نظام Mamba ECIS لتنبؤ سلوك عملاء تسويق الطاقة باستخدام التعلم العميق متعدد الوسائط

لماذا تهم التنبؤات الأدق للطاقة

للحفاظ على استمرار التيار وبالسعر المناسب، يتعين على شركات الكهرباء أن تتوقع باستمرار مقدار الكهرباء التي سيستهلكها الناس خلال الساعة أو اليوم أو الأسبوع المقبل. أصبحت هذه التخمينات أصعب مع تفاقم الطقس، وتقلب الأسعار، وانتشار العدادات الذكية والأجهزة المتصلة في المنازل. تقدم هذه الورقة نظام تنبؤ جديداً يُدعى Mamba‑ECIS يستخدم ذكاءً اصطناعياً متقدماً لقراءة أنواع متعددة من البيانات في آن واحد، وفصل التقلبات قصيرة الأمد عن العادات طويلة الأمد، وتوضيح العوامل الخارجية التي تدفع حقاً استهلاك العملاء للكهرباء.

من التخمينات البسيطة إلى صور رقمية غنية

كانت أدوات التنبؤ التقليدية مبنية لعالم أبسط. اعتمدت عادةً على نوع واحد من المعلومات، مثل الاستهلاك السابق للكهرباء، وكانت تفترض أن الأنماط ستبقى مستقرة إلى حد ما مع الزمن. مع انفجار حجم البيانات وتعقّد سلوك العملاء، بدأت هذه الأساليب تفشل. وحتى النهج الحديثة القائمة على التعلم العميق، رغم قوتها، غالباً ما تعمل كـ "صناديق سوداء" وتجد صعوبة في دمج الطقس والأسعار وتأثيرات التقويم وإشارات أخرى بشكل واضح. يجادل المؤلفون بأن نظام الطاقة المستقبلي يحتاج إلى نماذج قادرة على استيعاب مصادر بيانات متعددة، وتتبع كل من التقلبات السريعة والانجرافات البطيئة في الطلب، مع تقديم رؤى قابلة للقراءة البشرية.

دمج إشارات متعددة في سرد واحد

يتعامل Mamba‑ECIS مع هذا التحدي أولاً بدمج تيارات معلومات مختلفة في صورة زمنية موحدة للاستهلاك. يجمع بين بيانات استهلاك عالية الدقة مع عوامل خارجية مثل درجة الحرارة والرطوبة وأسعار الكهرباء، بالإضافة إلى مؤشرات شبيهة بالنصوص للأعياد أو الأحداث الخاصة. قبل مرحلة التعلم، يقوم النظام بتطبيع وتحويل هذه المدخلات بحيث تشترك في مقياس واحد. ثم يتعلم شبكة عصبية إبراز أكثر الأجزاء معلوماتية من كل مصدر، وتسمح خطوة الترجيح للنموذج بتسليط الوزن، مثلاً، على الطقس في أيام الصيف الحارة أو على السعر في أمسيات ذروة الأسعار. هذا ينتج وصفاً أغنى وأكثر مرونة لكيفية وسبب استخدام الطاقة.

مراقبة القمم اليوم والتوجهات غداً

لتجنب الخلط بين الومضات السريعة والتحولات الأعمق، يستخدم النموذج تصميمًا ذو فرعين. ينظر أحد الفروع إلى بيانات التردد العالي—التقلبات دقيقةً بدقيقة أو ساعةً بساعة التي تهم العمليات اللحظية. يركز الفرع الآخر على أنماط أبطأ ومُملَّسة مثل المتوسطات اليومية والدورات الموسمية. لكل فرع كتلته الخاصة لنمذجة التسلسل، مستندة إلى بنية فعّالة تُعرف بنماذج حالة‑Mamba، التي يمكنها التعامل مع تاريخ طويل جداً دون الحساب الثقيل لشبكات الانتباه التقليدية. ثم تقوم طبقة الدمج بخلط الرؤيتين، مضبوطة تلقائياً على مقدار الوزن المعطى للإشارات قصيرة الأمد مقابل طويلة الأمد اعتماداً على الظروف الحالية، مثل موجة حر أو يوم أسبوعي روتيني.

ربط السبب بالنتيجة، وليس الارتباط فحسب

بجانب تحقيق تنبؤات دقيقة، يريد المؤلفون للنظام أن يبيّن العوامل التي تدفع فعلياً التغيرات في الطلب. لذلك أضافوا وحدة انتباه سببي. تستخدم آلية شبيهة بالانتباه لقياس مدى ارتباط كل عامل خارجي بالاستهلاك في كل لحظة، ثم تمرر هذه العلاقات عبر شبكة استدلال سببي تقدّر المساهمة المباشرة لكل عامل. تسمح خطوة ترجيح منفصلة للنموذج بتعديل هذه المساهمات مع الزمن. لا يدعي هذا التصميم أنه نظرية سببية رسمية كاملة، لكنه يتجاوز مطابقة الأنماط: يمكن لمخططي الشبكة أن يروا، على سبيل المثال، متى تكون قفزات الحرارة أو جداول العطلات هي المسؤول الرئيس عن زيادة في الاستخدام، ويخططوا لبرامج تسويق أو استجابة للطلب وفقاً لذلك.

اختبار النظام

قيّم الباحثون Mamba‑ECIS على مجموعتي بيانات عمليتين واسعتي الاستخدام: سجلات استهلاك منازل مفصلة من البرتغال وبيانات سكنية وتجارية عالية الدقة من الولايات المتحدة. تتضمن كلتيهما ملايين القراءات ومعلومات سياقية غنية. عبر عدة مقاييس خطأ معيارية، تفوق النموذج الجديد على مجموعة من المنافسين الأقوياء، بما في ذلك المحولات الحديثة (Transformers)، ونماذج أخرى مبنية على Mamba، وشبكات متخصصة للسلاسل الزمنية. قد تبدو زيادات الدقة النموذجية بين 3–12 بالمائة متواضعة، لكنها قد تترجم إلى توفيرات كبيرة وتحسينات في الاعتمادية للمرافق التي تعمل على مستوى وطني. وأظهرت اختبارات إضافية، حيث أزيلت وحدات محددة، أن الدمج متعدد الوسائط، والهندسة ثنائية الفروع، وبوابة الانتباه السببي كلٌ منها قدم مساهمات مميزة ومتوازنة في الأداء.

ماذا يعني هذا لمستخدمي الطاقة اليوميين

لغير المتخصصين، الرسالة الأساسية هي أن التنبؤات الأذكى والأكثر شفافية يمكن أن تساعد في جعل أنظمة الكهرباء أرخص وأكثر موثوقية. عبر نسج مصادر بيانات متعددة معاً، وفصل ضوضاء قصير الأمد عن العادات الدائمة، وتسليط الضوء على القوى الخارجية التي تقود الطلب فعلاً، يقدم Mamba‑ECIS للشركات الكهربائية دليلاً أكثر موثوقية للمستقبل القريب. وهذا بدوره يمكن أن يدعم تسعيراً أكثر عدلاً، وبرامج حفظ مستهدفة بشكل أفضل، وعدد أقل من المفاجآت أثناء موجات الحر والبرد—محسناً بهدوء كيفية إنتاج الطاقة وتسويقها واستهلاكها خلف الكواليس.

الاستشهاد: Pang, W., Wang, X. & Li, K. Mamba ECIS for power marketing customer behavior forecasting using multimodal deep learning. Sci Rep 16, 13063 (2026). https://doi.org/10.1038/s41598-026-43438-3

الكلمات المفتاحية: تنبؤ الطلب على الكهرباء, تحليلات الشبكة الذكية, التعلم العميق متعدد الوسائط, سلوك مستهلكي الطاقة, التعلم الآلي السببي