندوظیفه‌ای: همزمان پیش‌بینی مسیر و تقاضا
• 58. GNNهای سلسله‌مراتبی برای شبکه‌های چندمقیاسی شهری
• 59. شناسایی جامعه در گراف‌های پویای حمل‌ونقل
• 60. پراکنش تأثیر و مقاومت شبکه
• 61. پیش‌بینی ازدحام با استفاده از GNNهای زمانی
• 62. پیش‌بینی جریان ترافیک به صورت زنده
• 63. الگوریتم‌های توصیه‌ی مسیر پویا
• 64. یکپارچه‌سازی با خدمات ناوبری (مثلاً Google Maps API)
• 65. ارزیابی تجربه‌ی کاربر از توصیه‌های مبتنی بر GNN
• 66. چارچوب‌های آزمایش A/B برای استقرار زنده
• 67. طراحی حلقه‌ی بازخورد برای بهبود مداوم مدل
• 68. حاکمیت داده‌ها و انطباق با GDPR/CCPA
• 69. مدیریت و نظارت مقیاس‌پذیر خدمات GNN
• 70. جهت‌گیری‌های آینده‌ی تحقیق در GNNهای زمانی حمل‌ونقل
• 71. چالش‌ها و فرصت‌های باز
• 72. خلاصه و توصیه‌های بیشتر