| شبکه های عصبی برای تحلیل دادەهای فضایی⁃زمانی |
| کد مقاله : 1003-SPATIAL (R1) |
| نویسندگان |
|
مرضیه احمدوند بادامکی *1، محسن محمدزاده2 1گروه علم داده‌ها، دانشکده علوم و فناوری‌های بین‌رشته‌ای، دانشگاه تربیت مدرس 2استاد گروه آمار، دانشگاه تربیت مدرس، تهران، ایران |
| چکیده مقاله |
| داده‌های فضایی-زمانی در تحلیل ویدئو، پیش‌بینی آب‌وهوا و سامانه‌های هوشمند نقش کلیدی دارند. الگوریتم‌های سنتی مانند شبکه‌های عصبی پیش‌خور و حتی مدل‌های بازگشتی نظیر مدل حافظه کوتاه-بلندمدت به دلیل محدودیت در مدل‌سازی وابستگی‌های فضایی-زمانی پیچیده ناکارآمدند. مدل حافظه کوتاه-بلندمدت پیچشی با استفاده از کانولوشن این محدودیت را تا حدی رفع کرد، اما همچنان با چالش‌های محاسباتی مواجه است. مدل نوین حافظه کوتاه-بلندمدت پیچشی تانسور قطاری با بهره‌گیری از تجزیه زنجیره‌ای تانسور، ضمن کاهش پیچیدگی و تعداد پارامترها، وابستگی‌های مکانی-زمانی را با دقت و کارایی بالاتر مدل‌سازی می‌کند. این مقاله عملکرد برتر این مدل را در پردازش داده‌های فضایی-زمانی بررسی می‌کند. |
| کلیدواژه ها |
| شبکه‌های عصبی بازگشتی،حافظه کوتاه-بلندمدت،داده‌های فضایی-زمانی |
| وضعیت: پذیرفته شده برای ارائه شفاهی |