MultiScaleWave: إطار متعدد المقاييس قائم على المويجات لتنبؤ السلاسل الزمنية أحادية المتغير

لماذا يهم التنبؤ بالأنماط الزمنية

من أسعار الأسهم وإنتاج الطاقة الشمسية إلى تقلبات الطقس، يتكشف الكثير من عالمنا كسلسل من القيم على مرّ الزمن. القدرة على توقع اتجاه هذه القيم تساعد في أمور تتراوح بين إدارة الاستثمارات وموازنة شبكات الكهرباء. ومع ذلك، فإن السلاسل الزمنية في العالم الحقيقي فوضوية: فهي ضوضائية، وتغير سلوكها مع مرور الوقت، وتمزج بين تذبذبات سريعة وتقلبات بطيئة. تقدم هذه الورقة MultiScaleWave، إطارًا جديدًا للتنبؤ مصممًا لفك هذا التعقيد وتقديم تنبؤات أكثر موثوقية من تيار واحد من البيانات السابقة.

تفكيك الإشارات المعقدة إلى قطع بسيطة

غالبًا ما تتعثر أدوات التنبؤ التقليدية لأنها تحاول التعامل مع كل جوانب السلسلة الزمنية دفعة واحدة. يتبع MultiScaleWave نهجًا مختلفًا عبر تقسيم الإشارة الواردة أولًا إلى عدة طبقات من التفاصيل باستخدام أداة رياضية تُسمى تحويل المويجات. ببساطة، يتم تقشير المنحنى الأصلي إلى مكونات تلتقط الارتدادات السريعة والتغيرات ذات السرعة المتوسطة والاتجاهات البطيئة جدًا. توفر هذه النظرة متعددة الطبقات تتبّعًا لتوقيت الأحداث بينما تقوم طبيعيًا بترشيح بعض الضوضاء العشوائية التي تخفي الأنماط المفيدة.

مسارات متخصِّصة لأنواع مختلفة من التغير

بعد فصل الإشارة إلى طبقات دقيقة ومتوسطة وخشنة، يوجه MultiScaleWave كل طبقة عبر مسار معالجة متخصص خاص بها. يركّز مسار التفاصيل الدقيقة على الصعود والهبوط السريع، جامعًا بين كاشفات أنماط قصيرة الأمد وبنية تشبه الذاكرة يمكنها تتبّع تسلسلات أطول. يستخدم مسار التفاصيل المتوسطة سلسلة من الالتفافات المتوسعة (dilated convolutions)، وهو تصميم يمكنه رؤية العديد من خطوات الزمن في الماضي مع الحفاظ على ترتيب الأحداث. أما المسار الأعرض فيعامِل اتجاهات الخلفية البطيئة التغير بشكل أبسط، باستخدام شبكة مضغوطة من الطبقات الموصولة تمامًا لالتقاط الحركات العامة دون إهدار حسابي.

نسج القطع مرة أخرى في تنبؤ

بعد أن تستخرج هذه المسارات الثلاثة الميزات على مقاييسها الزمنية الخاصة، يقوم MultiScaleWave بتركيبها بعناية مرة أخرى. يستخدم العكس لعملية المويجات الأصلية لإعادة تجميع المكونات ذات الترددات العالية والمنخفضة المعالجة على مراحل، مع إعادة بناء إشارة كاملة تدريجيًا. ثم تمرّ هذه السلسلة المعاد بناؤها عبر رأس تنبؤ صغير يحول الميزات المتعلمة إلى توقع للقيم التالية. من خلال دمج التذبذبات قصيرة الأمد والاتجاهات طويلة الأمد بهذه البنية المنظمة، يسعى الإطار إلى إنتاج تنبؤات حادة ومستقرة في الوقت نفسه.

اختبار الطريقة عمليًا

قيّم المؤلفون MultiScaleWave على مجموعة واسعة من مجموعات البيانات الواقعية، بما في ذلك أسعار الأسهم اليومية لعدة مؤشرات وشركات مالية كبرى، بالإضافة إلى قياسات عالية التردد لحالة الطقس وتوليد الطاقة الشمسية. قارنوا أداءه بنماذج إحصائية كلاسيكية، وبُنى تعلم عميق شائعة مثل الشبكات الالتفافية والمتكررة، وطرق حديثة تحاول أيضًا تقسيم السلاسل الزمنية إلى مكونات. عبر تقريبًا كل الاختبارات ومقاييس الخطأ، تفوّق MultiScaleWave، وخصوصًا في مهام التنبؤ طويل المدى وفي الحالات التي تم فيها إفساد بيانات الإدخال بضوضاء صناعية عمدًا.

لماذا يُحدث التصميم متعدد المقاييس فرقًا

لفحص ما إذا كان تقسيم المويجات مهمًا حقًا، بنى الباحثون نسخة استخدمت التوسيط البسيط بدلاً منه. أدت تلك النسخة بشكل أسوأ باستمرار، لا سيما على البيانات التي تحتوي على قفزات حادة وانعكاسات، مما يبرز أهمية الحفاظ على التفاصيل الدقيقة أثناء التفكيك. في الوقت نفسه، ظل MultiScaleWave خفيفًا نسبيًا وسريعًا، مستخدمًا عددًا أقل بكثير من المعاملات وزمن حساب أقصر من بعض النماذج المتقدمة المنافسة. يشير ذلك إلى أن الدمج المتعمد بين التفكيك متعدد المقاييس، ومسارات معالجة واعية بالمقياس، والاندماج الدقيق هو طريقة فعّالة للتعامل مع الطبيعة الممزوجة للسلاسل الزمنية في العالم الحقيقي.

ماذا يعني هذا للتنبؤ اليومي

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن التنبؤات الأفضل تنبع من احترام الإيقاعات المختلفة المخفية داخل خط بيانات واحد. يبيّن MultiScaleWave أنه من خلال تفكيك التذبذبات السريعة والتقلبات متوسطة السرعة والانجرافات البطيئة أولًا، ثم نمذجة كل منها بأدوات تناسب سلوكها، وأخيرًا نسجها معًا مرة أخرى، يصبح من الممكن توقع القيم المستقبلية بدقة وموثوقية أكبر. قد يقوي هذا الإطار عملية اتخاذ القرار في مجالات التمويل والطاقة ومراقبة البيئة، ويشير إلى مبدأ تصميم أوسع: التنبؤات الأكثر موثوقية تظهر عندما ترى النماذج الزمن ليس كسلسلة مسطحة، بل كنسيج من المقاييس الزمنية المتشابكة.

الاستشهاد: Zheng, C., Zhao, H. MultiScaleWave: a wavelet-based multiscale framework for univariate time series forecasting. Sci Rep 16, 13236 (2026). https://doi.org/10.1038/s41598-026-42317-1

الكلمات المفتاحية: تنبؤ السلاسل الزمنية, تحليل المويجات, التعلّم العميق, نمذجة متعددة المقاييس, تنبؤ أحادي المتغير