DeepKoopFormer: بنية معتمدة على محول معزَّز بمشغل Koopman للتنبؤ بالسلاسل الزمنية

لماذا تهم التوقعات الأذكى

من تخطيط الطقس والطاقة إلى أسواق المال، تعتمد العديد من قراراتنا الكبرى على التنبؤ بكيفية تغيّر الأشياء مع مرور الوقت. هذه «السلاسل الزمنية» — تدفقات القياسات مثل سرعة الرياح أو إنتاج الكهرباء أو أسعار العملات — أصبحت أطول وأكثر ضوضاءً وتعقيدًا. يمكن لأدوات الذكاء الاصطناعي الحديثة المسماة بالمحوّلات أن تعالج هذه البيانات، لكنها غالبًا ما تعمل كصناديق سوداء وقد تصبح غير مستقرة عند دفعها للتنبؤ بعيدًا في المستقبل. يقدم هذا البحث DeepKoopFormer، طريقة للتنبؤ تحافظ على القوة التنبؤية للمحوّلات مع إضافة بنية رياضية تجعل سلوكها أكثر استقرارًا، قابلية للتفسير، وموثوقية عبر أُفق زمني طويل.

طريقة جديدة لتثبيت النماذج القوية

ينطلق المؤلفون من فكرة مألوفة في ذكاء اليوم: استخدام محول لهضم السلاسل الزمنية الخام إلى تمثيل داخلي غني. ثم يدخل DeepKoopFormer طبقة وسطى مُصممة بعناية مستوحاة من مفهوم في نظرية الأنظمة الديناميكية يعرف بمُشغّل Koopman. بدلًا من ترك النموذج يتطور بطريقة معقدة وغير خطية تمامًا، تقوم هذه الطبقة الوسطى بتحديث الحالة الداخلية عبر تحويل خطي بسيط في فضاء مخفي. والأهم أن هذا التحويل مُبنى بحيث يتضاءل تأثيره تدريجيًا مع الزمن بدلًا من أن يتضخّم بشكل مفرط، وهو ما يضمن رياضيًا أن التنبؤات بعيدة المدى لن تنفجر أو تتذبذب بلا تحكّم.

كيف يحافظ النموذج على توازنه

لفرض هذا الاستقرار، يقيد DeepKoopFormer الخطوة الخطية بعدة طرق. يُفكَّك التحويل إلى ثلاث قطع: مصفوفتان متعامدتان (تحافظان على الأطوال والزوايا) تحيطان بمصفوفة قطرية لعوامل قياس مُجبرة جميعها أن تكون أقل من واحد. وهذا يعني أن الحالة المخفية تُنكمش بلطف بدلاً من أن تُضخّم في كل تحديث. مكوّن ثانٍ، يُسمى تنظيم لياپونوف، يضيف عقوبة تدريب عندما تزداد طاقة الحالة المخفية من خطوة إلى التالية. معًا، تضمن هذه الآليات أن تكون الديناميكيات الداخلية هادئة وسليمة، بينما يظل المحول المسبق والمفكّك الخطي اللاحق قادرَين على التعبير بحرية. يتحكم إعدادان منفصلان في قدرة النموذج على تعلم الأنماط الغنية واستقراره، بحيث يمكن للمستخدمين ضبط أحدهما دون كسر الآخر.

وضع الطريقة للاختبار

يقيم الباحثون DeepKoopFormer على مشاكل خاضعة للتحكم وأخرى من العالم الحقيقي. يبدأون باختباره على أنظمة فوضوية كلاسيكية مثل متجذب لورنتز، حيث قد تؤدي تغييرات صغيرة إلى مستقبلات مختلفة تمامًا، ويضيفون ضوضاء عشوائية لمحاكاة القياسات الحقيقية. عبر بنى محول مختلفة، تتبع النسخ المعزَّزة بمشغّل Koopman المسارات الحقيقية عن كثب مع الحفاظ على سلوك داخلي مستقر عبر العديد من التنبؤات قصيرة المدى. ثم ينتقل المؤلفون إلى مجموعات بيانات حقيقية ومتطلبة: توقعات مناخية وإعادة تحليل لألمانيا (سرعة الرياح والضغط السطحي)، وأسعار العملات المشفرة، وتوليد الكهرباء من مصادر متعددة في إسبانيا. في هذه الحالات، تُقارن متغيرات DeepKoopFormer بشبكة الذاكرة طويلة قصيرة المدى (LSTM) القياسية وخطوط أساسية خطية أبسط، عبر خيارات عديدة لطول نافذة الإدخال، وأفق التنبؤ، وحجم النموذج.

ماذا تكشف التجارب

عبر مهام المناخ والمالية والطاقة، تحقق نماذج المحول المعززة بمشغل Koopman عمومًا أخطاء تنبؤ أقل وسلوكًا أكثر استقرارًا من نموذج LSTM المرجعي، خصوصًا عند التنبؤ بعدة خطوات أو عند التعامل مع بيانات عالية البعد. بالنسبة للريح والضغط على ألمانيا، وبالنسبة لتوليد الكهرباء، تميل نسخ DeepKoopFormer المبنية على PatchTST وInformer إلى الأداء الأفضل، ملتقطةً بشكل موثوق الاتجاهات الناعمة والتقلبات السريعة معًا. في بعض الحالات الخاصة حيث تكون الأنماط الكامنة خطية تمامًا تقريبًا، لا يزال الأسلوب الخطي البسيط يتفوق في دقة الاختبار، مما يبيّن أنه لا يوجد نموذج واحد مثالي عالميًا. مع ذلك، تُظهر التصاميم المعتمدة على Koopman نمط أخطاء أكثر سلاسة مع تزايد أفق التنبؤ، مشيرة إلى تحكم أفضل في عدم اليقين طويل الأمد وميل أقل للاعتماد المفرط على تفاصيل غريبة في بيانات التدريب.

لماذا هذه المقاربة واعدة

في النهاية، يبيّن DeepKoopFormer أنه من الممكن الجمع بين مرونة التعلم العميق وضمانات نظرية الأنظمة الديناميكية الكلاسيكية. عبر إدخال خطوة خطية مُنظَّمة ومستقرة داخل مسار عمل محول قياسي إلى حدٍ كبير، يحصل المؤلفون على توقعات دقيقة، مقاومة للضوضاء، وأسهل من الناحية الرياضية في تفسيرها. للممارسين الذين يعتمدون على التنبؤات بعيدة المدى في علوم المناخ، نظم الطاقة، أو المالية — حيث الاستقرار وإمكانية التفسير لا تقلان أهمية عن الدقة الخام — يقدم هذا الإطار وسيلة لزيادة الثقة في النماذج العصبية القوية وفهم كيف ولماذا تتصرف تنبؤاتها مع مرور الزمن.

الاستشهاد: Forootani, A., Khosravi, M. & Barati, M. DeepKoopFormer: a Koopman enhanced transformer based architecture for time series forecasting. npj Artif. Intell. 2, 35 (2026). https://doi.org/10.1038/s44387-026-00085-3

الكلمات المفتاحية: التنبؤ بالسلاسل الزمنية, نماذج المحول, مُشغّل Koopman, ديناميكيات مستقرة, بيانات المناخ والطاقة