طريقة توقع سلاسل زمنية ضبابية حدسية لمتغير مفرد بترتيب مختلط قائمة على شبكة عصبية اصطناعية جديدة وخوارزمية تحسين ذئب رمادي

لماذا تهم هذه الفكرة التنبؤية للبيانات اليومية

من أسعار العملات المشفرة إلى تكلفة ملء خزان الوقود أو شراء الذهب، تقفز الأرقام المالية صعودًا وهبوطًا بطرق يصعب التنبؤ بها. تقدم هذه الدراسة طريقة جديدة لتحويل منحنيات الأسعار الصاخبة من الأمس إلى تخمينات أفضل لليوم التالي، عن طريق مزج درجات شك تشبه الطريقة البشرية مع نوع متقدم من الشبكات العصبية المستوحى من كيفية انتقال الإشارات عبر تفرعات الخلايا العصبية الحقيقية.

التعامل مع عدم اليقين بطريقة أقرب إلى طريقة البشر

تعامل معظم أدوات التنبؤ كل نقطة بيانات على أنها تنتمي إلى نمط ما أو لا تنتمي إليه، تمامًا مثل مفتاح ضوئي يكون تشغيله أو إيقافه. تسمح طرق السلاسل الزمنية الضبابية بتليين هذا التصور وتمكن البيانات من "الانتماء جزئيًا" إلى عدة أنماط في آن واحد. تتقدم المنهجية في هذه الورقة خطوة إضافية بتتبع مقدار عدم انتماء نقطة البيانات إلى نمط ما، ومقدار التردد المتبقي بين الحالتين. هذه الوصفية الأكثر ثراءً، المسماة السلاسل الزمنية الضبابية الحدسية، تسمح للنموذج بتمثيل ليس فقط الاتفاق الجزئي ولكن أيضًا الرفض الصريح والشك المتبقي بشأن المكان الحقيقي الذي تنتمي إليه قيمة ما.

السماح لوجهتي نظر حول البيانات بالتعلّم معًا

يصمم المؤلفون نموذجًا للتنبؤ يعامل معلومات الانتماء وعدم الانتماء كوجهتي نظر متوازيتين لنفس السلسلة الزمنية. أولًا، تقوم عملية العنقدة بتجميع البيانات الماضية إلى مناطق ضبابية وتمنح كل نقطة ثلاث درجات: مدى انتمائها، ومدى عدم انتمائها، ومدى عدم اليقين لدى النموذج. تُغذّى هذه الدرجات، مع القيم الخام الماضية، إلى شبكة عصبية خاصة. يركز جزء من الشبكة على جانب الانتماء، بينما يركز جزء آخر على جانب عدم الانتماء. يتعلم كل جزء علاقاته الداخلية الخاصة وينتج توقعه المستقل للقيمة التالية.

شبكة عصبية على شكل خلايا عصبية متفرعة

بدلاً من استخدام شبكة مكدسة تقليدية، تعتمد الطريقة على نموذج خلية عصبية شجيرية يحاكي البنية المتفرعة للخلايا العصبية البيولوجية. تمر الإشارات أولاً عبر طبقة مشبكية، ثم تُضرب معًا على طول فروع الشجيرات، وتُجمع في طبقة غشائية، وفي النهاية تتحول إلى مخرجات في طبقة السومة. في التصميم المقترح المزدوج، توجد مسارات شجرية منفصلة لمدخلات الانتماء ومدخلات عدم الانتماء. تُخلط مخرجاتها بعد ذلك باستخدام وزن يتعلمه النظام تلقائيًا. تتيح هذه البنية للنموذج التقاط تداخلات معقدة في البيانات مع الحفاظ على بنية إجمالية مدمجة.

الذئاب الرمادية تضبط العديد من أزرار الشبكة

يتطلب تدريب شبكة مفصّلة كهذه ضبط العديد من الأوزان والعتبات الداخلية. بدلًا من الاعتماد على التدريب التدرجي التقليدي الذي قد يعلق في حلول ضعيفة، يعتمد المؤلفون استراتيجية مستوحاة من الطبيعة تُسمى خوارزمية تحسين الذئب الرمادي. هنا، تستكشف "ذئاب" افتراضية إعدادات مختلفة لمعاملات الشبكة، موجهةً بواسطة تسلسل هرمي يحاكي كيف يصطاد قطيع الذئاب الحقيقي. مع مرور الوقت، يقترب القطيع من قيم المعاملات التي تقلل أخطاء التنبؤ، بما في ذلك التوازن الحاسم بين فرعي الانتماء وعدم الانتماء.

تنبؤات أفضل على سلاسل مالية رئيسية

يختبر فريق البحث طريقتهم على أربع سلاسل زمنية مالية معروفة: بيتكوين، النفط الخام، اليورو مقابل الدولار الأمريكي، وأسعار الذهب. يقسمون كل مجموعة بيانات إلى أقسام تدريب وتحقق واختبار، ويقارنون نهجهم بعدد من نماذج التنبؤ الضبابية والحدسية المعروفة. عبر هذه الحالات، تحقق الطريقة الجديدة غالبًا أدنى متوسط خطأ في التنبؤ، وحتى عندما لا تحتل المرتبة الأولى فإنها تبقى قريبة جدًا من أفضل المنافسين. تشير النتائج إلى أن السماح للنموذج بالتعلم من كل من الاتفاق والرفض مع كل نمط، داخل شبكة على طراز شجيري مضبوطة بواسطة الذئاب الرمادية، يمكن أن يوفر تنبؤات أكثر دقة واستقرارًا.

ماذا يعني هذا لأدوات التنبؤ المستقبلية

بعبارات بسيطة، تُظهر الورقة أن التعامل مع عدم اليقين بعناية أكبر، ومنح الشبكة العصبية بنية أغنى وأكثر استلهامًا من البيولوجيا، يمكن أن يحسّن التنبؤات قصيرة الأمد لبيانات مالية في العالم الحقيقي. يظل النهج مركزًا على متغير واحد في كل مرة، لكنه يشير إلى أنظمة توقعية تستخدم درجات متعددة من الاعتقاد والشك بدلًا من خط حاد واحد. مع امتدادات لاحقة، قد تساعد أفكار مماثلة المحللين والأنظمة الآلية على اتخاذ قرارات أكثر اطلاعًا في أي مكان تلعب فيه بيانات زمنية غير مؤكدة دورًا محوريًا.

الاستشهاد: Cansu, T., Bas, E. & Egrioglu, E. Mixed order single variable intuitionistic fuzzy time series forecasting method based on a new artificial neural network and grey wolf optimization algorithm. Sci Rep 16, 15682 (2026). https://doi.org/10.1038/s41598-026-45059-2

الكلمات المفتاحية: التنبؤ المالي, السلاسل الزمنية الضبابية, الشبكات العصبية الاصطناعية, تحسين الذئب الرمادي, المجموعات الضبابية الحدسية