کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
11016425 1777033 2019 33 صفحه PDF سفارش دهید دانلود کنید
عنوان انگلیسی مقاله ISI
Combining time-series and textual data for taxi demand prediction in event areas: A deep learning approach
ترجمه فارسی عنوان
ترکیب سری زمانی و داده های متنی برای پیش بینی تقاضای تاکسی در حوادث حوزه: یک روش آموزش عمیق
کلمات کلیدی
یادگیری عمیق، همجوشی داده ها، یادگیری متقابل متقابل، پیش بینی سری زمانی، داده های متنی، تقاضای تاکسی، رویدادهای ویژه، تحرک شهری،
ترجمه چکیده
پیش بینی دقیق سری زمانی برای بسیاری از زمینه های کاربردی مانند حمل و نقل، انرژی، امور مالی، اقتصاد و غیره حیاتی است. با این حال در حالیکه تکنیک های مدرن قادر به کشف مجموعه های بزرگ داده های زمانی برای ساخت مدل های پیش بینی هستند، معمولا اطلاعات ارزشمندی را که اغلب در قالب متن بدون ساختار در دسترس است. اگر چه این داده ها در فرمت کاملا متفاوتی هستند، اما اغلب شامل توضیحات متنی برای بسیاری از الگوهای موجود در داده های زمانی است. در این مقاله، ما دو معماری آموزشی عمیق ارائه می دهیم که اهرم های کلمات، لایه های کانولولوژیکی و مکانیزم های توجه را برای ترکیب اطلاعات متنی با داده های سری زمانی ارائه می دهند. ما این رویکردها را برای مشکل پیش بینی تقاضای تاکسی در حوزه های رویداد اعمال می کنیم. با استفاده از داده های تاکسی عمومی موجود در نیویورک، ما تجربی نشان می دهیم که با تلفیق این دو منبع متقابل مورادی اطلاعات، مدل های پیشنهادی قادر به کاهش خطا در پیش بینی ها می باشند.
اگر به ترجمه دقیق تر نیاز دارید، مترجمان ما آمادگی دارند این مقاله را با کیفیت مطلوب و هزینه مناسب برای شما ترجمه نمایند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
Accurate time-series forecasting is vital for numerous areas of application such as transportation, energy, finance, economics, etc. However, while modern techniques are able to explore large sets of temporal data to build forecasting models, they typically neglect valuable information that is often available under the form of unstructured text. Although this data is in a radically different format, it often contains contextual explanations for many of the patterns that are observed in the temporal data. In this paper, we propose two deep learning architectures that leverage word embeddings, convolutional layers and attention mechanisms for combining text information with time-series data. We apply these approaches for the problem of taxi demand forecasting in event areas. Using publicly available taxi data from New York, we empirically show that by fusing these two complementary cross-modal sources of information, the proposed models are able to significantly reduce the error in the forecasts.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Fusion - Volume 49, September 2019, Pages 120-129
نویسندگان
, , ,