نموذج مُدرّب مسبقًا متعدد المقاييس RWKV-GCN لتنبؤ السلاسل الزمنية متعددة المتغيرات

لماذا التنبؤات الأكثر ذكاءً مهمة

من التنبؤ بأوقات الذروة في حركة المرور إلى موازنة شبكة الكهرباء، تعتمد العديد من الأنظمة الحديثة على القدرة على التنبؤ بالمستقبل. تجمع هذه الأنظمة تدفقات من القياسات من مصادر متعددة في آن واحد—درجات حرارة، وأجهزة استشعار على الطرق، وعدادات الكهرباء، وأسعار العملات، والمزيد. صنع تنبؤات دقيقة من هذا التشابك من الإشارات أمر صعب: فكل سلسلة تتغير بمرور الوقت، كما أن السلاسل تؤثر فيما بينها. يقدم هذا البحث طريقة جديدة للتنبؤ، أُطلق عليها PMSRWKV-GCN، صُممت لفك تشابكات هذه العلاقات بحيث تتمكن الحواسيب من أداء تنبؤات أكثر دقة واستقرارًا بشأن المستقبل.

إشارات كثيرة، أنماط خفية كثيرة

في التطبيقات الواقعية، نادرًا ما يتعامل المنبئون مع منحنى واحد فقط. شبكة المرور في مدينة، أو نظام الطاقة، أو أسواق العملات العالمية—كلها تنتج العديد من السلاسل الزمنية في آن واحد. للتنبؤ بما سيحدث لاحقًا، يجب أن يفهم النموذج كيف يتطور كل إشارة فردية عبر الزمن وكيف تؤثر الإشارات المختلفة على بعضها البعض. الأدوات الإحصائية الكلاسيكية تعمل جيدًا لسلسلة واحدة في كل مرة لكنها تتعثر عندما تتشابك عشرات أو مئات السلاسل. النماذج الأحدث في التعلّم العميق، مثل الشبكات المتكررة وTransformers، حسّنت الوضع لكنها غالبًا ما تتطلب حوسبة مكثفة ويمكن أن تختلط عليها الأمور عندما تكون هناك تواريخ طويلة وتداخلات ذات ضوضاء بين الإشارات.

إيجاد الإيقاعات قبل تعلم الاتصالات

يجادل المؤلفون بأن صعوبة كبيرة تكمن في التوقيت: إذا حاول النموذج تعلم العلاقات بين السلاسل في وقت مبكر جدًا، فإن الروابط الضعيفة أو الوهمية قد تُطغى على الإيقاعات الحقيقية المخفية في كل إشارة. الحل الذي يقترحونه هو تقسيم المهمة إلى مرحلتين. أولاً، يركز الأسلوب على كشف أنماط زمنية نقية داخل كل سلسلة فردية. يتم ذلك بتطبيق أداة رياضية سريعة (تحويل فورييه السريع) تكشف الدورات السائدة—إيقاعات يومية أو أسبوعية أو موسمية—في البيانات. مسترشدةً بهذه الدورات، ينفذ مكوّن معاد تصميمه لـ"مزيج الزمن" نظرة على كل سلسلة عبر عدة مقاييس زمنية في آن واحد، من التموجات القصيرة إلى الموجات الطويلة. في مرحلة التدريب المسبق هذه، يُعالَج كل ممر بشكل مستقل حتى لا تُدخل التداخلات بين السلاسل ضوضاء.

ترك الشبكة لتتعلم خريطة التأثيرات

بعد أن يتعلم النموذج أنماطًا زمنية موثوقة لكل سلسلة، ينتقل إلى المرحلة الثانية حيث تُدخَل العلاقات بين السلاسل أخيرًا. هنا يتعامل الأسلوب مع مجموعة الإشارات كشبكة: كل سلسلة تمثل عقدة، والروابط تمثل مدى قوة تأثير سلسلة على أخرى. بدلًا من افتراض خريطة ثابتة للوصلات، يتعلم النموذج هذه الخريطة مباشرة من البيانات باستخدام شبكة عصبية بيانية. والأهم أنه يفعل ذلك على مقاييس زمنية متعددة تتوافق مع الدورات المكتشفة سابقًا. لكل مقياس، تُحسّن الشبكة ميزات العقد ونمط الوصلات، ثم تُمزج معًا باستخدام أوزان مشتقة من قوة الدورات الأساسية. يتيح هذا التصميم البياني متعدد المقاييس للنموذج التأكيد على العلاقات الأكثر إفادة مع تقليل أهمية الروابط الأضعف والأقل فائدة.

اختبار الطريقة في العالم الحقيقي

قيّم الباحثون PMSRWKV-GCN على ثمانية مجموعات بيانات عامة تعكس تحديات تنبؤ عملية: طلب الكهرباء من مئات العملاء، حركة الطرق السريعة في كاليفورنيا، قياسات الطقس، درجات حرارة محولات الطاقة، وأسعار الصرف بين اقتصادات كبرى. عبر نطاق من آفاق التنبؤ—من خطوات قريبة إلى توقعات بعيدة المدى—أنتج النموذج الجديد عادة أخطاء أقل من عدة طرق أساسية قوية، بما في ذلك نهج قائم على Transformer وطرق بيانية أخرى. أظهر تحليل الاستئصال أن المرحلتين كانت كلتاهما مهمتين: إزالة مكوّن مزج الزمن متعدد المقاييس أضعفت قدرة النموذج على استيعاب البنية الزمنية، بينما أضرّت إزالة الرسم البياني متعدد المقاييس بشدة بالأداء على مجموعات بيانات تتميز بتفاعلات قوية بين السلاسل. كما حسّن التدريب المسبق للوحدة الزمنية بمفردها الدقة والاستقرار ببضعة بالمئات عبر المجموعات.

ماذا يعني هذا للتنبؤات اليومية

للقارئ غير المتخصص، الرسالة الأساسية هي أن المؤلفين بنوا نظامًا للتنبؤ يفصل بين "ما تميل كل إشارة إلى فعله" و"كيف تؤثر الإشارات في بعضها"، ثم يعيد تجميع هذه الرؤى بطريقة مُسيطر عليها بعناية. من خلال تعلم إيقاعات نقية لكل سلسلة أولًا، ثم تعلم شبكة مرنة من التأثيرات لاحقًا، يتجنّب PMSRWKV-GCN الانخداع بالبيانات المزعجة أو الضعيفة الصلة. النتيجة هي نموذج يمكنه تتبع التغيرات الحادة والدورات المعقّدة بثقة أكبر في مجالات مثل الطاقة والنقل والطقس والمالية. يوفر هذا النهج متعدد المراحل ومتعدد المقاييس مخططًا عمليًا لأدوات التنبؤ المستقبلية التي تكون أكثر دقة وأكثر صلابة عند مواجهة بيانات العالم الحقيقي المربكة.

الاستشهاد: Hao, J., Liu, F. & Zhang, W. Pre-trained multi-scale RWKV-GCN for multivariate time series forecasting. Sci Rep 16, 10250 (2026). https://doi.org/10.1038/s41598-026-41091-4

الكلمات المفتاحية: تنبؤ السلاسل الزمنية, البيانات متعددة المتغيرات, التعلّم العميق, الشبكات العصبية البيانية, الأنماط الزمنية