إطار موحد لتصنيف السلاسل الزمنية عبر تمثيل صور غاوسي تكيفي

تحويل الإشارات الزمنية المعقدة إلى صور

من دقات القلب وموجات الدماغ إلى أسعار الأسهم وتدفقات المرور، يُسجّل الكثير من عالمنا الرقمي كسلاسل زمنية: أرقام تتغير مع الزمن. ومع ذلك، فهذه التدفقات المتشابكة صعبة على الحواسيب لتصنيفها بشكل موثوق، لا سيما عندما تأتي من عدة مستشعرات في آنٍ واحد أو تختلف في الطول. تقدم هذه الورقة طريقة لتحويل مثل هذه الإشارات الفوضوية إلى صور يمكن لنماذج الرؤية الحديثة فهمها، مما يسهل بناء أنظمة موثوقة لمراقبة الصحة والمالية والأجهزة اليومية.

لماذا يصعب تصنيف السلاسل الزمنية

نادرًا ما تتصرف السلاسل الزمنية في العالم الحقيقي بشكل منظم. قد تسجّل مستشعرات مختلفة بسرعات متفاوتة، تتوقف وتعاود التسجيل بشكل غير متوقع، أو تنتج قراءات بها ضوضاء. تتتبع بعض التطبيقات إشارة واحدة، مثل نبضة القلب، بينما تجمع تطبيقات أخرى عشرات القنوات مثل الحركة ونشاط العضلات وموجات الدماغ معًا. تعتمد الطرق التقليدية إما على استخلاص ميزات مصممة يدويًا أو على نماذج التعلم العميق التي تعمل مباشرة على التسلسلات الزمنية الخام. قد تنجح هذه المقاربات، لكنها غالبًا ما تكافح للتعميم عبر مجموعات بيانات متعددة وتستدعي ضبطًا دقيقًا لكل مشكلة جديدة.

من موجات أحادية البعد إلى صور ثنائية البعد

يقترح المؤلفون TS2Vision، إطارًا يحوّل السلاسل الزمنية إلى صور قبل التصنيف. أولًا، يتم توحيد كل قناة وإعادة تحجيمها بسلاسة بحيث تتشارك التسلسلات القصيرة والطويلة طولًا مشتركًا. ثم تُحوّل خريطة تكيفية تسمى التحويل الغاوسي الزمني التكيفي كل لحظة زمنية إلى قطعة مربعة صغيرة داخل صورة. داخل تلك القطعة، تُخصَّص منطقة دائرية لكل قناة مستشعر. يُرسم داخل كل دائرة نمطٌ على شكل جرس يتحكم فيه القيمة الحالية للإشارة. يلتقط هذا الأسلوب الارتفاعات والانحدارات المحلية بطريقة سلسة ومقاومة للضوضاء.

حشر العديد من الإشارات في عرض واحد

تتمثل إحدى التحديات الرئيسية في كيفية وضع كل تلك المناطق الدائرية بحيث لا تتداخل مع الحفاظ على استخدام المساحة المحدودة في كل قطعة بكفاءة. يتعامل المؤلفون مع هذا كمُسألة حزم دوائر: كيفية تركيب دوائر متساوية الحجم بإحكام داخل مربع. يعتمدون على تخطيطات مثبتة من أبحاث الهندسة لترتيب الدوائر لأي عدد من القنوات. هذه التخطيطات ثابتة مسبقًا، لذا لا يضيع النموذج جهداً على تعلم مكان كل قناة. مع تقدم الزمن، تُرتَّب القطع بالتتابع، مكونة صورة أكبر تحافظ على كل من كيفية تغير كل إشارة وكيفية علاقة القنوات بعضها ببعض.

تمكين نماذج الرؤية من قراءة الزمن

بمجرد تحويل السلاسل الزمنية إلى صورة، يمرّر TS2Vision الصورة إلى محول رؤية، وهو نوع من النماذج صُمم أصلاً للتعرف على الصور. يجزّئ هذا النموذج الصورة إلى رقع أصغر ويستخدم آليات الانتباه لربط الأنماط عبر أجزاء بعيدة من الصورة، والتي تقابل هنا خطوات زمنية متباعدة. يبين المؤلفون رياضيًا أن تحويلهم مستقر: تغييرات صغيرة في إشارات الدخل تؤدي إلى تغييرات مقيدة في الصورة، مما يساعد المصنف على البقاء قويًا عندما تكون البيانات صاخبة أو عندما يهتز المستشعر.

الاختبار عبر العديد من مجموعات البيانات الواقعية

لاختبار فعالية TS2Vision عمليًا، اختبره الباحثون على 158 مجموعة بيانات معيارية مُجمّعة من أرشيفين رئيسيين. تغطي هذه مجموعات مزيجًا واسعًا من المجالات، بما في ذلك قراءات الأجهزة، والتقاط الحركة، والتسجيلات الطبية، والصور المحوَّلة إلى سلاسل زمنية، والمزيد. عبر مهام القناة الواحدة والمتعددة القنوات، حقق TS2Vision أفضل ترتيب متوسط بين طرق التعلم العميق المعاصرة ودقة تنافسية مقارنةً بتقنيات رائدة غير عميقة، مع المحافظة على أوقات تدريب معقولة. كما أظهر مرونة قوية عند إضافة ضوضاء صناعية، حيث تراجع أداؤه بدرجة أهدأ من النماذج المنافسة.

ما يعنيه هذا للأنظمة اليومية

بعبارة بسيطة، يُظهر TS2Vision أن معاملة السلاسل الزمنية كصور مصممة بعناية يمكن أن تفتح قوة رؤية الحاسوب للبيانات الزمنية. من خلال الجمع بين طريقة مستقرة وتكيفية لرسم الإشارات كصور ونموذج رؤية قوي، يقدم الإطار طريقة موحَّدة تعمل عبر أنواع عديدة من المستشعرات وأطوال التسلسل. لمطوري أنظمة المراقبة واتخاذ القرار، يعني هذا أداة أكثر عمومية قادرة على التعامل مع بيانات متنوعة وصاخبة بينما تظل فعّالة بما يكفي للاستخدام العملي.

الاستشهاد: Ren, X., Li, D., Gao, X. et al. A unified time series classification framework via adaptive Gaussian image representation. Sci Rep 16, 14817 (2026). https://doi.org/10.1038/s41598-026-44760-6

الكلمات المفتاحية: تصنيف السلاسل الزمنية, تمثيل الصور, محول الرؤية, مستشعرات متعددة المتغيرات, ترميز قوي