מסגרת מאוחדת למיון סדרות זמן באמצעות ייצוג תמונה גאוסי אדפטיבי

הפיכת אותות זמן מורכבים לתמונות

מלשים של פעימות לב וגלי מוח ועד למחירי מניות וזרמי תנועה, חלק ניכר מהעולם הדיגיטלי שלנו מתועד כסדרות זמן: מספרים שמשתנים לאורך הזמן. עם זאת, זרמים מסובכים אלה קשים למחשב למיין בצורה אמינה, במיוחד כאשר הם מגיעים ממספר חיישנים בו־זמנית או בעלי אורכים שונים. מאמר זה מציג דרך להפוך אותות מבולגנים כאלה לתמונות שהמודלים החזותיים המודרניים יכולים להבין, וכך להקל על בניית מערכות אמינות לניטור בריאות, פיננסים ומכשירים יום־יומיים.

מדוע סדרות זמן כל כך קשות למיון

סדרות זמן במציאות נדירות מתנהגות באופן מסודר. חיישנים שונים עשויים לרשום בקצבים שונים, להיעצר ולהתחיל באופן לא צפוי, או להפיק קריאות רועשות. יישומים מסוימים עוקבים אחר אות יחיד, כמו פעימת לב, בעוד אחרים משלבים עשרות ערוצים, כגון תנועה, פעילות שרירים וגלי מוח יחד. שיטות מסורתיות עושות הנדסה תכונות ביד או משתמשות במודלים עמוקים שפועלים ישירות על רצפי הזמן הגולמיים. שיטות אלה עשויות לעבוד, אך לעתים מתקשות להכליל על פני מגוון מערכי נתונים ודורשות כיוונון מדוקדק לכל בעיה חדשה.

מגלים גלים חד־ממדיים כתמונות דו־ממדיות

המחברים מציעים את TS2Vision, מסגרת הממירה סדרות זמן לתמונות לפני המיון. ראשית, כל ערוץ מוּנָם ו/או מותאם בצורה חלקה כך שרצפים קצרים וארוכים ישתפו אורך משותף. לאחר מכן, מיפוי אדפטיבי הנקרא Adaptive Time Series Gaussian Mapping הופך כל רגע בזמן ללוח אריח קטן בתוך תמונה. בתוך אותו אריח, מוקצה לכל ערוץ חיישן אזור מעגלי. בתוך כל עיגול מצויר תבנית בצורת פעמון, הנשלטת על ידי ערך האות הנוכחי. תהליך זה לוכד עליות ומורדות מקומיות באופן חלק ועמיד לרעש.

אריזת אותות רבים לתצוגה אחת

אתגר מרכזי הוא כיצד למקם את כל האזורים המעגליים כך שלא יתנגשו ועדיין ינצלו ביעילות את המרחב המוגבל בכל אריח. המחברים מתייחסים לבעיה זו כפזל אריזת מעגלים: כיצד להתאים מעגלים שווים בגודל בתוך ריבוע בצפיפות. הם מסתמכים על סידורים מוכחים מתוך מחקר גיאומטרי כדי לסדר את המעגלים לכל מספר ערוצים. סידורים אלה נקבעים מראש, כך שהמודל אינו מבזבז מאמץ ללמוד היכן למקם כל ערוץ. ככל שהזמן מתקדם, האריחים מסודרים ברצף ויוצרים תמונה גדולה יותר ששומרת הן על האופן שבו כל אות משתנה והן על היחסים בין הערוצים.

לאפשר למודלים חזותיים לקרוא זמן

לאחר שסדרות הזמן הומרו לתמונה, TS2Vision מזין אותן ל-Vision Transformer, סוג של מודל שתוכנן במקור לזיהוי תמונות. מודל זה חותך את התמונה לאריחים קטנים יותר ומשתמש במכניזמי תשומת לב כדי לקשר תבניות בחלקים מרוחקים של התמונה, שבמקרה זה תואמים לרגעים מרוחקים בזמן. המחברים מראים מתמטית כי המיפוי שלהם יציב: שינויים קטנים בקלט מובילים לשינויים מגבילים בתמונה, מה שעוזר לממיין להישאר חסין כאשר הנתונים רעשים או החיישנים רועדים.

בדיקה על פני מערכי נתונים אמיתיים רבים

כדי לבדוק עד כמה TS2Vision עובד במציאות, החוקרים ניסו אותו על 158 מערכי מבחן התקניים שנלקחו משני ארכיונים מרכזיים. אלה מכסים מגוון רחב של תחומים, כולל קריאות מכשירים, לכידת תנועה, הקלטות רפואיות, תמונות שהופכו לסדרות זמן ועוד. הן במשימות חד־ערוציות והן ברב־ערוציות, TS2Vision השיג את הדירוג הממוצע הטוב ביותר בקרב שיטות למידה עמוקה מודרניות ודיוק תחרותי בהשוואה לטכניקות מובילות שאינן מבוססות למידה עמוקה, תוך שמירה על זמני אימון סבירים. הוא גם הראה עמידות חזקה כאשר הוסיפו רעש מלאכותי, והתדרדרותו הייתה מתונה יותר מאשר במודלים מתחרים.

מה המשמעות של זה למערכות יום־יומיות

במילים פשוטות, TS2Vision מראה שטיפול בסדרות זמן כתמונות מעוצבות בקפידה יכול לשחרר את כוח הראייה הממוחשבת עבור נתונים טמפורליים. על ידי שילוב שיטת ציור יציבה ואדפטיבית של אותות כתמונות עם מודל חזון חזק, המסגרת מציעה שיטה מאוחדת שעובדת על פני סוגי חיישנים ואורכי רצפים רבים. עבור בוני מערכות ניטור וקבלת החלטות, המשמעות היא כלי כללי יותר שיודע להתמודד עם נתונים מגוונים ורועשים ובכל זאת נשאר יעיל לשימוש מעשי.

ציטוט: 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

מילות מפתח: מיון סדרות זמן, ייצוג תמונה, טרנספורמר חזון, חיישנים מרובת משתנים, קידוד חסין